网站专题教程,机械毕业设计代做网站推荐,wordpress 茶业 主题,网站备案号刚开始接触OpenCV是因为需要进行图像的处理#xff0c;由于之前没有接触过#xff0c;所以只能自己进行学习#xff0c;下面将学习的过程做简单记录分享。 OpenCV专栏链接
OpenCV学习笔记
一、引言
OpenCV#xff08;Open Source Computer Vision Library#xff09;是…刚开始接触OpenCV是因为需要进行图像的处理由于之前没有接触过所以只能自己进行学习下面将学习的过程做简单记录分享。 OpenCV专栏链接
OpenCV学习笔记
一、引言
OpenCVOpen Source Computer Vision Library是一个开源的计算机视觉库提供了丰富的图像处理和计算机视觉算法。它广泛应用于图像处理、人脸识别、目标检测、机器视觉等领域。学习OpenCV编程语言对于计算机视觉领域的开发人员来说非常重要。
二、基础知识
1.安装与基本操作
在开始学习OpenCV编程之前需要先安装OpenCV库和相应的基本操作。
1.1 OpenCV安装
pip install opencv-python
pip install opencv-contrib-python1.2 OpenCV基本操作
1.2.1 读取图片
img cv.imread(a.jpg)1.2.2 显示图片
cv.imshow(img, img)1.2.3 练习代码
#导入cv模块
import cv2 as cv
#读取图片
img cv.imread(a.jpg)
#显示图片
cv.imshow(read_img,img)
#等待
cv.waitKey(0)
#释放内存
cv.destroyAllWindows()运行结果
1.2.4 灰度转换
gray_img cv.cvtColor(img,cv.COLOR_BGR2GRAY)1.2.5 修改尺寸
resize_img cv.resize(img, dsize(200, 200)) 1.2.6 绘制矩形
cv.rectangle(img, (x, y, x w, y h), color(0, 0, 255), thickness1)1.2.7 绘制圆形
cv.circle(img, center(x w, y h), radius100, color(255, 0, 0), thickness2)2.图像的IO操作
2.1 读取图像
cv.imread()1彩色图像 0 灰度图像 -1alpha通道图像
2.2 显示图像
cv.imshow()/plt.imshow()参数
显示图像的窗口名称以字符串表示;要记载的图像;
注意要调用**cv.waitKey()**给图像绘制留下时间否则窗口会出现无响应情况并且图像无法显示出来。
2.3 保存图像
cv.imwrite()参数文件名 要保存在哪里 要保存的图像
2.4 绘制直线
cv.line(img,start,end,color,thickness)参数
img要绘制直线的图像startend: 直线的起点和终点color: 线条颜色thickness 线条密度
2.5 绘制圆形
cv.circle(img, centerpoint, r, color, thickness)参数
img要绘制圆形的图像centerpoint, r: 圆心和半径color: 线条颜色thickness 线条密度为-1时生成闭合图案并填充颜色
2.6 绘制矩形
cv.rectangle(img, leftupper, rightdown, color, thickness)参数
img要绘制的图像leftupper, rightdown: 左上角和右下角的坐标color: 线条颜色thickness 线条密度
2.7 向图像中添加文字
cv.putText(img, text, startion, font, fontsize, color, thickness, cv.LINE_AA)参数
img图像text: 文本数据startion 字体放置位置font字体fontsize字体大小color: 字体颜色thickness 字体密度
2.8 展示效果
#导入cv模块
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt# 1 创建一个空白的图像
img np.zeros((512, 512, 3), np.uint8)
# 2 绘制图像
cv.line(img, (0, 0), (511, 511), (255, 0, 0), 5)
cv.rectangle(img, (384, 0), (510, 128), (0, 255, 0), 3)
cv.circle(img, (447, 63), 63, (0, 0, 255), -1)
font cv.FONT_HERSHEY_SIMPLEX
cv.putText(img, OpenCv, (10, 500), font, 4, (255, 255, 255), 2, cv.LINE_AA)
plt.imshow(img[:, :, ::-1])
plt.show()效果如下
1.图像的加法
使用cv.add()函数将两幅图像相加或者简单通过Numpy操作添加两个图像两个图像应该具有相同的大小和类型或者第二个图像可以是标量值。 区别
cv.add()–饱和操作Numpy–模运算
2.图像的混合
两个图像的权重不同 图像混合的计算公式如下
g(x)(1-α) f0(x)α f1(x)通过修改α的值0–1实现炫酷的组合图。 函数cv.addWeighted()可以按下面的公式进行混合操作
dst α img1β img2Y3.图像几何变换
3.1 图像缩放
cv2.resize(src,dsize,fx0,fy0,interpolationcv2,INTER_LINEAR)参数
src输入图像。dsize绝对尺寸直接指定调整后图像的大小。fx,fy相对尺寸。interpolation插值方法。
插值含义INTER_LINEAR双线性插值INTER_NEAREST最近邻插值INTER_AREA像素区域重采样INTER_CUBIC双三次插值
3.2 图像平移
cv.warpAffine(img, M, dsize)参数
img图像。M2X3的移动矩阵。dsize输出图像的大小。
注意
将M设置为np.float32类型的Numpy数组。输出图像的大小应该是宽度高度的形式width:列数height行数。
4.图像旋转
在OpenCV中图像旋转首先根据旋转角度和旋转中心获取旋转矩阵然后根据旋转矩阵进行变换即可实现任意角度和任意中心的旋转效果。 API
cv2.getRotationMatrix2D(center, angle, scale)5.图像平滑
5.1 图像噪声
由于图像采集、处理、传输等过程不可避免的会受到噪声的污染妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。
5.1.1 椒盐噪声
椒盐噪声也称为脉冲噪声是图像中经常见到的一种噪声它是一种随机出现的白点或者黑点可能是亮的区域有黑色像素或是在暗的区域有白色像素,或是两者皆有。 椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值饱和的感应器导致像素值为最大值。
5.1.2高斯噪声
高斯噪声是指噪声密度函数服从高斯分布的一类噪声。
5.2 图像平滑简介
图像平滑从信号处理的角度看就是去除其中的高频信息保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声对图像进行平滑。 根据滤波器的不同可分为均值滤波高斯滤波中值滤波双边滤波。
5.2.1 均值滤波
采用均值滤波模板对图像噪声进行滤除。令Pay表示中心在(xy)点尺寸为mxn的矩形子图像窗口的坐标组。均值滤波器可表示为 由一个归一化卷积框完成的。它只是用卷积框覆盖区域所有像素的平均值来代替中心元素。 API:
cv.blur(src, ksize, anchor, borderType )参数
src输入图像ksize卷积核的大小anchor默认值(-1-1)表示核中心borderType 边界类型
示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif][SimHei]
plt.rcParams[axes.unicode_minus] False# 1图像读取
img cv. imread(./images/d1.jpg)
# 2均值滤波
blur cv.blur(img, (5, 5))
# 3图像显示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title(均值波后结果)
plt.xticks([]), plt.yticks([])
plt.show()运行结果
5.2.2 高斯滤波
二维高斯是构建高斯滤波器的基础. API:
cv2.GaussianBlur(src, ksize,sigmaX,sigmay, borderType )参数
src输入图像ksize高斯卷积核的大小注意卷积核的宽度和高度都应为奇数且可以不同sigmaX水平方向的标准差sigmaY垂直方向的标准差默认值为0表示与sigmaX相同borderType 填充边界类型
示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif] [SimHei]
plt.rcParams[axes.unicode_minus] False# 1图像读取
img cv.imread(./images/d2.jpg)
# 2高斯滤波
blur cv.GaussianBlur(img, (3, 3), 1)
# 3图像显示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title(高斯滤波后结果)
plt.xticks([]), plt.yticks([])
plt.show()运行结果
5.2.3 中值滤波
中值滤波是一种典型的非线性滤波技术基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。 中值滤波对椒盐噪声(salt-and-pepper noise)来说尤其有用因为它不依赖于邻域内那些与典型值差别很大的值。 API:
cv.medianBlur(src, ksize)参数
src输入图像ksize卷积核的大小
示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif] [SimHei]
plt.rcParams[axes.unicode_minus] False# 1图像读取
img cv.imread(./images/d3.jpg.jpg)# 2中值速波
blur cv.medianBlur(img, 5)
# 3图像展示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title(中值滤波后结果)
plt.xticks([]), plt.yticks([])
plt.show()运行结果
6.边缘检测
边缘检测是图像处理和计算机视觉中的基本问题边缘检测的目的是标识数字图像中亮度变化明显图像属性中的显著变化通常反映了属性的重要事件和变化。 图像边缘检测大幅度地减少了数据量并且剔除了可以认为不相关的信息保留了图像重要的结构属性。有许多方法用于边缘检测它们的绝大部分可以划分为两类基于搜索和基于零穿越。 基于搜索通过寻找图像一阶导数中的最大值来检测边界然后利用计算结果估计边缘的局部方向通常采用梯度的方向并利用此方向找到局部梯度模的最大值代表算法是Sobel算子和Scharr算子。 基于零穿越通过寻找图像二阶导数零穿越来寻找边界代表算法是Laplacian算子。
7.Sobel检测算子
Sobeli边缘检测算法比较简单实际应用中效率比canny边缘检测效率要高但是边缘不如Canny检测的准确但是很多实际应用的场合sobel边缘却是首选sobel算子是高斯平滑与微分操作的结合体所以其抗噪声能力很强用途较多。尤其是效率要求较高而对细纹理不太关心的时候。
sobel边缘检测的API是
Sobel_x_or_y cv2.Sobel(src,ddepth,dx,dy,dst,ksize,scale,delta,borderType)参数
src:传入的图像。ddepth:图像的深度。dx和dy:指求导的阶数0表示这个方向上没有求导取值为0、1。ksize:是Sobel算子的大小即卷积核的大小必须为奇数1、3、5、7默认为3。注意如果ksize:-1,就演变成为3x3的Scharr算子。scale:缩放导数的比例常数默认情况为没有伸缩系数。borderType:图像边界的模式默认值为cv2.BORDER_DEFAULT。
Sobel算子是在两个方向计算的最后还需要用cv2.addWeighted()函数将其组合起来。
Scale_abs cv2.convertScaleAbs(x)#格式转换
result cv2.addWeighted(src1,alpha,src2,beta)#图像混合示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif][SimHei]
plt.rcParams[axes.unicode_minus] False# 1读取图像
img cv.imread(./images/ma.jpg,0)# 2计算Sobel卷积结果
x cv.Sobel(img, cv.CV_16S, 1, 0)
y cv.Sobel(img, cv.CV_16S, 0, 1)# 3将数据进行转换
# convert转换 scale缩放
Scale_absX cv.convertScaleAbs(x)
Scale_absY cv.convertScaleAbs(y)# 4结果合成
result cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)# 5图像显示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img, cmapplt.cm.gray), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(result, cmapplt.cm.gray), plt.title(Sobel滤波后结果)
plt.xticks([]), plt.yticks([])
plt.show()结果显示
8.Laplacian算子
Laplacian是利用二阶导数来检测边缘。 АРI:
laplacian cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])参数
src:需要处理的图像ddepth图像的深度-1表示采用的是原图像相同的深度目标图像的深度必须大于等于原图像的深度ksize算子的大小即卷积核的大小必须为1,3,5,7。
示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif][SimHei]
plt.rcParams[axes.unicode_minus] False# 1读取图像
img cv.imread(./images/ma.jpg, 0)# 2laplacian转换
result cv.Laplacian(img, cv.CV_16S)
Scale_abs cv.convertScaleAbs(result)# 3图像展示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img, cmapplt.cm.gray), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(Scale_abs, cmapplt.cm.gray), plt.title(Laplacian检测后结果)
plt.xticks([]), plt.yticks([])
plt.show()结果显示
9.Canny边缘检测
Canny边缘检测算法是一种非常流行的边缘检测算法是John F.Canny于1986年提出的被认为是最优的边缘检测算法。 API:
canny cv2.Canny(image, threshold1, threshold2)参数
image:灰度图threshold1:minval,较小的阈值将间断的边缘连接起来threshold2:maxval,较大的阈值检测图像中明显的边缘
示例
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif][SimHei]
plt.rcParams[axes.unicode_minus] False# 1读取图像
img cv.imread(./images/ma.jpg, 0)# 2Canny边缘检测
lowThreshold 0
max_lowThreshold 100
canny cv.Canny(img, lowThreshold, max_lowThreshold)# 3图像展示
plt.figure(figsize(10, 8), dpi100)
plt.subplot(121), plt.imshow(img, cmapplt.cm.gray), plt.title(原图)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(canny, cmapplt.cm.gray), plt.title(Canny检测后结果)
plt.xticks([]), plt.yticks([])
plt.show()结果显示如下
10.模板匹配
10.1 模板匹配
模板匹配在给定的模板中查找最相似的区域 实现流程
准备两幅图像 1原图 2模板图滑动模板块和原图像进行比对对于每个像素位置。将计算结果存在矩阵中输入图像大小WH,模板图像大小(wh),则输出矩阵的大小为(W-w1,H-h1)查找最大值所在位置——最匹配的
10.2 实现
OpenCV中的方法实现模板匹配。 API:
res cv.matchTemplate(img, template,method)参数
img要进行模板匹配的图像Template模板method实现模板匹配的算法主要有 1平方差匹配(CV_TM_SQDIFF)利用模板与图像之间的平方差进行匹配最好的匹配是O匹配越差匹配的值越大。 2相关匹配CV_TM_CCORR利用模板与图像间的乘法进行匹配数值越大表示匹配程度较高越小表示匹配效果差。 3利用相关系数匹配CV_TM_CCOEFF)利用模板与图像间的相关系数匹配1表示完美的匹配-1表示最差的匹配。 完成匹配后使用cv.minMaxLoc0方法查找最大值所在的位置即可。如果使用平方差作为比较方法则最小值位置是最佳匹配位置。
10.3 示例
1原图 2模板图 3代码如下
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams[font.sans-serif][SimHei]
plt.rcParams[axes.unicode_minus] False# 1图像和模板读取
img cv.imread(images/wulin.jpg)
template cv.imread(images/wulinmoban.jpg)# 2模板匹配
# 2.1模板匹配
res cv.matchTemplate(img, template, cv.TM_CCORR)
# 2.2返回图像中最匹配的位置确定左上角的坐标并将匹配位置绘制在图像上
min_val, max_val, min_loc, max_loc cv.minMaxLoc(res)
# 使用平方差时最小值为最佳匹配位置
# top_left min_loc
top_left max_loc
h, w template.shape[:2]
bottom_right (top_left[0] w, top_left[1] h)
cv.rectangle(img, top_left, bottom_right, (0, 255, 0), 2)
# 3图像显示
plt.imshow(img[:, :, ::-1])
plt.title(匹配结果),plt.xticks([]),plt.yticks([])
plt.show()4运行结果
11.霍夫变换
11.1 霍夫线检测
11.1.1 API
cv.HoughLines(img, rho, theta, threshold)参数
img检测的图像要求是二值化的图像所以在调用霍夫变换之前首先要进行二值化或者进行Canny边缘检测rho、theta:精确度threshold:阈值只有累加器中的值高于该阈值时才被认为是直线。
11.1.2 示例:
import numpy as np
import random
import cv2 as cv
import matplotlib.pyplot as plt
#1.加载图片转为二值图
img cv.imread(images/rili.jpg)
gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges cv.Canny(gray, 50, 150)
#2.霍夫直线变换
lines cv.HoughLines(edges, 0.8, np.pi / 180, 150)
#3.将检测的线绘制在图像上注意是极坐标噢
for line in lines:rho, theta line[0]a np.cos(theta)b np.sin(theta)x0a * rhoy0b * rhox1 int(x01000*(-b))y1 int(y01000*a)x2 int(x0-1000*(-b))y2 int(y0-1000*a)cv.line(img, (x1, y1), (x2, y2), (0, 255, 0))
#4.图像显示
plt.figure(figsize(10, 8), dpi100)
plt.imshow(img[:, :, ::-1]), plt.title(霍夫变换线检测)
plt.xticks([]), plt.yticks([])
plt.show()11.2 霍夫圆检测
在OpenCV中检测图像中的圆环使用的是API是
v.HoughCircles(image, method, dp, minDist, paraml100, param2100, minRadius0,maxRadius0参数
image输入图像应输入灰度图像method:使用霍夫变换圆检测的算法它的参数是CV_HOUGH_GRADIENTdp霍夫空间的分辨率dp1时表示霍夫空间与输入图像空间的大小一致dp2时霍夫空间是输入图像空间的一半以此类推minDist为圆心之间的最小距离如果检测到的两个圆心之间距离小于该值则认为它们是同一个圆心param1边缘检测时使用Canny算子的高阈值低阈值是高阈值的一半。param2检测圆心和确定半径时所共有的阈值minRadius和maxRadius为所检测到的圆半径的最小值和最大值
返回
circles输出圆向量包括三个浮点型的元素一一圆心横坐标圆心纵坐标和圆半径
11.3 总结
1.模板匹配 原理在给定的图片中查找和模板最相似的区域 API利用cv.matchTemplate0进行模板匹配然后使用cv.minMaxLoc0搜索最匹配的位置。 2.霍夫线检测 原理将要检测的内容转换到霍夫空间中利用累加器统计最优解将检测结果表示处理 API: cv2.HoughLines 注意该方法输入是的二值化图像在进行检测前要将图像进行二值化处理 3.霍夫圆检测 方法霍夫梯度法
12.视频读写
12.1 从文件中读取视频并播放 在OpenCV中我们要获取一个视频需要创建一个VideoCapture对象指定你要读取的视频文件
12.1.1 创建读取视频的对象
cap cv.VideoCapture(filepath)参数
filepath:视频文件路径
12.1.2 视频的属性信息
1获取视频的某些属性
retval cap.get(propId)参数
propld从0到18的数字每个数字表示视频的属性 常用属性有
flags意义cv2.CAP_PROP_POS_MSEC视频文件的当前位置mscv2.CAP_PROP_POS_FRAMES从0开始索引帧帧位置cv2.CAP_PROP_POS_AVI_RATIO视频文件的相对位置0表示开始1表示结束cv2.CAP_PROP_FRAME_WIDTH视频流的帧宽度cv2.CAP_PROP_FRAME_HEIGHT视频流的帧高度cv2.CAP_PROP_FPS帧率cv2.CAP_PROP_FOURCC编解码器四字符代码cv2.CAP_PROP_FRAME_COUNT视频文件的帧
2修改视频的属性信息
cap.set(propId, value)参数
proid:属性的索引与上面的表格相对应。value:修改后的属性值
3判断图像是否读取成功
isornot cap.isOpened()若读取成功则返回true,否则返回False
4获取视频的一帧图像
ret, frame cap.read()参数
ret:若获取成功返回True,获取失败返回FalseFrame获取到的某一帧的图像 调用cv.imshow0显示图像在显示图像时使用cv.waitkey0设置适当的持续时间如果太低视频会播放的非常快如果太高就会播放的非常慢通常情况下我们设置25ms就可以了。 最后调用cap.realease0将视频释放掉。
示例
import numpy as np
import cv2 as cv
#1.获取视频对象
cap cv.VideoCapture(路径)
#2.判断是否读取成功
while(cap.isOpened()):
#3.获取每一帧图像ret, frame cap.read()
#4.获取成功显示图像if ret True:cv.imshow(frame,frame)
#5.每一帧间隔为25msif cv.waitKey(25) 0xFF ord(q):break
#6.释放视频对象
cap.release()
cv.destoryAllwindows()12.2 保存视频 在OpenCV中我们保存视频使用的是VedioWriter对象在其中指定输出文件的名称如下所示
创建视频写入的对象
out cv2.VideoWriter(filename,fourcc, fps, frameSize)参数
filename视频保存的位置fourcc指定视频编解码器的4字节代码fps帧率frameSize:帧大小设置视频的编解码器如下所示
retval cv2.Videowriter_fourcc( c1, c2, c3, c4 )参数 c1,c2,c3,c4是视频编解码器的4字节代码。 常用的有 在Windows中DIVX(.avi) 在OS中MJPG(.mp4)DIVX(.avi)X264(.mkv)。 利用cap.read0获取视频中的每一帧图像并使用out.write(将某一帧图像写入视频中。 使用cap.release0和out.release(释放资源。 示例
import cv2 as cv
import numpy as np
#1.读取视频
cap cv.VideoCapture(路径)
#2.获取图像的属性宽和高并将其转换为整数
frame_width int(cap.get(3))
frame_height int(cap.get(4))
#3.创建保存视频的对象设置编码格式帧率图像的宽高等
out cv.Videowriter(outpy.avi,cv.Videowriter_fourcc(M,J,P,G), 10,(frame_width,frame_height))
while(True):#4.获取视频中的每一帧图像ret, frame cap.read()if ret True:#5.将每一帧图像写入到输出文件中out.write(frame)else:break
#6.释放资源
cap.release()
out.release()
cv.destroyAllWindows()13.字符画效果
13.1 代码
from PIL import Image
ascii_char list($%_WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\|()1{}[]?-/i!;:,\^.)
def get_char(r, b, g, alpha256):if alpha 0:return gray int(0.2126 * r 0.7152 * g 0.0722 * b)unit 256 / len(ascii_char)return ascii_char[int(gray//unit)]
def main():im Image.open(A.jpg)WIDTH, HEIGHT 100, 60im im.resize((WIDTH, HEIGHT))txt for i in range(HEIGHT):for j in range(WIDTH):txt get_char(*im.getpixel((j, i)))txt \nfo open(A.txt,w)fo.write(txt)fo.close()
main()13.2 原图 13.3 字符画效果 三、总结与展望
学习OpenCV编程语言对于计算机视觉领域的开发人员来说非常重要。通过掌握OpenCV的基础知识、函数和控制流程、面向对象编程等技术可以更好地应用于图像处理、人脸识别、目标检测、机器视觉等领域。未来随着计算机视觉技术的不断发展OpenCV将会发挥更加重要的作用。
