openCV学习笔记（2）

以下所有操作建议使用png格式的原始图片，使用jpg图片虽然不会出错，但一些操作的结果不太好，原因未知，可能是png格式保留信息更多？

（1）图像形态学

--腐蚀操作

先读进来原始图像

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread("circle.jpg")
plt.imshow(img)
plt.show()

 图像是一个⚪周围有一些杂乱的线

我们进行腐蚀操作cv.erode(图像，卷积核，操作次数)，看看结果

kernel = np.ones((30,30),np.uint8)#设置一个卷积核大小为（30，30），指定的核越大，边缘被腐蚀的可能性越大
erosion1 = cv.erode(img,kernel,iterations = 1)#执行一次腐蚀
erosion2 = cv.erode(img,kernel,iterations = 2)#执行两次腐蚀
erosion3 = cv.erode(img,kernel,iterations = 3)
res = np.hstack((erosion1,erosion2,erosion3))
plt.imshow(res)
plt.show()

可以看到杂线条没了，且“想内塌陷”

 --膨胀操作，我们在腐蚀的结果上膨胀

kernel = np.ones((30,30),np.uint8)
dilate1 = cv.dilate(img,kernel,iterations = 1)
dilate2 = cv.dilate(img,kernel,iterations = 2)
dilate3 = cv.dilate(img,kernel,iterations = 3)
dilate4 = cv.dilate(img,kernel,iterations = 4)
res = np.hstack((dilate1,dilate2,dilate3,dilate4))
plt.imshow(res)
plt.show()

 可以发现，第一次膨胀后我们得到了一个完整的⚪但我们的杂线条已经消失了，再继续进行膨胀，图像越来越大

--开运算和闭运算

开运算就是先腐蚀再膨胀

闭运算就是先膨胀再腐蚀

拿原始图像来看一下效果

开运算结果：

opening = cv.morphologyEx(img,cv.MORPH_OPEN,kernel)
plt.imshow(opening)
plt.show()

 闭运算结果：

closing = cv.morphologyEx(img,cv.MORPH_CLOSE,kernel)
plt.imshow(closing)
plt.show()

 --图像梯度运算

#梯度运算等于膨胀-腐蚀
kernel = np.ones((7,7),np.uint8)
gradient = cv.morphologyEx(img,cv.MORPH_GRADIENT,kernel)
plt.imshow(gradient)
plt.show()

 这样我们就得到了图像的轮廓了

--礼帽和黑帽

礼帽 = 原始输入 - 开运算结果（开运算为先腐蚀再膨胀结果为原始的不带杂线的，最终结果为那些原始图像的杂线）
黑帽 = 闭运算 - 原始输入 （闭运算为先膨胀再腐蚀结果为原始图像加深杂线，最终为原始整体轮廓）

#礼帽
tophat = cv.morphologyEx(img,cv.MORPH_TOPHAT,kernel)
plt.imshow(tophat)
plt.show()

#黑帽
blackhat = cv.morphologyEx(img,cv.MORPH_BLACKHAT,kernel)
plt.imshow(blackhat)
plt.show()

 (2)图像梯度处理

超级详细的讲解：https://blog.csdn.net/poem_qianmo/article/details/25560901

--sobel算子

sobel原型：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst

src：图片

ddepth：图像深度，当 ddepth为-1时， 输出图像将和输入图像有相同的深度。输入8位图像则会截取顶端的导数

 dx =1代表水平方向，dy=1代表竖直方向

ksize：代表算子大小

import cv2 as cv
import numpy as np
def cvshow(img):
    cv.imshow("img",img)
    cv.waitKey(0)
    cv.destroyAllWindows()
img = cv.imread("pie.png")
cvshow(img)
#进行SObel算子
sobel = cv.Sobel(img,cv.CV_64F,1,0,ksize=3)
sobel = cv.convertScaleAbs(sobel)#取绝对值
cvshow(sobel)

当我们不加取绝对值时，结果为一半，加上取绝对值就可以获取到完整的

 这里建议分别算X方向的sobel和Y方向的sobel再加一起，这样会比直接dx=1，dy=1一起算的更清晰

--Scharr算子和laplacian算子

import cv2 as cv
import numpy as np
def cvshow(img):
    cv.imshow("img",img)
    cv.waitKey(0)
    cv.destroyAllWindows()
img = cv.imread("car.jpg")
scharr_x = cv.Scharr(img,cv.CV_64F,1,0)
scharr_y = cv.Scharr(img,cv.CV_64F,0,1)
scharr_x = cv.convertScaleAbs(scharr_x)
scharr_y = cv.convertScaleAbs(scharr_y)
scharr_xy = cv.addWeighted(scharr_x,0.5,scharr_y,0.5,0)

laplacian = cv.Laplacian(img,cv.CV_64F)
laplacian = cv.convertScaleAbs(laplacian)
res = np.hstack((scharr_xy,laplacian))
cvshow(res)

 左边为scharr算子，右边为拉普拉多算子，右边差不多只有主体

再对比一下3个的效果，从左至右分别为sobel，scharr，laplacian

import cv2 as cv
import numpy as np
def cvshow(img):
    cv.imshow("img",img)
    cv.waitKey(0)
    cv.destroyAllWindows()
img = cv.imread("lena.jpg",0)
sobel_x = cv.Sobel(img,cv.CV_64F,1,0,ksize=3)
sobel_y = cv.Sobel(img,cv.CV_64F,0,1,ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel = cv.addWeighted(sobel_x,0.5,sobel_y,0.5,0)

scharr_x = cv.Scharr(img,cv.CV_64F,1,0)
scharr_y = cv.Scharr(img,cv.CV_64F,0,1)
scharr_x = cv.convertScaleAbs(scharr_x)
scharr_y = cv.convertScaleAbs(scharr_y)
scharr_xy = cv.addWeighted(scharr_x,0.5,scharr_y,0.5,0)

laplacian = cv.Laplacian(img,cv.CV_64F)
laplacian = cv.convertScaleAbs(laplacian)
res = np.hstack((sobel,scharr_xy,laplacian))
cvshow(res)

 整体来看，scharr算子保留了最多的细节，但是连通噪点也一起保留了下来，sobel算子保留了大部分最主要的轮廓信息，laplacian只有最主体的信息

以上这一切的处理正是为了我们真正做轮廓处理做准备