B站的基于python的Opencv项目实战+源代码+文档说明

# 基于python的Opencv项目实战 相关代码(我都运行过！) 链接：https://pan.baidu.com/s/10p3qrBcMkjXscTAw3Xpm1g 提取码：KKKK 听说失效了：再来一个： 链接: https://pan.baidu.com/s/1wi9MrBvAhGxyAj1i0NAukQ 提取码: tj2h 复制这段内容后打开百度网盘手机App，操作更方便哦 * 环境配置：（代码里也有） * python 3.6 * opencv-contrib-python=3.4.1.15 * opencv-python=3.4.1.15 ## 1.图像基本操作 ### 1.1 图像构成 * 一般分为有颜色图像和无颜色图像 * 像素点在[0,255]之间，值越小越黑，反之亦然 * 彩色图像：有颜色通道，一般读取的图像即为(h,w,c) * 如RGB，BGR：(xx,xx,xx) * 灰度图像:即无通道，一般读取的图像即为(h,w) ### 1.2 数据读取-图像 import cv2 opencv读取的彩色图片的颜色通道格式是BGR 所以如果要用其他函数展示opencv读取的图片，最好要转变成相同的格式，如RGB，BGR等 * img = cv2.imread(filepath,cv2.IMREAD_COLOR) * cv2.IMREAD_COLOR：彩色图像 * cv2.IMREAD_GRAYSCALE：灰度图像 * 一般显示图片 ''' def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows() ''' ### 1.3 数据读取-视频 * cv2.VideoCapture可以捕获摄像头，用数字来控制不同的设备，例如0,1。 * 如果是视频文件，直接指定好路径即可。 * 具体代码看文件！ ### 1.4 截取部分图像数据 也即处理nparray数据，对应位置切片即可 * cat=img[0:50,0:200] ### 1.5 颜色通道提取 * b,g,r=cv2.split(img) or * b1,g1,r1=img[:,:,0],img[:,:,1],img[:,:,2] ### 1.6 边界填充 * cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType) * borderType: - BORDER_REPLICATE：复制法，也就是复制最边缘像素。 - BORDER_REFLECT：反射法，对感兴趣的图像中的像素在两边进行复制例如：fedcba|abcdefgh|hgfedcb - BORDER_REFLECT_101：反射法，也就是以最边缘像素为轴，对称，gfedcb|abcdefgh|gfedcba - BORDER_WRAP：外包装法cdefgh|abcdefgh|abcdefg - BORDER_CONSTANT：常量法，常数值填充。 ### 1.7 数值计算 ''' 相当于% 256 防止超过255，则进行mod运算，防止溢出 (img_cat + img_cat2)[:5,:,0] ''' '''' 防止超过255，则进行取上界运算，防止溢出 cv2.add(img_cat,img_cat2)[:5,:,0] ''' ### 1.8 图像融合 要相同大小的图片才可以进行 * img_dog = cv2.resize(img_dog, (500, 414)) ‘’‘ R = a*x1+b*x2+b 融合的方式：有权重有偏置 res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0) 重新改变大小，进行比值计算 x4倍，y4倍扩大 res = cv2.resize(img, (0, 0), fx=4, fy=4) plt.imshow(res) ’‘’ ## 2.图像处理 ### 2.1 图像阈值 #### ret, dst = cv2.threshold(src, thresh, maxval, type) - src： 输入图，只能输入单通道图像，通常来说为灰度图 - dst： 输出图 - ret: 返回阈值 - thresh： 阈值 - maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值 - type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV - cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0 - cv2.THRESH_BINARY_INV THRESH_BINARY的反转 - cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变 - cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0 - cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转 eg: * ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) ### 2.2图像平滑 类似卷积操作 * 均值滤波=简单的平均卷积操作 * blur = cv2.blur(img, (3, 3)) * 方框滤波=基本和均值一样，可以选择归一化，只是多了一个参数 * -1：表示处理后的颜色通道数是一致的 * box = cv2.boxFilter(img,-1,(3,3), normalize=True) * box = cv2.boxFilter(img,-1,(3,3), normalize=False) * 不选择归一化，则像素点可以超过255 * 高斯滤波=高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的 * 离中心点越接近的值是其可能性越大，充分考虑到不同像素点对中心点的影响 * aussian = cv2.GaussianBlur(img, (5, 5), 1) * 中值滤波=相当于用中值代替 * median = cv2.medianBlur(img, 5) # 中值滤波 * 展示所有的图片，使用np的堆叠功能 * 水平堆叠：hsres = np.hstack((blur,aussian,median)) * 垂直堆叠：vsres = np.vstack((blur,aussian,median)) ### 2.3形态学 字面意思理解即可，实在不行运行代码看效果！ #### 2.3.1 腐蚀操作 * kernel = np.ones((3,3),np.uint8) * erosion = cv2.erode(img,kernel,iterations = 1) #### 2.3.2 膨胀操作 * kernel = np.ones((3,3),np.uint8) * dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 5) #### 2.3.3 开运算与闭运算 * 开运算：先腐蚀，再膨胀 * kernel = np.ones((5,5),np.uint8) * opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) * 闭运算：先膨胀，再腐蚀 * kernel = np.ones((5,5),np.uint8) * closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) #### 2.3.4 梯度运算 梯度=膨胀-腐蚀，也就相当于找图片不同像素点之间的差异大小，类似求导的感觉，所以叫梯度 * gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) #### 2.3.5 礼帽与黑帽 - 礼帽 = 原始输入-开运算结果 = 原始输入-(先腐蚀，再膨胀) - tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) - 黑帽 = 闭运算-原始输入 = (先膨胀，再腐蚀)-原始输入 - blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel) ### 2.4 图像梯度 * Sobel算子：计算像素点之间的差异大小，一般有从x方向和y方向 * dst = cv2.Sobel(src, ddepth, dx, dy, ksize) - ddepth:图像的深度，一般为-1 - dx和dy分别表示水平和竖直方向，判断是计算x方向还是y方向，通过指定0or1 - ksize是Sobel算子的大小 * sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) * sobelxy = cv2.convertScaleAbs(sobelxy) * 分别计算x和y，再求和，效果更好 * cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) 效果不太行 * Scharr算子：类似Sobel算子，只是数值略有不同 * scharrx = cv2.Scharr(img,cv2.CV_64F,1,0) * scharrx = cv2.convertScaleAbs(scharrx) * Laplacian算子：考虑到二阶导，但对噪音点敏感 * laplacian = cv2.Laplacian(img,cv2.CV_64F) * laplacian = cv2.convertScaleAbs(la placian) ### 2.5 Canny边缘检测 - 1) 使用高斯滤波器，以平滑图像，滤除噪声。 - 2) 计算图像中每个像素点的梯度强度和方向。 - 3) 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应(如人脸检测的框的确定)。 - 4) 应用双阈值（Double-Threshold=minval,maxval）检测来确定真实的和潜在的边缘。 - 5) 通过抑制孤立的弱边缘最终完成边缘检测。 - v1=cv2.Canny(img,minval,maxval) ### 2.6 图像金字塔 也即对图像进行提取特征的操作，放大或者缩小图像 * 高斯金字塔 * 向下采样方法(缩小):图像与高斯核卷积，再去除所有偶数行与列 * 向上采样方法(放大):图像在每个方向扩大用来的两倍(右，下，右下)，用0填充，再使用高斯核卷积卷积 * up=cv2.pyrUp(img) * down=cv2.pyrDown(img) * 拉普拉斯金字塔 * L = G-pyrUp(pyrdown(G)) * down=cv2.pyrDown(img) * down_up=cv2.pyrUp(down) * l_1=img-down_up ### 2.7 图像轮廓 #### 2.7.1 提取轮廓 * cv2.findContours(img,mode,method) * mode:轮廓检索模式 - RETR_EXTERNAL ：只检索最外面的轮廓； - RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中； - RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界; - RETR_TREE：检索所