淺談Opencv（下）

Opencv（下）

圖像閾值化處理

[0,255]

<=127的轉化爲0 >=127轉化爲1

ret,dst = cv2.threshold（src,thresh,maxval，type）

src：源圖像（需要閾值化處理的圖像）

maxval：當像素超過了閾值，（小於閾值）所賦予的值，否則取0

ret：閾值返回值（閾值設定的是多少）

dst：輸出的圖像

type: (1) cv2.THRESH_BINARY：當像素點大於閾值時，取指定的255，小於等於閾值時，取0

（2）cv2.THRESH_BINARY_INV：當像素點大於閾值時，取指定的0，小於等於閾值時，取255

注意事項：當閾值處理彩色圖像時，出現粉色等顏色的原因在於BGR三通道的疊加

（3）cv2.THRESH_TRUNC：超過閾值則取閾值，低於閾值，則取自身

（4）cv2.THRESH_TOZERO：超過閾值不變，低於閾值取0

（5）cv2.THRESH_TOZERO_INV:超過閾值變爲0，低於閾值不變

import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
ret,img1 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
cv2.imshow('img',img1)
cv2.waitKey(0)

均值濾波

cv2.blur（src，k）

src：源圖像

kernel：大小（選擇多大的矩陣進行移動） 【3*3】最常見

import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.blur(img,(3,3))
cv2.imshow('img',new_img)
cv2.waitKey(0)

方框濾波

cv2.boxFilter（src，depth）

src：源圖像

depth：圖像的深度，填-1，表示與源圖像深度相同。

ksize：核大小（3*3）or（5 * 5）

normalize：是否進行歸一化

0：false （求和，像素點溢出，取255）

1： True （求均值，與均值濾波相同）

import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.boxFilter(img,-1,(2,2))
cv2.imshow('img',new_img)
cv2.waitKey(0)

高斯濾波

考慮了權重的問題

cv2.GaussianBlur（src，ksize）

src：源圖像

ksize：（3*3） （5 *5） 在高斯濾波中必須爲奇數

sigmaX，sigmaY：高斯核函數在X或Y方向上的標準偏差【控制權重】

sigmaX = 0, sigmaX = 0.3*（（ksize-1） *0.5-1）+0.8

import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.GaussianBlur(img,(5,5),0)
cv2.imshow('img',new_img)
cv2.waitKey(0)

中值濾波

cv2.medianBlur（src，ksize）

src：源圖像

ksize：核大小 只能傳遞Int

import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.medianBlur(img,3)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的腐蝕

1、形態學轉化主要針對於二值圖像（黑白圖像（非0即1））

2、卷積核

cv2.erode（src，kernel，iterations）

src：源圖像

kernel：卷積核 （3*3）

iterations：迭代次數

import cv2
import numpy as np
path = r'./2.png'
img = cv2.imread(path,1)
kernal = np.ones((3,3),np.uint8)
new_img = cv2.erode(img,kernal,iterations=5)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的膨脹

圖像腐蝕的逆操作

cv2.dilate（src，kernel，iterations）

src：源圖像

kernel：卷積核 （3*3）

iterations：迭代次數

import cv2
import numpy as np
path = r'./3.png'
img = cv2.imread(path,1)
kernal = np.ones((3,3),np.uint8)
new_img = cv2.dilate(img,kernal,iterations=5)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的開運算

腐蝕：去除圖片的噪聲

膨脹：恢復原來的圖片（沒有噪聲的）

開運算：腐蝕–》膨脹

cv2.morphologyEx（src，cv2.MORPH_OPEN，ksize）

src：源圖像

cv2.MORPH_OPEN：開運算（先腐蝕後膨脹）

ksize：卷積核的大小（表示腐蝕及膨脹的大小）

import cv2
import numpy as np
path = r'./2.png'
img = cv2.imread(path,1)
kernal = np.ones((7,7),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的閉運算

閉運算：就是先膨脹->再腐蝕

實質：還是爲了去除噪聲

cv2.morphologyEx（src，cv2.MORPH_CLOSE，ksize）

src：源圖像

cv2.MORPH_OPEN：開運算（先腐蝕後膨脹）

ksize：卷積核的大小（表示腐蝕及膨脹的大小）

import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((7,7),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的梯度

目的：主要爲了提取目標圖像的輪廓

cv2.morphologyEx（src，cv2.MORPH_GRADIENT，k)

src：源圖像

cv2.MORPH_GRADIENT:進行梯度運算（膨脹-腐蝕）

k：卷積核

import cv2
import numpy as np
path = r'./1.png'
img = cv2.imread(path,1)
# #膨脹操作
kernal = np.ones((3,3),np.uint8)
# img1 = cv2.dilate(img,kernal,iterations=5)
# #腐蝕操作
# img2 = cv2.erode(img,kernal,iterations=5)
# new_img = img1 - img2
new_img = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的禮帽操作

目的：爲了提取圖像中的噪聲

本質：原始圖像 - 開運算之後的圖像

cv2.morphologyEx（src，cv2.MORPH_TOPHAT，k)

src：源圖像

cv2.MORPH_TOPHAT:進行禮帽操作

k：卷積核

import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((5,5),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)

圖像的黑帽操作

目的：爲了提取圖像中的噪聲

本質：閉運算 - 原始圖像

cv2.morphologyEx（src，cv2.MORPH_BLACKHAT，k)

src：源圖像

cv2.MORPH_BLACKHAT:進行黑帽操作

k：卷積核

import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((5,5),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)