本文共 7890 字，大约阅读时间需要 26 分钟。

1.图像基本操作

opencv常用函数和常用操作

https://blog.csdn.net/qq_45453266/article/details/106698699

1.1图像的读取、显示和保存

cv2.imread(filename,flags) ：读取图像

读取图片，默认是三通道(BGR)的彩色图，flags=0读入灰度图

该函数有两个参数，第一个参数是图片的地址，第二个参数是读取图像的方式（默认值为1，以RGB格式读取）

Flags指定了所读取图片的颜色类型

cv2.IMREAD_COLOR：加载彩色图片，这个是默认参数，可以直接写1。 cv2.IMREAD_GRAYSCALE：以灰度模式加载图片，可以直接写0。 cv2.IMREAD_UNCHANGED：包括alpha，可以直接写-1

flags >0 返回3通道彩色图

注意：alpha 通道将被忽略，如果需要alpha 通道，请使用负值 =0 返回灰度图 <0 返回原图（带alpha 通道）

cv2.imshow(winname,img) ：显示图片

显示图片,需与cv2.waitkey(0)一起使用，不然只显示一瞬间

以窗口的形式显示图片，两个参数，第一个是窗口上显示的名称，第二个是图像在代码中的表示名称

cv2.imwrite(filename,img,params) ：保存图片

N个参数，第一个是要保存的图像的名字，如 ‘Rachel.jpg’ ，

第二个是也是图像在代码中的表示名称，此外还有图像的质量等参数，暂且略过

cv2.destroyALLWindows()：销毁全部窗口

cv2.destroyWindow(winname)：销毁特定窗口

括号里填指定窗口名称

cv2.waitKey(delay)：绑定按键

cv2.waitkey(timeout) ：显示图片时间

显示图片时间，单位为ms,0代表一直显示

cv2.VideoCapture(name) 读取视频

1.2、图像的缩放

缩放图片是非常常用的操作，cv2里面的函数是：cv2.resize

函数原型：cv2.resize(src, dst, dsize, fx=0, fy=0, interpolation=INTER_LINEAR )

fx,fy表示缩放比例，interpolation是缩放时填充的类型，有以下几种：

INTER_NEAREST（邻近元素插值法）

INTER_LINEAR（缺省值，双线性插值）

INTER_AREA（使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法）

INTER_CUBIC（立方插值）

示例代码：

图片变成原图的0.5倍的灰度图

import cv2 img = cv2.imread('Rachel.jpg', 0) # 注意，第二个参数是0，灰度图new = cv2.resize(img, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_CUBIC)cv2.imshow('Rachel', new)k = cv2.waitKey(0)if k == ord('s'):    cv2.imwrite('Rachel1.jpg', new)    cv2.destroyAllWindows()

1.3、只保留某一通道

#只保留R通道为例   img[:,:,0]=0  #将B通道全部置为0   img[:,:,1]=0  #将R通道全部置为0

1.4、边界填充

top,bottom,left,right分别表示在原图四周扩充边缘的大小

borderType：扩充边缘的类型，就是外插的类型，OpenCV中给出以下几种方式

• BORDER_REPLICATE：复制法，也就是复制最边缘像素。
• BORDER_REFLECT：反射法，对感兴趣的图像中的像素在两边进行复制例如：fedcba|abcdefgh|hgfedcb
• BORDER_REFLECT_101：反射法，也就是以最边缘像素为轴，对称，gfedcb|abcdefgh|gfedcba
• BORDER_WRAP：外包装法cdefgh|abcdefgh|abcdefg
• BORDER_CONSTANT：常量法，常数值填充。

p_top,p_bottom,p_left,p_right=(50,50,50,50) wrap=cv2.copyMakeBorder(img,p_top,p_bottom,p_left,p_right,cv2.BORDER_WRAP)

1.5、混合图像

img = cv2.imread('1.png') img1 = cv2.imread('2.png') #!!!注意shape得出来的是(height,width),resize传入的是(width,height) h, w = img1.shape[:2] #将img的宽高转为img1的宽高 img = cv2.resize(img, (w, h)) #αX1+βX2+b img2 = cv2.addWeighted(img1, 0.4, img, 0.6, 0)

1.6 图像阈值

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

• src： 输入图，只能输入单通道图像，通常来说为灰度图

• dst： 输出图

• thresh： 阈值

• maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

• type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

• cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0

• cv2.THRESH_BINARY_INV THRESH_BINARY的反转

• cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变

• cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0

• cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]for i in range(6):    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')    plt.title(titles[i])    plt.xticks([]), plt.yticks([])# 将生成画图保存为图片plt.savefig('1.jpg')plt.show()

1. 7图像平滑

原图

1.7.1 均值滤波

简单的平均卷积操作

blur = cv2.blur(img, (3, 3))cv2.imshow('blur', blur)cv2.waitKey(0)cv2.destroyAllWindows()

1.7.2-1 方框滤波—normalize=True

基本和均值一样，可以选择归一化

box = cv2.boxFilter(img,-1,(3,3), normalize=True)  cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()

1.7.2-2 方框滤波—normalize=False

基本和均值一样，可以选择归一化,容易越界

box = cv2.boxFilter(img,-1,(3,3), normalize=False)  cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()

1.7.3 高斯滤波

高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的

aussian = cv2.GaussianBlur(img, (5, 5), 1)cv2.imshow('aussian', aussian)cv2.waitKey(0)cv2.destroyAllWindows()

1.7.4 中值滤波

相当于用中值代替

median = cv2.medianBlur(img, 5)  # 中值滤波cv2.imshow('median', median)cv2.waitKey(0)cv2.destroyAllWindows()

1.8 形态学

1.8.1 腐蚀

kernel = np.ones((3, 3), np.uint8)# 腐蚀操作    img= cv2.erode(img, kernel, iterations=1)

1.8.2 膨胀

kernel = np.ones((3, 3), np.uint8)img = cv2.dilate(img, kernel, 1)

1.9 梯度处理

1.10 边缘检测

img = cv2.imread('1.png', cv2.IMREAD_GRAYSCALE)img1 = cv2.Canny(img, 80, 150)#阈值越大，过滤掉的细节越多img2 = cv2.Canny(img, 20, 200)

1.11 图像金字塔

1.11.1 高斯金字塔

• 向上采样(放大图像)

img1 = cv2.pyrUp(img)

• 向下采样(缩小图像)

img2 = cv2.pyrDown(img)

1.11.2拉普拉斯金字塔

拉普拉斯金字塔(原图-(先缩小后放大))

img3 = cv2.pyrUp(cv2.pyrDown(img))img.resize(img3.shape)img4 = img-img3

1.12.1 轮廓检测

cv2.findContours(img,mode,method)

mode:轮廓检索模式

• RETR_EXTERNAL ：只检索最外面的轮廓；
• RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
• RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
• RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;

method:轮廓逼近方法

• CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
• CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

img = cv2.imread('1.png')# 转化为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用二值图ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 根据灰度二值图找出轮廓contours, hierarchy = cv2.findContours(    thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)# 画出轮廓# 这里要将原图copy一下，不然直接就在原图上画了img1 = img.copy()img2 = cv2.drawContours(img1, contours, -1, (0, 0, 255), 2)

1.12.2 轮廓近似

img = cv2.imread('1.png')# 转化为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用二值图ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 根据灰度二值图找出轮廓contours, hierarchy = cv2.findContours(    thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)cnt = contours[0]# 普朗克算法epsilon = 0.1*lengthapprox = cv2.approxPolyDP(cnt, epsilon, True)img3 = img.copy()img4 = cv2.drawContours(img3, [approx], -1, (0, 0, 255), 2)

1.13 模板匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

• TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
• TM_CCORR：计算相关性，计算出来的值越大，越相关
• TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
• TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
• TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
• TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

公式：

# 以灰度图方式读入img = cv2.imread('2.jpg',0)template = cv2.imread('1_template.png',0)h, w = template.shape[:2]# 可选的算法数组methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']for meth in methods:    img2 = img.copy()    # 匹配方法的真值    method = eval(meth)    print (method)    res = cv2.matchTemplate(img, template, method)    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:        top_left = min_loc    else:        top_left = max_loc    bottom_right = (top_left[0] + w, top_left[1] + h)    # 画矩形    cv2.rectangle(img2, top_left, bottom_right, 255, 2)    plt.subplot(121), plt.imshow(res, cmap='gray')    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴    plt.subplot(122), plt.imshow(img2, cmap='gray')    plt.xticks([]), plt.yticks([])    plt.suptitle(meth)    plt.show()

匹配多个对象

img_rgb = cv2.imread('mario.jpg')img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)template = cv2.imread('mario_coin.jpg', 0)h, w = template.shape[:2]res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)threshold = 0.8# 取匹配程度大于%80的坐标loc = np.where(res >= threshold)for pt in zip(*loc[::-1]):  # *号表示可选参数    bottom_right = (pt[0] + w, pt[1] + h)    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)cv2.imshow('img_rgb', img_rgb)cv2.waitKey(0)

1.14 直方图

cv2.calcHist(images,channels,mask,histSize,ranges)

• images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
• channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
• mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
• histSize:BIN 的数目。也应用中括号括来
• ranges: 像素值范围常为 [0256]

img = cv2.imread('cat.jpg',0) #0表示灰度图hist = cv2.calcHist([img],[0],None,[256],[0,256])hist.shapeplt.hist(img.ravel(),256); plt.show()