OpenCV笔记（1）(图片读取与现实、色彩空间、基础运算、均值方差、逻辑运算、泛洪填充、均值中值及自定义平滑)

一、图片读取和显示

import cv2 as cv


# 图片读取cv.imread(img_path)
car_img = cv.imread("car1.png")
# 图片显示cv.imshow(window_name,img_mat)
cv.imshow('car1', car_img)
cv.waitKey(0)
# 图片写入cv.imwrite(save_path,img_mat)
cv.imwrite('car1_bk.jpg',car_img)

二、色彩空间转换

__author__ = 'Leo.Z'

import cv2 as cv


# 使用cvtColor()做色彩空间转换
def color_space_trans(img):
    gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
    hsv = cv.cvtColor(img, cv.COLOR_RGB2HSV)
    yuv = cv.cvtColor(img, cv.COLOR_RGB2YUV)
    ycrcb = cv.cvtColor(img, cv.COLOR_RGB2YCrCb)
    cv.imshow('gray', gray)
    cv.imshow('hsv', hsv)
    cv.imshow('yuv', yuv)
    cv.imshow('ycrcb', ycrcb)

同样的，我们也可以使用cv.cvtColor(img,cv.COLOR_YUV2RGB)，将其转回RGB色彩空间。

三、利用HSV色彩空间提取某个颜色

如上图，我们使用3个范围的值，可以过滤出图像中的绿色部分。如下例子：

# 使用inRange()来获取HSV中某个范围的颜色
def filter_green():
    img = cv.imread('plate2.png')
    hsv = cv.cvtColor(img, cv.COLOR_RGB2HSV)
    lower = np.array([35, 43, 46])
    upper = np.array([77, 255, 255])
    # 这里得到的masked是一个二值mask，即符合上述范围的位置为1，不符合为0
    masked = cv.inRange(hsv, lowerb=lower, upperb=upper)
    cv.imshow('src', img)
    cv.imshow('masked', masked)
    cv.waitKey(0)

四、分离和合并通道

def split_merge_channel():
    img = cv.imread('girl1.png')
    b, g, r = cv.split(img)
    cv.imshow('blue', b)
    cv.imshow('green', g)
    cv.imshow('red', r)

    # 修改绿色通道的值
    r[:] = 100
    # 再将三个通道合并起来
    merged = cv.merge([b, g, r])
    cv.imshow('merged', merged)
    cv.waitKey(0)

注意：默认用cv.imread(img_path)读进来的彩色图像是RGB的，但是从矩阵中来看，B是处于img[:,:,0]位置的，G在img[:,:,1]，R在img[:,:,2]。如果使用cv.cvtColor(img,cv.COLOR_RGB2BGR)转换，则是将R和B的位置换了一下，但RGB的顺序还是2->1->0。

所以，一般使用默认读入的图像数据就好了。

五、图片的加减乘除

def add_img(img1, img2):
    img_add = cv.add(img1, img2)
    cv.imshow('add', img_add)


def sub_img(img1, img2):
    img_sub = cv.subtract(img1, img2)
    cv.imshow('sub', img_sub)


def mul_img(img1, img2):
    img_sub = cv.multiply(img1, img2)
    cv.imshow('multi', img_sub)


def div_img(img1, img2):
    img_sub = cv.divide(img1, img2)
    cv.imshow('div', img_sub)


image1 = cv.imread('WindowsLogo.jpg')
image2 = cv.imread('LinuxLogo.jpg')

cv.imshow('windows', image1)
cv.imshow('linux', image2)
add_img(image1, image2)
sub_img(image1, image2)
mul_img(image1, image2)
div_img(image1, image2)

cv.waitKey(0)

最左边两张图是原图，add是两图相加，当windows加上linux图片时，部分像素值超过255，被截取为255，所以显示为白色的linux字样。减法刚好相反，减去linux后，得到linux字样的负数，截取为0，所以显示为黑色。乘法中，linux字样的值为255，乘以对应windows中的像素，远超255，截取为255，显示白色。周边有一些彩色的点，是因为Linux的原图在那个位置可能有一定的噪声，稍微大于0，所以乘以windows中对应像素，显示彩色斑点。除法同样是这样。

六、计算图像均值和方差

# 计算均值和方差
def img_mean(img1, img2):
    m1 = cv.mean(img1)
    m2 = cv.mean(img2)
    print(m1)  # 输出(128.05269531250002, 109.60858072916668, 62.55748697916667, 0.0)
    print(m2)  # 输出(15.0128125, 15.0128125, 15.0128125, 0.0)


# 同时计算均值和方差
def img_dev(img1, img2):
    m1, d1 = cv.meanStdDev(img1)
    m2, d2 = cv.meanStdDev(img2)
    print(m1, d1)
    #m1:[[128.05269531],[109.60858073],[ 62.55748698]]
    #d1:[[54.60093646],[45.52335089],[50.01800277]]
    print(m2, d2)
    #m2:[[15.0128125],[15.0128125],[15.0128125]]
    #d2:[[58.14062149],[58.14062149],[58.14062149]]

七、图片的逻辑计算

def logic_demo(img1, img2):
    # 逻辑与
    img_and = cv.bitwise_and(img1, img2)
    # 逻辑或
    img_or = cv.bitwise_or(img1, img2)
    # 逻辑非（像素取补）
    img_not = cv.bitwise_not(img1)
    cv.imshow('and', img_and)
    cv.imshow('or', img_or)
    cv.imshow('not', img_not)

使用bitwise_add，用mask来过滤图像：

# 使用inRange()来获取HSV中某个范围的颜色
def filter_green():
    img = cv.imread('plate2.png')
    hsv = cv.cvtColor(img, cv.COLOR_RGB2HSV)
    lower = np.array([35, 43, 46])
    upper = np.array([77, 255, 255])
    # 这里得到的masked是一个二值mask，即符合上述范围的位置为1，不符合为0
    masked = cv.inRange(hsv, lowerb=lower, upperb=upper)
    cv.imshow('src', img)
    cv.imshow('masked', masked)
    dst = cv.bitwise_and(img, img, mask=masked)
    cv.imshow('dst', dst)
    cv.waitKey(0)

八、addWeighted函数（图片加权求和）

def contract_brightness_demo(image, weight, bright):
    h, w, c = image.shape
    black = np.zeros([h, w, c], dtype=image.dtype)
    dst = cv.addWeighted(image, weight, black, 1 - weight, bright)
    cv.imshow('dst', dst)

contract_brightness_demo(img1,1.5,50)

上述代码中调用addWeight函数，weight=1.5，即原图权重为1.5，由于第二张图片为全0（黑色），所以不管权重是多少都不产生效果。

addWeight(img1,weight1,img2,weight2,gamma,dst)函数的参数说明：

img1：第一张图片

weight1：第一张图片占的权重

img2：第二章图片

weight2：第二章图片占的权重

gamma：在最终结果上加减多少值

dst：图片输出，也可以用返回接受，即dst = addWeight(...)

九、ROI与泛洪填充

ROI：region of interest，感兴趣区域。

按像素差值范围泛洪填充：

# 从图片某个点开始泛洪填充,注意mask的h和w都需要比原图大2个像素
def fill_color_demo(image):
    cv.imshow('src', image)
    copy_img = image.copy()
    h, w = image.shape[:2]
    mask = np.zeros([h + 2, w + 2], np.uint8)
    cv.floodFill(copy_img,  # 被填充图片
                 mask,  # mask的值都为0，表示都需要填充
                 (30, 30),  # 以(30,30)点作为起始点
                 (0, 255, 255),  # 填充为黄色
                 (100, 100, 100),  # 最低起始值为(30,30)的BGR值减去(100,100,100)
                 (50, 50, 50),  # 最高值为(30,30)的BGR加上(50,50,50)
                 cv.FLOODFILL_FIXED_RANGE)  # 按像素Diff范围填充
    cv.imshow("fill color demo", copy_img)

按mask来泛洪填充：

def fill_binary():
    # 创建一个图片，中心的一个200x200的正方形为白色255，其余部分为黑色0
    image = np.zeros([400, 400, 3], np.uint8)
    image[100:300, 100:300, :] = 255
    cv.imshow("fill binary", image)
    # 创建一个mask，比被填充图片hw都大2像素，单通道
    mask = np.ones([402, 402, 1], np.uint8)
    # 中间200x200部分为0，表示需要填充，其余部分为1，表示不需要填充
    mask[101:301, 101:301] = 0
    # (200,200)为种子点即起始点，(100,2,255)为填充颜色
    cv.floodFill(image, mask, (200, 200), (100, 2, 255), cv.FLOODFILL_MASK_ONLY)
    cv.imshow('filled binary', image)

十、平滑（模糊）操作

均值平滑：

# 均值模糊
def mean_blur(image):
    img_blur = cv.blur(image, (5, 5))
    cv.imshow('mean blur', img_blur)

方框平滑：

def box_blur(image):
    img_blur = cv.boxFilter(image, -1, (5, 5), normalize=True)
    cv.imshow('box blur', img_blur)

    img_blur2 = cv.boxFilter(image, -1, (5, 5), normalize=False)
    cv.imshow('box blur 2', img_blur2)

在方框平滑中，当normalize = True时，和均值平滑是一样的，即kernel覆盖区域的像素值加起来做平均。而当normalize=False时，只将像素值加起来，而不做平均，所以超过255部分全部截断为255，呈现白色。

中值平滑：

# 中值模糊，用于去除校验噪声很有用
def median_blur(image):
    # 中值模糊要求的ksize为一个整数
    img_blur = cv.medianBlur(image, 5)
    cv.imshow('median blur', img_blur)

 自定义模糊：

# 自定义滤波
def custom_blur(image):
    # 定义一个filter,均值滤波器
    filter1 = np.ones((5, 5), np.float32) / 25
    img = cv.filter2D(image, -1, kernel=filter1)
    cv.imshow('img', img)

效果与均值模糊一样。

自定义filter：

def custom_filter(image):
    # 定义一个拉普拉斯算子
    filter2 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
    img2 = cv.filter2D(image, -1, kernel=filter2)
    cv.imshow('img2', img2)

我们可以利用拉普卡斯算子做图像锐化：

def sharpen_image(image):
    # 另一种拉普拉斯算子
    filter = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]])
    img = cv.filter2D(image, -1, kernel=filter)
    cv.imshow('img', img)

    # filter的中心为5，相当于上面的拉普拉斯算子加上了原图像
    filter2 = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
    shapen_img = cv.filter2D(image, -1, kernel=filter2)
    cv.imshow('shapen_img', shapen_img)