《Opencv》基础操作＜1＞

目录

一、Opencv简介

主要特点：

应用领域：

二、基础操作

1、模块导入

2、图片的读取和显示

（1）、读取

（2）、显示

3、 图片的保存

4、获取图像的基本属性

5、图像转灰度图

6、图像的截取

7、图像的缩放

8、图像的旋转

9、膨胀和腐蚀操作

（1）、膨胀操作

（2）、腐蚀操作

 10、图像的轮廓检测

（1）、Sobel 算子轮廓检测法

（2）、findContours 边缘检测算法

（3）、Canny轮廓检测

---

一、Opencv简介

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它由一系列C++函数和少量C函数构成，同时也提供了Python、Java、MATLAB等语言的接口。OpenCV的设计目标是提供一个简单易用的计算机视觉框架，以便开发者能够快速实现各种视觉处理任务。

主要特点：

1. 跨平台支持：OpenCV可以在Windows、Linux、macOS、Android和iOS等多个操作系统上运行。

2. 丰富的图像处理功能：包括图像的读取、显示、保存、滤波、边缘检测、形态学操作、特征检测与描述、图像分割等。

3. 视频处理：支持视频的读取、显示、保存，以及视频流的实时处理。

4. 机器学习：内置了多种机器学习算法，如支持向量机（SVM）、K近邻（KNN）、决策树等，可以用于分类、回归等任务。

5. 深度学习支持：OpenCV 3.3版本之后，集成了深度学习模块，支持TensorFlow、Caffe、Torch等主流深度学习框架的模型导入和推理。

6. 高性能：OpenCV的许多算法都经过了优化，能够高效地处理大规模图像和视频数据。

7. 开源社区支持：OpenCV拥有庞大的用户和开发者社区，提供了丰富的文档、教程和示例代码，方便用户学习和使用。

应用领域：

OpenCV广泛应用于各种计算机视觉和图像处理任务，包括但不限于：

• 图像处理：如图像增强、滤波、边缘检测等。

• 视频分析：如目标跟踪、运动检测、行为识别等。

• 机器视觉：如工业检测、机器人视觉、自动驾驶等。

• 医学图像处理：如CT、MRI图像的分析与处理。

• 增强现实：如虚拟物体叠加、实时特效等。

二、基础操作

1、模块导入

import cv2

2、图片的读取和显示

（1）、读取

• 读取原图

image = cv2.imread('图片名或路径')

• 读取灰度图

在路径后面加上0，代表以灰度图的形式读取图片

image = cv2.imread('图片名或路径',0)

（2）、显示

import cv2# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.waitKey() 函数 ：用于等待用户的按键事件，它的参数表示等待按键的时间（单位是毫秒）。当参数设置为 0 时，意味着程序会一直处于等待状态，直到用户按下任意一个按键为止; 

cv2.destroyAllWindows ( )函数 ：作用是关闭所有由 OpenCV 创建的图像显示窗口。

3、 图片的保存

import cv2# 保存图像
cv2.imwrite('output_image.jpg', image)

4、获取图像的基本属性

获取图像的BGR、像素点个数、数据类型。

# 获取图像的宽度和高度
height, width, channels = image.shape# 获取图像的尺寸
size = image.size# 获取图像的数据类型
dtype = image.dtype

5、图像转灰度图

假设一张已经读取的非灰度图想转为灰度图，可用此方法

import cv2gray_img = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

6、图像的截取

注：前面的参数截取的是高，后面的是宽。opencv中的图像坐标原点在图像的左上角。

img_cut = image[0:50,0:50]
# 前面的参数截取的是高，后面的是宽。

7、图像的缩放

import cv2
# 缩放图像
resized_image = cv2.resize(image, (new_width, new_height))

8、图像的旋转

import cv2# 获取图像的中心点
(h, w) = image.shape[:2]
center = (w // 2, h // 2)# 旋转图像
M = cv2.getRotationMatrix2D(center, angle, scale)
rotated_image = cv2.warpAffine(image, M, (w, h))

center：图像的中心点；

angle：旋转的角度，正数为逆时针旋转，负数为顺时针旋转；

scale：图像旋转后的缩放比例；

M：为一个2*3的变换矩阵，会被后续的 cv2.warpAffine 函数用来对图像实际执行旋转（以及缩放，如果有设置缩放比例的话）操作；

(w,h)：经过旋转等变换后输出的图像 大小；

9、膨胀和腐蚀操作

（1）、膨胀操作

import cv2
import numpy as npkernel = np.ones(3,3)# 膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)

（2）、腐蚀操作

import cv2
import numpy as npkernel = np.ones(3,3)# 腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)

 iterations参数：用于指定腐蚀操作执行的次数

 10、图像的轮廓检测

注意：轮廓检测最好使用灰度图或者二值化的图，这样检测会更精准。

（1）、Sobel 算子轮廓检测法

import cv2# 水平方向检测
sobelx = cv2.Sobel(image,cv2.CV_64F,1,0,ksize=3)
# 对结果取绝对值，以免负数被截取为0
sobelx = cv2.convertScaleAbs(sobelx)# 垂直方向检测
sobely = cv2.Sobel(image,cv2.CV_64F,0,1,ksize=3)
# 对结果取绝对值，以免负数被截取为0
sobely = cv2.convertScaleAbs(sobely)# 垂直水平方向根据权重进行相加
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)cv2.imshow('',sobelxy)

此种方法最好水平检测与垂直检测分开，然后再求和。如果同时检测效果会不好。 

（2）、findContours 边缘检测算法

使用cv2.findContours()算法时图片必须是灰度图或者经过二值化处理过的图

import cv2# 查找轮廓
contours, hierarchy = cv2.findContours(image_gray, type1, type2)# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

contours：包含了所有检测到的轮廓信息的列表；

hierarchy：它表示轮廓之间的层次关系信息；

image：表示待检测的图片；

type1（轮廓检测形式）有如下选项：

cv2.RETR_TREE：表示会检索所有的轮廓，并重构嵌套轮廓的完整层次结构；

cv2.RETR_EXTERNAL：只检索最外层的轮廓，忽略所有内部的子轮廓；

cv2.RETR_LIST：检索所有轮廓，但不建立轮廓间的层次关系；

type2（轮廓逼近的方法）有如下选项：

cv2.CHAIN_APPROX_SIMPLE：会压缩水平、垂直和对角方向的线段，仅保留轮廓的端点信息，将轮廓用尽可能少的点来表示，以达到简化轮廓数据的目的；

cv2.CHAIN_APPROX_NONE：存储轮廓的所有边界点，也就是完整地记录轮廓经过的每一个像素点，不进行任何简化，这样得到的轮廓数据会比较详细、准确，但数据量通常很大。

（3）、Canny轮廓检测

import cv2
result_img = cv2.Canny(gray_img,50,150,apertureSize=3,L2gradient=True)
cv2.imshow('result_img',result_img)

50,150:低阈值和高阈值；

apertureSize：Sobel算子核的大小,一般为奇数3，5，7等；

L2gradient：为True时使用采用更为精确的 L2 范数，为False时采用近似的 L1 范数。