OpenCV3入門教程（一）基礎(chǔ)知識

行走在理想邊緣 2019-05-12

展開全文

------韋訪 20181011

1、概述

想學(xué)習(xí)圖像處理，不管是機(jī)器學(xué)習(xí)也好，深度學(xué)習(xí)也好，不會點OpenCV好像有點說不過去吧？所以，現(xiàn)在開始OpenCV的學(xué)習(xí)。

2、讀寫圖片

先從圖片的讀寫開始，opencv讀取圖片的函數(shù)是imread，默認(rèn)情況下，imread函數(shù)返回BGR格式的圖像，可以用imwrite函數(shù)將數(shù)據(jù)寫到本地。下面的代碼會將JPG圖片轉(zhuǎn)成PNG。

import cv2
image = cv2.imread('dog.jpeg')
cv2.imwrite('dog.png', image)

運行結(jié)果：

如果想將圖片通過OpenCV的窗口顯示，則調(diào)用imshow函數(shù)，注意在代碼末尾加上waitkey函數(shù)，否則窗口就直接關(guān)閉了，不知道的還以為imshow函數(shù)沒起作用。代碼如下，

import cv2
image = cv2.imread('dog.jpeg')
cv2.imwrite('dog.png', image)
cv2.imshow('dog', image)
cv2.waitKey(0)

運行結(jié)果：

上面提到，imread默認(rèn)返回的是BGR圖片，我們也可以通過設(shè)置參數(shù)，讓其返回一個灰度圖片，代碼如下，

import cv2
image = cv2.imread('dog.jpeg', flags=cv2.IMREAD_GRAYSCALE)
cv2.imshow('dog', image)
cv2.waitKey(0)

運行結(jié)果：

3、高通濾波器

高通濾波器（HPF）是檢測圖像的某個區(qū)域，根據(jù)該像素與周圍像素的亮度差值來提升該像素的亮度的濾波器。下面來舉個例子，代碼如下，

import cv2
import numpy as np
from scipy import ndimage

kernel_3x3 = np.array([
    [-1, -1, -1],
    [-1, 8, -1],
    [-1, -1, -1],
])

kernel_5x5 = np.array([
    [-1, -1, -1, -1, -1],
    [-1, -1,  2, -1, -1],
    [-1,  2,  4,  2, -1],
    [-1, -1,  2, -1, -1],
    [-1, -1, -1, -1, -1],
])

img = cv2.imread('sea.jpg', flags=cv2.IMREAD_GRAYSCALE)
k3 = ndimage.convolve(img, kernel_3x3)
k5 = ndimage.convolve(img, kernel_5x5)

GBlur = cv2.GaussianBlur(img, (11, 11), 0)
g_hpf = img - GBlur

cv2.imshow('img', img)
cv2.imshow('3x3', k3)
cv2.imshow('5x5', k5)
cv2.imshow('g_hpf', g_hpf)
cv2.waitKey()
cv2.destroyAllWindows()

4、低通濾波器

低通濾波器則在像素與周圍像素的亮度差值小于一個特定值時，平滑該像素的亮度，主要用于去噪和模糊化。

5、邊緣檢測

邊緣檢測不管是在人類視覺還是計算機(jī)視覺中都是非常重要的，我們能識別物體，就是靠邊緣。這個很容易理解，夜晚很黑什么都看不到，不就是因為沒看到物體的邊緣嗎？

OpenCV提供了很多邊緣檢測的濾波函數(shù)，比如，Laplacian, Sobel, Scharr, Canny等。這些函數(shù)會將非邊緣區(qū)域轉(zhuǎn)為黑色，將邊緣區(qū)域轉(zhuǎn)為白色或其他顏色。但是，這些函數(shù)容易將噪聲錯誤的失敗為邊緣，所以，在邊緣檢測之前，應(yīng)該對圖像進(jìn)行模糊處理。

OpenCV提供了很多模糊濾波器，比如blur, medianBlur, GausianBlur等，邊緣檢測濾波器和模糊濾波器總有一個ksize參數(shù)，這個參數(shù)表示濾波核的寬高，是一個奇數(shù)。還是來個代碼吧，

import cv2

img = cv2.imread('car.jpg', flags=cv2.IMREAD_GRAYSCALE)
GBlur = cv2.GaussianBlur(img, (3, 3), 0)
canny = cv2.Canny(GBlur, 50, 150)
cv2.imshow('img', img)
cv2.imshow('canny', canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

運行結(jié)果，

6、邊界框、最小矩形區(qū)域、最小閉圓的輪廓

實際應(yīng)用中經(jīng)常會對目標(biāo)的邊界框、最小矩形區(qū)域、最小閉圓特別感興趣。用cv2.findContours函數(shù)很容易實現(xiàn)上述功能。上代碼，

#encoding:utf-8
import cv2
import numpy as np

#讀取圖片
img = cv2.imread('Picture1.png', cv2.IMREAD_UNCHANGED)
#降低分辨率，也可以不降低
# img = cv2.pyrDown(img)

#對圖像進(jìn)行二值化操作
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)

#檢測輪廓，
#輸入的三個參數(shù)分別為：輸入圖像、層次類型、輪廓逼近方法
#因為這個函數(shù)會修改輸入圖像，所以上面的步驟使用copy函數(shù)將原圖像做一份拷貝，再處理
#返回的三個返回值分別為：修改后的圖像、圖輪廓、層次
image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for c in contours:
    #邊界框
    x, y, w, h = cv2.boundingRect(c)
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

    #最小矩形區(qū)域
    rect = cv2.minAreaRect(c)
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    cv2.drawContours(img, [box], 0, (0, 0, 255), 3)

    #最小閉圓
    (x, y), radius = cv2.minEnclosingCircle(c)
    center = (int(x), int(y))
    radius = int(radius)
    img = cv2.circle(img, center, radius, (255, 0, 0), 2)

cv2.imshow('image', image)
cv2.drawContours(img, contours, -1, (255, 0, 0), 1)
cv2.imshow("contours", img)
cv2.waitKey(0)