opencv入门笔记（二）

本博客参考书籍：《python opencv从入门到实践 》

图像运算

位运算

位与运算

cv2.bitwise_and(src1, src2[, dst[, mask]]) 
1

位或运算

cv2.bitwise_or(src1, src2[, dst[, mask]])
1

取反运算

cv2.bitwise_not(src[, dst[, mask]]) 
1

异或运算

cv2.bitwise_xor(src1, src2[, dst[, mask]]) 
1

位运算特点

图像的像素值范围在(0-255)之间，经过标准化后范围会缩减到(0-1)之间，此时像素值为0说明该点为纯黑色，像素值为0说明该点为纯白色

示例：位运算示例

import cv2
import numpy as np
import matplotlib.pyplot as plt
black_img=np.zeros((300,400,3),np.uint8)
# white_img=np.ones((300,400,3),np.uint8)
img=cv2.imread('../imgs/R-C_resize.jpg')

and_img=cv2.bitwise_and(img,black_img)
or_img=cv2.bitwise_or(img,black_img)
not_img=cv2.bitwise_not(img)
xor_img=cv2.bitwise_xor(img,black_img)

plt.subplots_adjust(hspace=0.5)
plt.subplot(221)
plt.title('and_img')
plt.imshow(img)

plt.subplot(222)
plt.title('or_img')
plt.imshow(or_img)

plt.subplot(223)
plt.title('not_img')
plt.imshow(not_img)

plt.subplot(224)
plt.title('xor_img')
plt.imshow(xor_img)

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

运行结果

加法运算

两个图像的每个像素值相加会得到新的图像

• 简单的"+"运算，当两像素相加和超过255时，新像素值会取两者的和对255取模运算的结果
• add()方法，当两像素相加和超过255时，新像素值取255
• addWeighted()方法，对两个图像的像素值进行加权求和

示例：查看三种加法运算的区别

我们先来看一下原始图像

import cv2
import matplotlib.pyplot as plt

img1=cv2.imread('../imgs/mountain3.jpg')
img2=cv2.imread('../imgs/mountain8.jpg')
img1=cv2.resize(img1,(600,400))
img2=cv2.resize(img2,(600,400))
row,column,channel=img1.shape

_img=img1+img2
add_img=cv2.add(img1,img2)
addweight_img=cv2.addWeighted(img1,0.8,img2,0.5,0)

plt.subplots_adjust(hspace=0.5)
plt.subplot(221)
plt.title('_img')
plt.imshow(_img)

plt.subplot(222)
plt.title('add_img')
plt.imshow(add_img)

plt.subplot(223)
plt.title('addweight_img')
plt.imshow(addweight_img)

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

运行结果

滤波器

均值滤波

cv2.blur(src, ksize[, dst[, anchor[, borderType]]])
1

中值滤波

cv2.medianBlur(src, ksize[, dst])
1

高斯滤波

cv2.GaussianBlur(src, ksize, sigma1[, dst[, sigma2[, borderType]]])
1

双边滤波

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])
1

示例：查看多种滤波器的处理效果

import cv2
import matplotlib.pyplot as plt
import matplotlib

plt.subplots_adjust(hspace=0.5)
matplotlib.rcParams['font.family']='SimHei'

img=cv2.imread('../imgs/R-C_resize.jpg')

blur_img=cv2.blur(img,(9,9))
median_img=cv2.medianBlur(img,9)
gaussian_img=cv2.GaussianBlur(img,(13,13),0,0)
bilateral_img=cv2.bilateralFilter(img,15,120,100)

plt.subplot(321)
plt.title('原始图像')
plt.imshow(img)

plt.subplot(322)
plt.title('均值滤波(9x9)')
plt.imshow(blur_img)
#
#
plt.subplot(323)
plt.title('中值滤波(9x9)')
plt.imshow(median_img)

plt.subplot(324)
plt.title('高斯滤波(13x13)')
plt.imshow(gaussian_img)

plt.subplot(325)
plt.title(r'双边滤波(d=15)')
plt.imshow(bilateral_img)

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

运行结果

视频处理

cv2.VideoCapture(device) 
1

参数device:打开的视频捕获设备的Id(即摄像机索引)。如果只连接了一个摄像头，只需传递0即可

示例：打开笔记本电脑内置摄像头

import cv2

camera=cv2.VideoCapture(0)
while camera.isOpened():
	_,img=camera.read()
	cv2.imshow('video',img)
	key=cv2.waitKey(1)
	if key==32:break
camera.release()
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10

人脸识别

级联分类器

在目录'..\Lib\site-packages\cv2\data'下存在着opencv官方已经训练好的一些级联分类器，
这些XML文件有着不同的功能

人脸跟踪

加载级联分类器

cv2.CascadeClassifier(filename)
1

使用分类器识别图像

cv2.CascadeClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]])
1

返回值类型:objects
捕捉到的目标区域数组。每个元素都是一个矩形区域，包含该矩形的左上顶点横纵坐标和长宽，我们可以使用rectangle()函数将该矩形区域绘制在原图像中并返回

示例：检测照片中的人脸位置

我们先准备一张照片

import cv2

path=r'D:\Myanaconda\envs\SmooFaceEngine-master\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml'
img=cv2.imread('../images/555.png')
# 加载级联分类器
face_recognizor=cv2.CascadeClassifier(path)
# 使用分类器识别图像
faces=face_recognizor.detectMultiScale(img)
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),5)
cv2.imshow('faces',img)
cv2.waitKey()

cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

运行结果