python版OpenCV常用api调用

记录下： https://blog.csdn.net/JsonD/article/details/84983702

以下所有操作都基于这三个库：

import cv2 
import numpy as np 
import matplotlib.pylab as plt

1、图片读取

img=cv2.imread('image/lenacolor.png',cv2.IMREAD_UNCHANGED)

原图展示
cv2.IMREAD_UNCHANGED

灰度图展示
cv2.IMREAD_GRAYSCALE

彩色图展示
cv2.IMREAD_COLOR

2、图片保存

cv2.imwrite('image/gray_test.jpg',img)

3、图片展示

cv2.imshow('original',img)

4、图片暂停展示

##num<0 按键输入消失
##num==0 或不填系数 ，一直不消失
##num>0 停滞num秒 
cv2.waitKey(num)

5、 关闭所有窗口

cv2.destroyAllWindows()

6、图像赋值

1)基本操作

img[100,100]=255 #灰度图赋值 
img[100,100,0]=255 #彩色图单通道赋值 
img[100,100]=[255,255,255] #彩色图多通道赋值

2)numpy操作

img.item(100, 100, 2) #获得（100,100）点，2通道的值 
img.itemset((100, 100, 2), 255) #设置（100,100）点2通道的值

7、获取图像属性

##获取BGR图 高、宽、深度 
h，w，d=img.shape

##获得图片大小 h*w 或 h*w*d 
img_size=img.size

##获得图片数据类型 
img.dtype

8、感兴趣区域ROI （region of interest）

##获得面部图像 
face= img[220:400, 250:350]

##粘贴脸部图像，可以跨图粘贴 
img[0:180, 0:100]=face

9、通道分解合并

##通道分解方案1 
b=img[:,:,0] 
g=img[:,:,1] 
r=img[:,:,2]

##通道分解方案2 
b,g,r=cv2.split(img)

##通道合并 
rgb=cv2.merge([r,g,b])

##只显示蓝色通道 
b=cv2.split(a)[0] 
g = np.zeros((rows,cols),dtype=a.dtype) 
r = np.zeros((rows,cols),dtype=a.dtype) 
m=cv2.merge([b,g,r])

10、图像加法

##超过255则为0 
result1= img1 + img2

##超过255则为255 
result2=cv2.add(img1, img2)

##图像带权重融合，第5个参数为偏移量 
result=cv2.addWeighted(img1,0.5,img2,0.5, 0)

11、图像类型转换

##彩色图转灰度图 
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

##BGR图转RGB图（重点：opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反） 
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)

##灰度图转BGR图,每个通道都是之前的灰度值 
img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

12、图像缩放 （宽、高）

##图片缩放->(200,100) 
img2=cv2.resize(img1, (200, 100))

##按比例缩放->(0.5,1.2) 
img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))

##按比例缩放，参数版 
img2=cv2.resize(img1, None, fx=1.2, fy=0.5)

13、图像翻转

img2=cv2.flip(img1, 0) #上下翻转 
img2=cv2.flip(img1, 1) #左右翻转 
img2=cv2.flip(img1, -1) #上下、左右翻转

14、图像移动、旋转、缩放

##图像移动=>(100,200) 
M = np.float32([[1, 0, 100], [0, 1, 200]]) 
b=cv2.warpAffine(img1, M, (height, width))

##图像中心、旋转45度、缩放0.6 M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6) 
img2=cv2.warpAffine(img1, M, (height, width))

##图像菱形转换 
p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角 
p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]]) 
M=cv2.getAffineTransform(p1,p2) dst=cv2.warpAffine(img,M,(cols,rows))

15、图像阈值转换 、二值化

r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化，阈值127,r为返回阈值，b为二值图 
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold则为0 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold则为0 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold

16、图像平滑处理

##均值滤波 
img2=cv2.blur(img1, (5, 5))  #sum(square)/25

##normalize=1 均值滤波,normalize=0 区域内像素求和 
img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)

##高斯滤波,第三个参数是方差,默认0计算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数) 
img1=cv2.GaussianBlur(img, (3, 3), 0)  #距离像素中心点近的权重较大，以高斯方式往四周分布

##中值滤波,效果非常好?
img1=cv2.medianBlur(img,3)  #获得中心点附近像素排序后的中值

17、形态学操作

##图像腐蚀，k为全1卷积核 
k=np.ones((5,5),np.uint8) 
img1=cv2.erode(img, k, iterations=2)

##图像膨胀 
k=np.ones((5,5),np.uint8) 
img1=cv2.dilate(img, k, iterations=2)

##图像开运算 （先腐蚀后膨胀），去掉图形外侧噪点 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)

##图像闭运算（先膨胀后腐蚀） ，去掉图形内侧噪点 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)

##图像梯度运算（膨胀-腐蚀） 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)

##高帽运算 （原图-开运算），获得图形外噪点 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)

##黑帽运算（闭运算-原图），获得图像内噪点 
k=np.ones((10,10),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

18、图像梯度，边缘提取

##sobel梯度边缘提取，卷积核竖向[[-1,-2,-1][0,0,0][1,2,1]]  
sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #横向边缘提取 
sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #竖向边缘提取 
sobelx = cv2.convertScaleAbs(sobelx) # 负值取正，图像展示只能有正值 
sobely = cv2.convertScaleAbs(sobely) 
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #图像融合

##scharr梯度边缘提取，卷积核竖向[[-3,-10,-3][0,0,0][3,10,3]] ，scharr比sobel卷积核过滤出更多细节 
scharrx = cv2.Scharr(o,cv2.CV_64F,1,0) 
scharry = cv2.Scharr(o,cv2.CV_64F,0,1) 
scharrx = cv2.convertScaleAbs(scharrx) # 负值取正 
scharry = cv2.convertScaleAbs(scharry) 
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #图像融合

## 拉普拉斯梯度,边缘提取版本1 , 拉普拉斯图像梯度 [[0,1,0][1,-4,1][0,1,0] ] 
img1 = cv2.Laplacian(img, cv2.CV_64F) 
img1 = cv2.convertScaleAbs(img1)

##拉普拉斯梯度,边缘提取版本2，结果略有不同 
f=np.array([[0,1,0],[1,-4,1],[0,1,0]]) 
img1=cv2.filter2D(img, -1, f)

19、canny边缘检测

canny边缘检测理论

                                               sobel梯度大小：0.5|x|+0.5|y|

         高斯滤波                             梯度方向：arctan\(y/x\)                       同方向上保留最大梯度              

去噪------------------------->梯度------------------------------------->非极大值抑制---------------------------->

         跟高阈值连通的线会保留

滞后阈值--------------------->out

##canny边缘检测代码 
img1 = cv2.Canny(img,100,200) #参数：图片、低阈值、高阈值

20、图像金字塔

##图片向下采样，高斯滤波 1/2 删掉偶数列 
img1 = cv2.pyrDown(img)

##图片向上采样 ，面积*2 高斯滤波*4 ，下采样为不可逆运算 
img3=cv2.pyrUp(img2)

##计算拉普拉斯金字塔 
img1 = cv2.pyrDown(img) #下采样 
img2=cv2.pyrUp(img1) #上采样 
img3=img-img2

21、图像轮廓标注

gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度图转化 
dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化 
image_,contours,hierarchy=cv2.findContours(img_bin, mode=cv2.RETR_TREE,  method=cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓 
to_write=img.copy() #原始图像copy，否则会在原图上绘制 
ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #红笔绘制图像轮廓

22、直方图

##matplotlib 绘制直方图 
plt.hist(img.ravel(),256)

##用opencv计算直方图列表 
hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])

##掩膜提取局部直方图 
pad=np.zeros(img.shape,np.uint8) 
pad[200:400,200:400]=255 hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])

##opencv 交、并、补、异或操作 
masked_img=cv2.bitwise_and(img,mask)

直方图均衡化原理

图像直方图->直方图归一化->累计直方图->*255 x坐标映射->对原来的像素值进行新像素值编码

##直方图均衡化调用 
img1=cv2.equalizeHist(img)

##matplotlib绘制图片前通道转换 
img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性

##matplotlib多图绘制在一个面板上 
plt.subplot('221'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original') 
plt.subplot('222'), plt.imshow(img1, cmap=plt.cm.gray), plt.axis('off') 
plt.subplot('223'), plt.hist(img.ravel(),256) plt.subplot('224'), plt.hist(img1.ravel(), 256)

23、图像傅里叶变换（空间域=>频域）

##图像傅里叶变换 （转化为虚数，实部为幅度，虚部为频率） 
fft=np.fft.fft2(img) 
fft_center=np.fft.fftshift(fft) 
fft_flect=20*np.log(np.abs(fft_center))

##图像傅里叶逆变换 
fft_left=np.fft.ifftshift(fft_center) 
ifft=np.fft.ifft2(fft_left) 
img_f=np.abs(ifft)

##高通滤波 
h_c,w_c=round(h/2),round(w/2) 
fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0  #原图操作，低频信号归0

##opencv 傅里叶变换 
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT) 
fft_center=np.fft.fftshift(dft)

##opencv 低通滤波 
mask=np.zeros((h,w,2),dtype=np.uint8)    #定义掩膜 
h_c,w_c=round(h/2),round(w/2) R=20 
mask[h_c-R:h_c+R,w_c-R:w_c+R]=1 
dshift=fft_center*mask       #点乘，保留低频信号

##opencv 傅里叶反变换 
fft_left=np.fft.ifftshift(dshift) 
ifft=cv2.idft(fft_left) 
img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2）