分享一個關于Opencv的小總結

import cv2   #opencv讀取的格式是BGR

import numpy as np

一、#讀入檔案
img=cv2.imread('cat.jpg') #’’引號內是圖片所在盤的地址+名字，如：D:/1.jpg

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #轉換成灰度圖

二、#得到圖片的資訊  高，寬，通道數
img_gray.shape

三、#圖片顯示
cv2.imshow('image',img)

cv2.imshow("img_gray", img_gray) #顯示視窗設定，"img_gray"視窗名字，img_gray需要顯示的檔案

四、關閉視窗
cv2.waitKey(0)     #引數為0：按鍵關閉視窗，引數為>0的為顯示0ms

五、#創建Windows
視窗cv2.destroyAllWindows()

六、#圖片保存
cv2.imwrite('mycat.png',img) #引數1：保存地址，引數2：需要保存的檔案名

七、打開視頻
vc = cv2.VideoCapture('test.mp4') #一個引數，如果是地址，則打開視頻，如果引數為0，則是打開攝像頭

八、  vc = cv2.VideoCapture('test.mp4')
if vc.isOpened(): # 檢查是否打開正確

    oepn, frame = vc.read() #回傳兩個引數，open打開的狀態，frame打開后的檔案

else:

open = False

while open:

    ret, frame = vc.read()

    if frame is None:

        break

    if ret == True:

        gray = cv2.cvtColor(frame,  cv2.COLOR_BGR2GRAY)

        cv2.imshow('result', gray)

        if cv2.waitKey(100) & 0xFF == 27:

            break

vc.release()

cv2.destroyAllWindows()

九、#圖片切片，相當于裁剪

cat=img[0:50,0:200]

十、邊界填充
top_size,bottom_size,left_size,right_size = (50,50,50,50)     #定義引數值（上下左右的填充尺寸）

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE) #填充函式

填充模式：1、cv2.BORDER_REPLICATE  ：復制法，復制最邊緣的像素

2、cv2.BORDER_REFLECT ：反射法，abcd | dcba

3、cv2.BORDER_REFLECT_101 ：反射法 abcd | cba

4、cv2.BORDER_WRAP  ：外包裝法 abcd |abcd

5、cv2.BORDER_CONSTANT, value=https://www.cnblogs.com/myy-0/p/0 常量法，value = https://www.cnblogs.com/myy-0/p/0 (黑)  =1(白)  =2 (紅)

十一、img_cat2= img_cat +10 #讀取到的圖片是一組像素陣列，可以進行 加減法操作

img_cat2= img_cat +img_cat #同維陣列可以進行相加

十二、res = cv2.resize(img, (0, 0), fx=4, fy=4) #改變照片的像素大小， （0,0）固定值，Fx x軸放大倍數

img_dog = cv2.resize(img_dog, (500, 414)) #(value1 , value2)  想要改到的像素大小

十三、res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)  #圖片融合， 0.4指cat的權重，0.6是dog的權重，0指偏移量

十四、影像閾值處理（全域）

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)   

img_gray：輸入的圖片，需要是灰度圖

thresh1 ：輸出的圖片

Thresh = 127   閾值，既比較值，通常取127

Maxval = 255，

模式：  1、cv2.THRESH_BINARY， 大于Thresh ，取maxval，反之取 0

2、cv2.THRESH_BINARY_INV， 與1相反

3、cv2.THRESH_TRUNC 大于Thresh ，取maxval，反之不變

4、cv2.THRESH_TOZERO 大于Thresh ，不變，反之取0

5、cv2.THRESH_TOZERO_INV 與4相反
區域： dst = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)

超大影像二值化： 利用FOR回圈進行分塊全域（區域）二值化

cw=256,； ch=256; h,w=image.shape[:2]; gary=cv.cvtColor(image,cv.COLOR_BGR2GRAY);

for row in range(0,h,ch): for col in range(0,w,cw): roi = gray[row:row+ch, col:col+cw]

dst = cv.ada... gray[row:row+ch, col:col+cw] = dst

十五、影像平滑處理

1、均值濾波，簡單的平均卷積操作

blur = cv2.blur(img, (3, 3)) img 源檔案，（3,3）指3*3的單位矩陣，常用奇數來進行平滑處理

2、方框濾波，

box = cv2.boxFilter(img,-1,(3,3), normalize=True)   -1 指原通道不變， (3,3)同上，

normalize=True  是否進行歸一化處理，True  效果好

3、高斯濾波

aussian = cv2.GaussianBlur(img, (5, 5), 1)  

4、中值濾波

median = cv2.medianBlur(img, 5) 5 指 5*5矩陣

十六、矩陣拼接，（影像的拼接）

res = np.hstack((blur,aussian,median)) 括號內指的是所需要拼接的圖片

hstack   橫向拼接   vstack    縱向拼接

十七、腐蝕操作

kernel = np.ones((3,3),np.uint8) #稱為 ‘核’，用3*3的矩陣去腐蝕，矩陣數可變

erosion = cv2.erode(img,kernel,iterations = 1) #iterations 迭代次數，既腐蝕的次數

十八、膨脹操作

dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)

十九、開運算與閉運算（可以去噪聲）
先腐蝕后膨脹 稱為開運算，通過調節矩陣的大小，可以提取影像中的橫、豎線段，洗掉曉得干擾，

先膨脹后腐蝕 稱為閉運算

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.MORPH_OPEN  指開運算模式， cv2.MORPH_CLOSE  指閉運算

二十、梯度操作 （膨脹 - 腐蝕）
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

二十一、禮帽：原始資料 - 開運算

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽：閉運算 - 原始資料

blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)

二十二、計算影像梯度

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

dx = 1  dy=0  指計算x軸方向

dx = 0  dy=1  指計算y軸方向 不建議x = 1  dy=1  指計算x，y軸方向

Ksize 指Sobel 算子的大小 ，通常取3、5、7

sobelx = cv2.convertScaleAbs(sobelx) #求絕對值

分別求出x  ,y軸的梯度，并且得到絕對值，然后再兩個梯度結合在一起

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) # 0.5指的是權重

二十三、其他算子
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0) #scharr  算子，用法同 sobel

laplacian = cv2.Laplacian(img,cv2.CV_64F)

laplacian = cv2.convertScaleAbs(laplacian) #laplacian  拉普拉斯算子有別于前兩種

二十四、Canny  邊緣檢測

1、使用高斯濾波器，平滑影像，除燥

2、計算像素點的梯度強度和方向

3、應用非極大值抑制，消除邊緣檢測帶來的雜散回應

4、應用雙閾值檢測來確定真實的邊緣 推薦高低閾值比 T2/T1 =3:1 or2:1

5、通過抑制孤立的弱邊緣，來最終完成邊緣檢測

v1=cv2.Canny(img,80,150)

gaussian = cv.GaussianBlur(image, (3,3), 0)

    gray = cv.cvtColor(gaussian, cv.COLOR_BGR2GRAY)

    xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)

    ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

    edge_output = cv.Canny(xgrad, ygrad, 80, 150)

    cv.imshow('edge', edge_output)

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

    output = cv.Canny(gray, 80, 150)

二十五、影像金字塔

1、高斯金字塔

up=cv2.pyrUp(img) 向上采樣法，放大

down=cv2.pyrDown(img) 向下采樣法，縮小

2、拉普拉斯金字塔

原始資料  減去  （原始資料先DOWN   再 UP）

二十六、影像輪廓

binary, contours, hierarchy = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

binary ：得到的二值影像， contours ：輪廓資訊，  hierarchy ：層級

Image  :  灰度圖

Mode：輪廓檢索模式

1、RETR_EXTERNL    :只檢測最邊緣的輪廓

2、RETR_LIST ：檢測所有，并保存在一條

3、RETR_CCOMP ：檢測所有，并將他們組織兩層，頂層是各部分的外部邊界，第二層是空洞的邊界

4、RETR_TREE ：檢測所有的，并重構嵌套輪廓的整個層次，常用

Method ： 輪庫逼近方法

cv2.CHAIN_APPROX_NONE   : 以Freemen鏈碼方式輸出輪廓，所有其他方法輸出多邊形

cv2.CHAIN_APPROX_SIMPLE ：壓縮水平的，垂直的，斜的部分，函式只保留他們的終點部分

#傳入繪制影像，輪廓，輪廓索引，顏色模式，線條厚度# 注意需要copy,要不原圖會變，，，

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 灰度化

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) 二值化

binary, contours, hierarchy = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

draw_img = img.copy()

res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)

draw_img  復制原圖，    contours：得到的輪廓，  -1：所有的輪廓全部畫出，

（0,0,255）用紅色畫出， 2 指線寬

二十七、輪廓資訊

cnt = contours[0]

cv2.contourArea(cnt) #面積

cv2.arcLength(cnt,True) #周長，True表示閉合的

幾何中心 mm = cv.moments(cnt)

cx = mm[‘m10’] / mm[‘m00’]

cy = mm[‘m01’] / mm[‘m00’]

cv.circle(image, (np.int(cx)), np.int(cy), 3, (0, 255, 255), -1)

二十八、邊界矩形

cnt = contours[0]

x,y,w,h = cv2.boundingRect(cnt)

img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

二十九、模板匹配

res = cv2.matchTemplate(img,template,1)

Img：原始圖， template：模板圖，既裁剪圖，  

Mode:

1. TM_SQDIFF 計算出的值越小越好
2. TM_CCORR 計算出的值越大越好
3. TM_CCOEFF 越大越好
4. TM_SQDIFF_NORMED 接近0好
5. TM_CCORR_NORMED 接近1好
6. TM_CCOEF_NORMED 接近1好

image = cv.imread('D:/3.jpg') #得到原資料

ima_template = image.copy()[200:300, 200:300] #得到模板資料

th, tw = ima_template.shape[:2] #得到模板的長、寬

res = cv.matchTemplate(image, ima_template, cv.TM_CCORR_NORMED) #進行模板匹配，回傳資料RES

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res) #根據模式不同而選擇不同的引數

t1 = max_loc #引數實體化

br = (t1[0] + tw, t1[1] + th) #得到矩形另一個對角

cv.rectangle(image, t1, br,(0, 0, 255), 2) #在原影像中畫出模板

cv.imshow('1', image) #顯示

三十、影像直方圖

img = cv2.imread('D:/3.jpg', 0) 第一個引數是檔案路徑，第二個引數為0指灰度圖，不使用第二個引數時指彩圖

hist = cv2.calcHist([img],[0],None,[256],[0,256])

 Img：原影像，格式為uint-8,或者float32，用[]括起來

 channels 如果傳入的是灰度圖，用[0]. 彩圖可以用[0][1][2]他們分別對應著BGR

 Mask 掩模影像，直方圖就把它為None，

 histSize ：Bin數目， ranges：像素范圍常數范圍 常為[0,256]

color = ('blue', 'green', 'red')

    for i, color in enumerate(color):

        hist = cv.calcHist([image], [i], None, [256], [0, 256])

        plt.plot(hist, color=color)

        plt.xlim([0, 256])

    plt.show()

直方圖反向投影：（HSV與RGB色彩空間）

    hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

    hist = cv.calcHist([hsv], [0,1], None, [180, 256], [0, 180, 0, 256])

三十一、創建Mask

mask = np.zeros(img.shape[:2], np.uint8)

mask[100:300, 100:400] = 255

masked_img = cv2.bitwise_and(img, img, mask=mask)  #與操作

三十二、將圖片通過直方圖的形式展現出來

equ = cv2.equalizeHist(img) #圖片均衡化操作

plt.hist(equ .ravel(),256) #通過直方圖展現

Plt.show()

三十三、自適應直方圖均衡化（分別進行區域均衡化）

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) #創建自適應均衡化方式

res_clahe = clahe.apply(img) #自適應均衡化

三十四、傅里葉變換

高頻：變化劇烈的灰度分量，例如邊界 低通濾波：只保留低頻，會使影像模糊

低頻：變化緩慢的灰度分量 高通濾波：只保留高頻，會使影像細節增強

Opencv中主要就是cv2.dft() 和cv2.idft() ,輸入影像需要先轉化成np.float32格式

得到的結果中頻率為0的部分會在左上角，通常要轉換到中心位置，可以通過shift變換來實作，

Cv2.dft()回傳的結果是雙通道的（實部和虛部），通常還需要轉換成影像格式才能展示（0,255）

三十五、影像特征-harris角點檢測

cv2.cornerHarris(img, blockSize, Ksize, k)

Img：資料型別為float32的影像   (先轉換為灰度圖，再轉成32位)

blockSize：角點檢測中指定區域的大小， 使用2  指2*2矩陣

Ksize：Sobel求導中使用的視窗大小  默認 3

K ：取值引數為[0.04 ,0.06] 默認值0.04

三十六、SIFT函式

sift = cv2.xfeatures2d.SIFT_create() 實體化SIFT

kp = sift.detect(image,None) image  灰度圖

Img = cv2.drawWeypoints(image,kp,img)

Kp,des=sift.compute(image,kp) 計算特征

Print(np.array(kp).shape)

三十七、背景建模

1、幀差法：由于場景中的目標在運動，目標的影響在不同影像幀中的位置不同，該類演算法對時間上連續的兩幀影像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定的閾值時，即可判斷為目標運動，從而實作目標檢測，

2、混合高斯模型：在進行前景檢測前，先對背景進行訓練，對影像中每個背景采用一個混合高斯模型進行模擬，每個背景的混合高斯的個數可以自適應，然后再檢測階段，對新的像素進行GMM匹配，如果該像素能夠匹配其中一個高斯，則認為是背景，否則認為是前景，由于整個程序GMM 模型再不斷更新學習中，所以對動態背景有一定的魯棒性，

三十八、光流估計

光流是空間運動物體在觀測成像平面上的像素運動是瞬時速度，根據各個像素點的速度矢量特征，可以對影像進行動態分析（目標跟蹤），

函式：cv2.calcOpticalFlowPyrLK()

引數：precImage 前一幀影像 nextImage 當前幀影像

prevPts 待跟蹤的特征點向量 winSize 搜索視窗的大小

maxLevel 最大的金字塔層數

回傳：nextPts 輸出跟蹤特征點向量 status 特征點是否找到，找到狀態為1，未找到狀態為0

三十九、創建一個照片

Img = np.zeros([400,400,3],np.uint8) 大小是400*400，3通道，8位

或者 img = np.ones([400, 400, 1], np.uint8)

Img[：，：，0] = np.ones([400,400])*127 改變創建圖片的顏色

img.fill(100) 為每一個像素點賦值 100

四十、查看程式運行的時間

1、t1 = cv2.getTickCount() 2、t2 = cv2.getTickCount()

3、time = (t2 - t1) / cv2.getTickFrequency() 4、print('time:%s ms'%(time / 100))

四十一、像素取反

ima = cv2.bitwise_not(image)

四十二、色彩轉換

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 灰度圖

hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) HSV

yuv = cv2.cvtColor(image, cv2.COLOR_BGR2YUV) YUV

ycrb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb) YCRB

四十三、色彩分離

hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) #在HSV格式下

Low_hsv = np.array([37,43,46])

Upper_hsv = np.array([77,255,2555]) #創建兩個引數，在函式中進行篩選作用

Mask = cv2.inRange(hsv, Low_hsv, Upper_hsv)

四十四、算術運算

ima3 = cv.add(ima1,ima2) ima4 = cv.subtract(ima1,ima2)

ima5 = cv.divide(ima1, ima2) ima6 = cv.multiply(ima1, ima2)

邏輯運算：

cv.bitwise_and() cv.bitwise_or()

cv.bitwise_not() cv.bitwise_xor()

四十五、自定義模糊處理

kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) #銳化算子

kernel = np.ones((5, 5), np.float32)/25 #自定義模糊算子

dst = cv.filter2D(image, -1, kernel=kernel)

四十六、EPF  (可用于美顏)

高斯雙邊保留 dst = cv.bilateralFilter(image, 0, 100, 15) 顏色邊界選大一些的100， 空間邊界選小的 15

均值遷移 dst = cv.pyrMeanShiftFiltering(image, 10, 50)

四十七、分水嶺演算法

輸入影像---> 灰度變換（除燥）---> 二值化---> 距離變換---> 尋找種子---> 生成MASK--->

---> 分水嶺變換---> 輸出影像

距離變換  dist = cv.distanceTransform(mb, cv.DIST_L2, 3)

Mb：需要距離變換的影像，cv.DIST_L2 變換模式， 3：掩模，卷積核

dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)

四十八、人臉檢測

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) #傳入灰度圖

#人臉檢測包

face_detector = cv.CascadeClassifier('G:/python/Anaconda3/Library/etc/haarcascades/haarcascade_frontalface_alt_tree.xml')

faces = face_detector.detectMultiScale(gray, 1.02, 3)

{ gray待檢測影像， 1.02：影像放大倍數 3：當3次監測到屬于人臉，則確定是人臉}

for x, y, w, h in faces: #通過FOR回圈，畫出人臉

cv.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)

{image：畫在原影像中 （x , y）：起點， (x + w, y + h)：終點  (0, 0, 255)：顏色 2：線寬}

cv.imshow('face', image)

四十九、數字驗證碼識別

from PIL import Image

import pytesseract as tess

    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

    ret, thresh1 = cv.threshold(gray, 140, 255, cv.THRESH_BINARY_INV)

    kernel = np.ones((1, 2), np.uint8)

    open = cv.morphologyEx(thresh1, cv.MORPH_OPEN, kernel, iterations=1)

    cv.bitwise_not(open, open) #取反

    text_Image = Image.fromarray(open)              #變成text影像

    text = tess.image_to_string(text_Image) #轉換成數字

    print('驗證碼為:{}'.format(text))

基于Haad + Adaboost 人臉識別

什么是特征：特征=像素經過運算得到的結果，可以是具體的值，向量，多維向量

1、Haar特征：

特征=白色-黑色

特征=整個區域*權重1+黑色-*權重2 權重1=1，權重2=-2

特征=（p1-p2-p3+p4）*w

2、SVM支持向量機

本質是尋求一個最優的超平面進行分類

3、KNN演算法（K-近鄰演算法）：
作業原理：給定一個已知的標簽類別的訓練資料集，輸入沒有標簽的新資料后，在訓練集中找到與新資料最鄰近的K個實體，如果這K個實體的多數屬于某個類別，那么新資料就屬于這個類別，

1、構建資料 構建一個字典型別的資料
2、計算已知資料型別中的資料點與當前資料之間的距離

movie_data_1_2 = movie_data.iloc[:6, 0:2] 選取字典中的0:6行，0:2列的資料

列求和 ：.sum(0) 行求和 ：.sum(1) 當有多個因素決定距離時，需要求得綜合的距離

3、#確定前K個資料的類別出現的頻率

re = dr.loc[:, 'label'].value_counts()

4、資料歸一化，
有多個特征進行參考時，且每一個特征是同樣重要，所以要進行歸一化處理，使得多個特征的權重相同

方法：0-1標準化， Z-score標準化 Sigmoid壓縮法
0-1標準化
data = https://www.cnblogs.com/myy-0/p/pd.concat([data_minmax, data_test.iloc[:, 3]], axis=1)
concat():將兩組元素合成一組，兩組元素需要放進一個[]中，
結合方式由axis=決定，axis = 1,列結合，行數不變，axis=0,行結合，列數不變
test.index = range(test.shape[0])   #重置測驗集的編號

標籤：其他

上一篇：點集配準技術（ICP、RPM、KC、CPD）

下一篇：GLSL 參考GIMP原始碼實作色彩平衡調節