opencv 小结【乙】

Canny边缘检测1，使用高斯滤波器，以平滑图像，消除噪声2，计算图像中每个像素点的梯度大小与方向3，使用非极大值抑制4，双阈值检测大于maxval保留，小于minval舍弃，之间的只与大于maxval连接的cv2.Canny(图片，minval,maxval)im=cv2.imread(r'C:\Users\hk\Desktop\opencv\img\1 (14).jpg',cv2.

骑驴_找马

5390人浏览 · 2022-03-26 20:54:28

骑驴_找马 · 2022-03-26 20:54:28 发布

Canny    边缘检测

1，使用高斯滤波器，以平滑图像，消除噪声

2，计算图像中每个像素点的梯度大小与方向

3，使用非极大值抑制

4，双阈值检测大于maxval保留，小于minval舍弃，之间的只与大于maxval连接的

cv2.Canny(图片，minval,maxval)

im=cv2.imread(r'C:\Users\hk\Desktop\opencv\img\1 (14).jpg',cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(im,50,150)
v2=cv2.Canny(im,140,150)
v3=cv2.Canny(im,60,200)
v4=cv2.Canny(im,60,80)

plt.figure(figsize=(30,15))
plt.subplot(221),plt.imshow(v1,'gray'),plt.title('50 150')
plt.subplot(222),plt.imshow(v2,'gray'),plt.title('140 150')
plt.subplot(223),plt.imshow(v3,'gray'),plt.title('60 200')
plt.subplot(224),plt.imshow(v4,'gray'),plt.title('60 80')
plt.show()

金字塔

高斯金字塔

cv2.pyUp(图片) 将图片size变大

cv2.pyrDown(图片）将图片size变小

im=cv2.imread(r'C:\Users\hk\Desktop\opencv\img\1 (32).jpg',cv2.IMREAD_GRAYSCALE)

up=cv2.pyrUp(im)
down=cv2.pyrDown(im)
plt.figure(figsize=(30,15))
plt.subplot(221),plt.imshow(up,'gray'),plt.title('up')
plt.subplot(222),plt.imshow(im,'gray'),plt.title('im')
plt.subplot(223),plt.imshow(down,'gray'),plt.title('down')

plt.show()

注意尺寸

dowm

拉普拉斯金字塔

im=cv2.imread(r'C:\Users\hk\Desktop\opencv\img\1 (32).jpg',cv2.IMREAD_GRAYSCALE)

down=cv2.pyrDown(im)
downUp=cv2.pyrUp(down)

plt.imshow((im-downUp),'gray')

图像轮廓

cv2.findContours(图片，模式，方法）返回图像轮廓返回：轮廓，层

【图片必须是单通道图像】

cv2.drawContours(图片，轮廓，轮廓索引，（b，g，r）线条颜色，线条宽度）根据轮廓描边

模式：

RETR_EXTERNAL 只检索最外面轮廓

RETR_LIST 检索所有轮廓，保存到链表中

RETR_CCOMP 检索所有轮廓，分为两层，顶层是各部分的外部边界，第二层空洞的边界

RETR_TREE 检索所有轮廓，并重构嵌套轮廓的整个层次

方法：

CHAIN_APPROX_NONE 以Freeman连码的方式输出轮廓

CHAIN_APPROX_SIMPEL 只保留终点

im=cv2.imread(r'C:\Users\hk\Desktop\opencv\img\1 (32).jpg')
gray=cv2.cvtColor(im,cv2.IMREAD_GRAYSCALE)

ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh[:,:,0],cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
im0=im.copy()
out=cv2.drawContours(im0,contours,-1,(255,0,0),1)

cv_show('',out)

轮廓特征

cv2.contourArea(轮廓) 计算面积

cv2.arcLength(轮廓，是否闭合）计算长度

im=cv2.imread(r'C:\Users\hk\Desktop\opencv\0.png')
gray=cv2.cvtColor(im,cv2.IMREAD_GRAYSCALE)

ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh[:,:,0],cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
im0=im.copy()
im1=im.copy()
im2=im.copy()
out=cv2.drawContours(im0,contours,-1,(255,0,0),2)
out1=cv2.drawContours(im1,contours,0,(255,0,0),5)
out2=cv2.drawContours(im2,contours,1,(255,0,0),5)

plt.figure(figsize=(15,15))
plt.subplot(221),plt.imshow(im[:,:,[2,1,0]]),plt.title('im')
plt.subplot(222),plt.imshow(out[:,:,[2,1,0]]),plt.title('out')
plt.subplot(223),plt.imshow(out1[:,:,[2,1,0]]),plt.title('out1')
plt.subplot(224),plt.imshow(out2[:,:,[2,1,0]]),plt.title('out2')

plt.show()

print(cv2.contourArea(contours[0]))
print(cv2.contourArea(contours[1]))
print(cv2.arcLength(contours[0],True))
print(cv2.arcLength(contours[1],True))
print(cv2.arcLength(contours[1],False))

69967.0
1198.0
990.4894571304321
1202.0
1201.0

轮廓近似

cv2.approxPolyDP(轮廓，精度，布尔值）返回轮廓近似.

img=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png')
im=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png',cv2.IMREAD_GRAYSCALE)

ret,thresh=cv2.threshold(im,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

epsilon=0.001*cv2.arcLength(contours[1],True)
approx=cv2.approxPolyDP(contours[1],epsilon,True)

img0=img.copy()
res=cv2.drawContours(img0,[approx],-1,(255,0,0),2)

cv_show('',res)

0.001*cv2.arcLength(contours[1],True)

epsilon=0.01*cv2.arcLength(contours[1],True)

0.04*cv2.arcLength(contours[1],True)

边界矩形

x,y,w,h=cv2.boundingRect(contours[1])

res=cv2.rectangle(img0,(x,y)左上顶点,(x+w,y+h)右下点,(0,255,0),1)

img=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png')
im=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png',cv2.IMREAD_GRAYSCALE)

ret,thresh=cv2.threshold(im,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

x,y,w,h=cv2.boundingRect(contours[1])
img0=img.copy()
res=cv2.rectangle(img0,(x,y),(x+w,y+h),(0,255,0),1)

cv_show('',res)

边界圆

(x,y),radius=cv2.minEnclosingCircle(contours[1])

center=(int(x),int(y))

res=cv2.circle(img0,center,int(radius),(0,255,0),1)

img=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png')
im=cv2.imread(r'C:\Users\hk\Desktop\opencv\o.png',cv2.IMREAD_GRAYSCALE)

ret,thresh=cv2.threshold(im,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

(x,y),radius=cv2.minEnclosingCircle(contours[1])
center=(int(x),int(y))
img0=img.copy()
res=cv2.circle(img0,center,int(radius),(0,255,0),1)

cv_show('',res)

模板匹配

原始图像大小:X*Y 模板大小：x*y 输出大小：（X-x+1)*(Y-y+1)

TM_SQDIFF 计算平方不同，越小越相关

TM_CCORR 计算相关性，越大越相关

TM_CCOEFF 计算相关系数，越大越相关

TM_SQDIFF_NORMED 计算归一化平方不同，越接近0越相关

TM_CCORR_NORMED 计算归一化相关性，越接近1越相关

TM_CCOEFF_NORMED 计算归一化相关系数，越接近1越相关

res=cv2.matchTemplate(图片，模板，方法）

minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(res)

获取脸部照片

imgn=img[50:380,950:1230,:]
cv_show('',imgn)
cv2.imwrite(r'C:\Users\hk\Desktop\opencv\face.jpg',imgn)

methods=['cv2.TM_SQDIFF','cv2.TM_CCORR','cv2.TM_CCOEFF','cv2.TM_SQDIFF_NORMED','cv2.TM_CCORR_NORMED','cv2.TM_CCOEFF_NORMED']
im=cv2.imread(r'C:\Users\hk\Desktop\opencv\mm.jpg',cv2.IMREAD_GRAYSCALE)
img=cv2.imread(r'C:\Users\hk\Desktop\opencv\mm.jpg')
face=cv2.imread(r'C:\Users\hk\Desktop\opencv\face.jpg',cv2.IMREAD_GRAYSCALE)
h,w=face.shape[:2]

for i in methods:
    img0=im.copy()
    res=cv2.matchTemplate(im,face,eval(i))
    minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(res)
    
    if i in ['cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']:
        top=minLoc
    else:
        top=maxLoc
    
    bottomRight=(top[0]+w,top[1]+h)
    cv2.rectangle(img0,top,bottomRight,(255,0,0),2)
    
    plt.figure(figsize=(20,20))
    plt.subplot(121),plt.imshow(res,'gray'),plt.axis('off')
    plt.subplot(122),plt.imshow(img0,cmap='gray'),plt.axis('off')
    plt.suptitle(i)
    plt.show()

匹配多个对象

np.where()

k=np.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7],[4,5,6,7,8]]) #二维数组
kWhere=np.where(a>3)
print(kWhere)
print(k[kWhere])
(array([0, 0, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 3], dtype=int64), array([3, 4, 2, 3, 4, 1, 2, 3, 4, 0, 1, 2, 3, 4], dtype=int64))
[4 5 4 5 6 4 5 6 7 4 5 6 7 8]

zip(*zipped)

a=[1,2,3]
b=[4,5,6]
list(zip(*[a,b]))

methods=['cv2.TM_CCORR_NORMED','cv2.TM_CCOEFF_NORMED']
im=cv2.imread(r'C:\Users\hk\Desktop\opencv\p.jpg',cv2.IMREAD_GRAYSCALE)
img=cv2.imread(r'C:\Users\hk\Desktop\opencv\p.jpg')
face=cv2.imread(r'C:\Users\hk\Desktop\opencv\pface.jpg',cv2.IMREAD_GRAYSCALE)
h,w=face.shape[:2]

res=cv2.matchTemplate(im,face,eval(methods[0]))

loc=np.where(res>=0.98)
img0=im.copy()
print(len(list(zip(*loc))))
for i in zip(*loc):

    bottomRight=(i[1]+w,i[0]+h)
    cv2.rectangle(img,(i[1],i[0]),bottomRight,(255,0,0),2)


cv_show('',img)

直方图

cv2.calcHist(图片集，channels,mssk,histSize,ranges)

channels：[0] 对应灰度图 [0,1,2] 对应 r g b

mask: 掩模图像，统计整幅图的直方图设为None

histSize: BIN数量，用中括号括起开；指直方图柱子个数

ranges:像素值范围，[0,255]

img=cv2.imread(r'C:\Users\hk\Desktop\opencv\m.jpg')
color=['b','g','r']

for i in range(3):
    hist=cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(hist,color[i]+'-')
plt.show()

img=cv2.imread(r'C:\Users\hk\Desktop\opencv\m.jpg',0)
cv_show('',img)
hist=cv2.calcHist([img],[0],None,[256],[0,256])
plt.hist(img.ravel(),256)
plt.show()

plt.plot(hist,'k')

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

UFW防火墙安全指南

UFW（Uncomplicated Firewall）是Ubuntu/Debian系统中简化防火墙管理的工具，通过直观命令帮助用户有效控制网络流量，提升系统安全性。文章详细介绍了UFW的基本命令，包括启停防火墙、添加规则、限制连接速率和日志配置等操作，并提供了安全最佳实践，如默认拒绝策略、IP地址限制和服务级规则管理。同时，还涵盖高级配置技巧，例如多网络接口设置、规则优先级调整、IPv6支持及与f