OpenCV-Python常用操作

安装：pip install opencv-python
导入：import cv2

1 读取、显示和保存

1.1 读取图像

img = cv2.imread("test.jpg")
1

1.2 显示图像

cv2.imshow("WINDOW",img)
1

1.3 保存图像

cv2.imwrite("test.jpg", img)
1

1.4 读取视频

video = cv2.VideoCapture("test.mp4")
1

1.5 播放网络摄像头

cap = cv2.VideoCapture(0)
cap.set(3,640)  ## Frame width
cap.set(4,480)  ## Frame Height
cap.set(10,100) ## Brightness
while True:
   success, img = cap.read()
   cv2.imshow("Video",img)
   if cv2.waitKey(1) & 0xff == ord('q'):
        break
1
2
3
4
5
6
7
8
9

2 基本图像处理

2.1 创建全黑/全白图像

imgBlack = np.zeros([640, 480], dtype=np.uint8)
imgWhite = ~imgBlack 
1
2

2.2 图像大小调整

imgResized = cv2.resize(img,(224,224))
1

2.3 图像裁剪

imgCropped = img[50:250,120:330]
1

2.4 图像翻转

imgFlip = cv2.flip(img, 1)  # > 0: 左右翻转
imgFlip = cv2.flip(img, 0)  # == 0: 上下翻转
imgFlip = cv2.flip(img, -1)  # < 0: 中心翻转（旋转180度）
1
2
3

2.5 图像转为灰度

imgGray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
1

2.6 图像转为HSV

imgHsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
1

2.7 图像颜色通道提取

b,g,r = cv2.split(img)
img = cv2.merge((b,g,r))
1
2

2.8 图像边界填充

'''
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，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
'''
top_size,bottom_size,left_size,right_size = (5,5,5,5)

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2.9 图像融合

img= cv2.addWeighted(img1, 0.4, img2, 0.6, 0)
1

2.10 图像模糊

imgBlur = cv2.blur(img, (3, 3))
imgBlur = cv2.boxFilter(img,-1,(3,3), normalize=False) 
imgBlur = cv2.GaussianBlur(img,(3,3),0)
imgBlur = cv2.medianBlur(img, 5) 
1
2
3
4

2.11 图像阈值操作

'''
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 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, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

2.12 图像运算

img = cv2.add(img1, img2)
img = cv2.subtract(img1, img2)
img = cv2.multiply(img1, img2)
img = cv2.divide(img1, img2)
1
2
3
4

2.13 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 [0,256]
'''
hist = cv2.calcHist([img],[0],None,[256],[0,256])     # (256, 1)
plt.hist(img.ravel(),256); 
plt.show()

# 三通道直方图
color = ('b','g','r')
for i,col in enumerate(color): 
    histr = cv2.calcHist([img],[i],None,[256],[0,256]) 
    plt.plot(histr,color = col) 
    plt.xlim([0,256]) 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

2.14 直方图均衡化

#彩色图像均衡化
(b, g, r) = cv2.split(img_test1)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
    
#合并每一个通道
result = cv2.merge((bH, gH, rH))
1
2
3
4
5
6
7
8

3 图像梯度处理

3.1 Sobel算子

'''
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
ddepth:图像的深度
dx和dy分别表示水平和竖直方向
ksize:Sobel算子的大小
'''
# 分别计算x、y方向梯度，再合并
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

# 同时计算x、y梯度（不建议）
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3.2 Scharr算子

 scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
 scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
 scharrx = cv2.convertScaleAbs(scharrx)   
 scharry = cv2.convertScaleAbs(scharry)  
 scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 
1
2
3
4
5

3.3 Laplacian算子

 laplacian = cv2.Laplacian(img,cv2.CV_64F)
 laplacian = cv2.convertScaleAbs(laplacian) 
1
2

3.4 Canny算子（边缘检测）

#imgCanny = cv2.Canny(img,threshold1,threshold2)
imgCanny = cv2.Canny(img,100,150)
1
2

4 图像金字塔

4.1 高斯金字塔

up = cv2.pyrUp(img)    # (442, 340, 3) --> (884, 680, 3)
down = cv2.pyrDown(img)
1
2

4.2 拉普拉斯金字塔

down = cv2.pyrDown(img)
up = cv2.pyrUp(down)
1
2

5 图像形态学处理

5.1 膨胀和腐蚀

kernel = np.ones((5,5),np.uint8) 
imgDialation = cv2.dilate(imgCanny,kernel,iterations=1) ##DIALATION
imgErosion = cv2.erode(imgCanny,kernel,iterations=1) ##EROSION
1
2
3

5.2 开运算和闭运算

kernel = np.ones((5,5),np.uint8)
imgOpen = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
imgClose = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
1
2
3

5.3 礼帽和黑帽

kernel = np.ones((5,5),np.uint8)
imgTophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
imgBlackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
1
2
3

6 在图像上绘制矩形/圆形/直线

#cv2.rectangle(img,(w,h),(x,y),(R,G,B),THICKNESS)
cv2.rectangle(img,(100,300),(200,300),(255,0,255),2)
#cv2.circle(img,(x,y),radius,(R,G,B),THICKNESS)
cv2.circle(img,(200,130),90,(255,255,0),2)
#cv2.line(img,(x1,y1),(x2,y2),(R,G,B),THICKNESS)
cv2.line(img,(110,260),(300,260),(0,255,0),3)
1
2
3
4
5
6

7 在图像上添加文字

#cv2.putText(img,text,(x,y),FONT,FONT_SCALE,(R,G,B),THICKNESS)
cv2.putText(img,"HELLO",(120,250),cv2.FONT_HERSHEY_COMPLEX,1,(255,255,255),2)
1
2

8 图像轮廓

# 更高的准确率，使用二值图像。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 计算出嵌套轮廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

# 传入绘制图像，轮廓，轮廓索引(-1全部)，颜色模式，线条厚度
draw_img = img.copy()          # 注意需要copy,要不原图会变
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)

cnt = contours[0]
area = cv2.contourArea(cnt)      			# 面积
length = cv2.arcLength(cnt,True) 			# 周长，True表示闭合
x,y,w,h = cv2.boundingRect(cnt)  			# 外接矩形
(x,y),  radius = cv2.minEnclosingCircle(cnt) 	# 外接圆
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

9 图像模板匹配

'''
cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
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，计算值越接近1，越相关
'''
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF) 
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
1
2
3
4
5
6
7
8
9
10
11

10 图像特征

10.1 Harris特征

'''
cv2.cornerHarris(img, blockSize, ksize, k)
img：数据类型为 float32 的入图像
blockSize：角点检测中指定区域的大小
ksize：Sobel求导中使用的窗口大小
k：取值参数为 [0,04,0.06]
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)     
1
2
3
4
5
6
7
8
9

10.2 SIFT特征

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 得到特征点
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None)
# 显示特征点
img = cv2.drawKeypoints(gray, kp, img)

# 计算特征
kp, des = sift.compute(gray, kp) 
1
2
3
4
5
6
7
8
9
10