【OpenCV】OpenCV常用函数合集【持续更新】 |
您所在的位置：网站首页 › qt open函数怎么用 › 【OpenCV】OpenCV常用函数合集【持续更新】 |
【OpenCV】OpenCV常用函数合集【持续更新】
|
目录
1.输入、显示和保存图像2.读取、显示、保存和处理视频3.画线，画圆，画矩形，画多边形，显示文字4.框住并得到目标位置（获取鼠标消息）5.滑动条作调色板6.图像基础操作：像素、属性、ROI、通道、填充7.图像运算：加法、混合8.性能检测和优化9.颜色空间转换10.图像几何变换：扩展缩放、平移、旋转、仿射变换、透视变换11.图像二值化：简单阈值，自适应阈值，Otsu阈值12.图像平滑：平均、高斯、中值、双边滤波13.图像形态学转换14.图像梯度：各种算子15.图像金字塔16.图像轮廓17.直方图计算绘制、均衡化、反向投影、2D投影18.图像变换：傅里叶变换19.图像模板匹配20.Hough直线变换21.Hough 圆环变换22.GrabCut算法进行交互式前景提取23.角点检测24.SIFT算法25.ORB算法
1.输入、显示和保存图像
关键函数： 读取：imread()显示：imshow()保存：imwrite()窗口：namedWindow() import cv2 #引用模块 '''输入图像''' img = cv2.imread('xxx.jpg',1) '''显示图像''' cv2.namedWindow('img_win',cv2.WINDOW_NORMAL)#设置一个名为img_win的窗口，窗口属性为NORMAL cv2.imshow('img_win',img) k = cv2.waitKey(0) if k==27: #ESC cv2.destroyAllWindows() elif k==ord('s') : #按下s cv2.imwrite('xxx.jpg',img) '''保存图像''' cv2.destroyAllWindows() 2.读取、显示、保存和处理视频关键函数： VideoCapture()，参数为0为读取摄像头，参数为文件名读取对应视频文件 import cv2 '''读取摄像头''' def CapFromCamera(): cap = cv2.VideoCapture(0) while(True): ret, frame = cap.read() #读取帧 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #灰度化展示（简单对其进行处理） cv2.imshow('frame',gray) if cv2.waitKey(1) & 0xFF == ord('q'): #按‘q’退出 break #释放资源并关闭窗口 cap.release() cv2.destroyAllWindows() '''读取视频''' def CapFromVedio(): cap = cv2.VideoCapture('xxx.mp4') while(cap.isOpened()): ret, frame = cap.read() cv2.imshow('frame',frame) if cv2.waitKey(50) & 0xFF == 27: #按ESC退出 break cap.release() cv2.destroyAllWindows() 3.画线，画圆，画矩形，画多边形，显示文字关键函数： 线：line()矩形：rectangle()圆：circle()多边形：polylines()显示文字：putText() import cv2 import numpy as np img=cv2.imread('fish.png',1) # 从img的（1，1）位置,直线画到（100，100）位置，颜色BGR为（255，0，0）,粗细为5 cv2.line(img,(1,1),(100,100),color=(255,0,0),thickness=5) '''1.画线''' cv2.rectangle(img,(10,9),(281,127),(0,255,0),5) '''2.画矩形''' #圆的话只需要指定半径和圆心 cv2.circle(img,(50,50),50,(0,0,255),5) '''3.画圆''' #画多边形 pts=np.array([[10,5],[20,30],[70,20],[50,10]], np.int32) pts=pts.reshape((-1,1,2)) cv2.polylines(img,[pts],True,(255,255,0),3) '''4.多边形''' #写字 cv2.putText(img,"Hello world",(100,100),cv2.FONT_HERSHEY_SIMPLEX,4,(255,0,255),3) '''5.显示文字''' cv2.imshow('img',img) cv2.waitKey(0) 4.框住并得到目标位置（获取鼠标消息） setMouseCallback()：回调函数，第一个参数为窗口名，需要自己设计；第二个参数为自己写的函数，在这里我写了一个可以对目标进行框定和位置获取的函数。 import cv2 # 查看鼠标支持的操作 events=[i for i in dir(cv2) if 'EVENT'in i] print(events) img = cv2.imread('car.png') cv2.namedWindow('image') #画笔 drawing_flag=True s_x,s_y=0,0 def draw(event,x,y,flags,param): global s_x,s_y,drawing_flag,img,img_t if event==cv2.EVENT_MOUSEMOVE: #如果是：移动鼠标 if drawing_flag==True: img = cv2.imread('car.png') cv2.line(img, (x, 0), (x, img.shape[1]), color=(0, 255, 0), thickness=1) cv2.line(img, (0, y), (img.shape[1], y), color=(0, 255, 0), thickness=1) if event==cv2.EVENT_LBUTTONDOWN:#如果是：按下左键 s_x=x s_y=y print("第一个坐标："+str(x)+","+str(y)) elif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:#如果是：移动同时左键按下 img = cv2.imread('car.png') cv2.rectangle(img, (s_x, s_y), (x, y), (255, 0, 0), 3) elif event==cv2.EVENT_LBUTTONUP:#如果左键松开 print("第二个坐标：" + str(x) + "," + str(y)) cv2.rectangle(img, (s_x, s_y), (x, y), (255, 0, 0), 3) drawing_flag=False cv2.setMouseCallback('image',draw) while(1): cv2.imshow('image',img) if cv2.waitKey(10)&0xff==ord('q'): break cv2.destroyAllWindows()
关键函数： 相加：add()混合：addWeighted()，参数4和参数3表示参数3和参数1的混合比例 import cv2 import numpy as np # 1.加法 img=np.zeros((500,500,1),np.uint8) color = np.ones((500,500,1),np.uint8) print(cv2.add(img,color)) # 2.混合 img1=cv2.imread('building01.jpg') img = cv2.imread('xxx.jpg') img =cv2.resize(img,(384,288)) dst=cv2.addWeighted(img1,0.7,img,0.5,0) cv2.imshow('dst',dst) cv2.waitKey(0) 8.性能检测和优化关键函数： 获取时间点：getTickCount()设置优化：setUseOptimized() from cv2 import * # 检测时间 e1=getTickCount() ''' Code ''' e2=getTickCount() time=(e2-e1)/getTickFrequency() print(time) # 检测优化、开启优化 print(useOptimized()) setUseOptimized(False) print(useOptimized()) setUseOptimized(True) print(useOptimized()) ''' 优化建议： 1. 尽量避免使用循环，尤其双层三层循环，它们天生就是非常慢的。 2. 算法中尽量使用向量操作，因为 Numpy 和 OpenCV 都对向量操作进行 了优化。 3. 利用高速缓存一致性。 4. 没有必要的话就不要复制数组。使用视图来代替复制。数组复制是非常浪 费资源的。 ''' 9.颜色空间转换关键函数： 颜色空间转换：cvtColor()判断像素值是否在某区间：inrange() import cv2 img = cv2.imread('xxx.png') # 参数1：img_name 参数2：flag（还有其他类型的转换） cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #将BGR颜色空间转换为GRAY（灰度化） # hsv，mask_1 lower_ = np.array([0, 0,100]) upper_ = np.array([120 , 50, 240]) hsv = cv2.cvtColor(final, cv2.COLOR_BGR2HSV)#转换为HSV mask_1 = cv2.inRange(hsv, lower_, upper_) #HSV在lower_到upper_的为255，否则设置为0备注：可以利用这个方法，找到自己感兴趣的物体，从而进行跟踪 10.图像几何变换：扩展缩放、平移、旋转、仿射变换、透视变换关键函数： 扩展缩放：resize()仿射变换：warpAffine()旋转辅助函数：getRotationMatrix2D()透视变换：getPerspectiveTransform(),warpPerspective() import cv2 import numpy as np img = cv2.imread('xxx.jpg') #缩放，推荐cv2.INTER_AREA，扩展推荐v2.INTER_CUBIC，cv2.INTER_LINEAR，默认cv2.INTER_LINEAR '''resize函数''' res=cv2.resize(img,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR) #平移 '''warpAffine函数，接收2x3矩阵，前两列固定，后两列是平移长度''' Mat = np.float32([[1,0,100],[0,1,50]]) res2=cv2.warpAffine(img,Mat,(300,300)) #旋转 # 这里的第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子 # 可以通过设置旋转中心，缩放因子，以及窗口大小来防止旋转后超出边界的问题 '''getRotationMatrix2D函数，接收3x3矩阵''' rows,cols=img.shape[:2] M=cv2.getRotationMatrix2D((cols/2,rows/2),45,0.6) res3=cv2.warpAffine(img,M,(300,300)) #仿射变换 '''getAffineTransform()函数，图像前的三个点，图像后的三个点，形成仿射变换''' pts1=np.float32([[50,50],[150,50],[50,200]]) pts2=np.float32([[10,100],[50,50],[50,250]]) M1=cv2.getAffineTransform(pts1,pts2) res4=cv2.warpAffine(img,M1,(cols,rows)) #透视变换 '''getPerspectiveTransform()函数，需要2个参数，图像前4个点，图像后4个点，一般用来矫正图像''' img2=cv2.imread('xxx.jpg') res5=cv2.resize(img2,None,fx=0.2,fy=0.2) rows,cols,ch=img2.shape pts3 = np.float32([[56,65],[368,52],[28,387],[389,390]]) pts4 = np.float32([[0,0],[300,0],[0,300],[300,300]]) M2=cv2.getPerspectiveTransform(pts3,pts4) res5=cv2.warpPerspective(res5,M2,(800,800)) while(1): cv2.imshow('src', img) cv2.imshow('res1',res) cv2.imshow('res2',res2) cv2.imshow('res3',res3) cv2.imshow('res4',res4) cv2.imshow('res5',res5) if cv2.waitKey(1) & 0xFF==27: break 11.图像二值化：简单阈值，自适应阈值，Otsu阈值关键函数： 阈值分割：threshold()自适应阈值：adaptiveThreshold() import cv2 img = cv2.imread('xxx.png',0) # 简单阈值 # 第四个参数可更改 ret,thread=cv2.threshold(img,126,245,cv2.THRESH_BINARY) '''自适应阈值''' img = cv2.medianBlur(img,5) ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY) #11 为 Block size, 2 为 C 值 th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,11,2) '''OTSU阈值''' ret3,th3 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) while(1): cv2.imshow('src',img) cv2.imshow('img_th1',thread) cv2.imshow('img_th2',th2) cv2.imshow('img_th3',th3) if cv2.waitKey(1)& 0xFF==27: break 12.图像平滑：平均、高斯、中值、双边滤波关键函数： 滤波：blur()高斯滤波：GaussianBlur()中值滤波：medianBlur()双边滤波：bilateralFilter() import cv2 from matplotlib import pyplot as plt img = cv2.imread('xxx.jpg') #均值 blur= cv2.blur(img,(5,5)) plt.subplot(121),plt.imshow(img),plt.title('src'),plt.xticks([]),plt.yticks([]) plt.subplot(122),plt.imshow(blur),plt.title('blur'),plt.xticks([]),plt.yticks([]) #高斯 Gaussi=cv2.GaussianBlur(img,(5,5),0) plt.subplot(122),plt.imshow(Gaussi),plt.title('Gaussian'),plt.xticks([]),plt.yticks([]) #中值滤波 median = cv2.medianBlur(img,5) plt.subplot(122),plt.imshow(median),plt.title('median'),plt.xticks([]),plt.yticks([]) #双边滤波 bilateralFilter = cv2.bilateralFilter(img,9,75,75) plt.subplot(122),plt.imshow(bilateralFilter),plt.title('bilateralFilter'),plt.xticks([]),plt.yticks([]) plt.show() 13.图像形态学转换关键函数： 腐蚀、膨胀、开闭、梯度、礼帽黑帽详见代码 import cv2 import numpy as np img = cv2.imread('xxx.png',0) kernel = np.ones((17,17),np.uint8) # 腐蚀 test1 = cv2.erode(img,kernel=kernel) # 膨胀 test2 = cv2.dilate(img,kernel=kernel) # 开运算 test3 = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel=kernel) # 闭运算 test4 = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel=kernel) # 形态学梯度 膨胀-腐蚀 gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) # 礼帽 原始图像与进行开运算之后得到的图像的差。 tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) # 黑帽 进行闭运算之后得到的图像与原始图像的差 blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel) while(1): cv2.imshow('src',img) cv2.imshow('test1',test1) cv2.imshow('test2',test2) cv2.imshow('test3', test3) cv2.imshow('test4',test4) cv2.imshow('gradient',gradient) cv2.imshow('test6',tophat) cv2.imshow('test7',blackhat) if cv2.waitKey(0) & 0xFF==27: break 14.图像梯度：各种算子常见算子： 拉普拉斯： Laplacian()Sobel算子：Sobel()Canny算子：Canny() import cv2 img=cv2.imread('XT.png',0) #cv2.CV_64F 输出图像的深度（数据类型），可以使用-1, 与原图像保持一致 np.uint8 laplacian=cv2.Laplacian(img,cv2.CV_64F) # 参数 1,0 为只在 x 方向求一阶导数，最大可以求 2 阶导数。 sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) # 参数 0,1 为只在 y 方向求一阶导数，最大可以求 2 阶导数。 sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) Canny = cv2.Canny(img,100,240) while(1): cv2.imshow('src',img) cv2.imshow('laplacian',laplacian) cv2.imshow('sobelx',sobelx) cv2.imshow('sobely', sobely) cv2.imshow('Canny',Canny) if cv2.waitKey(0) & 0xFF==27: break 15.图像金字塔关键函数： pyrDown()pyrUp() import cv2 img = cv2.imread('xxx.jpg') lower_reso = cv2.pyrDown(img) high_reso = cv2.pyrUp(lower_reso) cv2.imshow('img',high_reso) cv2.waitKey(0) 16.图像轮廓主要函数： 找轮廓 findContours画轮廓 drawContours 其他：重心、周长、面积、轮廓近似、凸包、矩阵、最小外接圆、椭圆和直线拟合 from cv2 import * img = imread('dog2.jpg',0) imshow('img',img) #绘制轮廓 ret,threah = threshold(img,127,255,0) image, contours, hierarchy = findContours(threah,RETR_TREE,CHAIN_APPROX_NONE) res= drawContours(img,contours,-1,(255,100,0),3) imshow('threah',threah) imshow('res',res) cnt = contours[2] M = moments(cnt) #print(M) #重心 cx = int(M['m10']/M['m00']) cy = int(M['m01']/M['m00']) # print(cx,cy) #面积 area = contourArea(cnt) # print(area) #周长 perimeter = arcLength(cnt,True) #print(perimeter) #轮廓近似 epsilon = 0.1*arcLength(cnt,True) approx = approxPolyDP(cnt,epsilon,True) #凸包 hull = convexHull(cnt) #凸性检测 k = isContourConvex(cnt)#False说明不是凸性 #print(k) #直矩阵 x,y,w,h = boundingRect(cnt) img = rectangle(img,(x,y),(x+w,y+h),(100,255,0),3) imshow('img_b',img) #旋转矩阵 x,y,w,h = boundingRect(cnt) img = rectangle(img,(x,y),(x+w,y+h),(100,255,0),2) #imshow('img_c',img) #最小外接圆 (x,y),radius = minEnclosingCircle(cnt) center = (int(x),int(y))#cv2.namedWindow('image') radius = int(radius) img = circle(img,center,radius,(100,240,0),2) #imshow('img_r',img) # 椭圆拟合 ellipse = fitEllipse(cnt) img = ellipse(img,ellipse,(0,255,0),2) # imshow('img_i',img) #直线拟合 cols=img.shape[1] [vx,vy,x,y] = fitLine(cnt, cv2.DIST_L2,0,0.01,0.01) lefty = int((-x*vy/vx) + y) righty = int(((cols-x)*vy/vx)+y) img = line(img,(cols-1,righty),(0,lefty),(0,255,0),2) #print(hull) waitKey(0) 17.直方图计算绘制、均衡化、反向投影、2D投影关键函数： 计算直方图：calcHist()绘制直方图(pyplot)：hist()直方图均衡化：equalizeHist() import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('xxx.jpg',0) cv2.imshow('xxx',img) '''1.计算直方图''' # 输入表示：原图、通道、Mask、BIN数目，范围 '''返回的参数hist是一个1x256的一维数组''' hist = cv2.calcHist([img],[0],None,[256],[0,256]) print(hist) #或者是np中的histogram来进行直方图的运算 #hist,bins = np.histogram(img.ravel(),256,[0,256]) '''2.绘制直方图''' #这里可以使用matplotlib方式进行绘制，比较简单 plt.hist(img.ravel(),256,[0,256]) plt.show() '''小实验A，绘制三通道彩色图''' img = cv2.imread('xxx.jpg') bgr=['b','g','r'] for i,color in enumerate(bgr): hist = cv2.calcHist([img],[i],None,[256],[0,256]) plt.plot(hist,color=color) plt.xlim([0,256]) cv2.imshow('img',img) plt.show() '''小实验B，利用numpy进行掩膜运算得到直方图''' mask = np.zeros(img.shape[:2],np.uint8) mask[100:200,300:400]=255 mask_img = cv2.bitwise_and(img,img,mask) hist_full = cv2.calcHist([img],[0],None,[256],[0,256]) hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256]) plt.subplot(221), plt.imshow(img, 'gray') plt.subplot(222), plt.imshow(mask,'gray') plt.subplot(223), plt.imshow(mask_img, 'gray') plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask) plt.xlim([0,256]) plt.show() '''3.直方图均衡化''' # img_3= cv2.imread('xxx.jpg') # hist , bins= np.histogram(img_3.flatten(),256,[0,256])#flagtten函数可以将img_3转为一维 # #计算累计直方图 # cdf = hist.cumsum() # cdf_normalized = cdf * hist.max()/ cdf.max() # plt.plot(cdf_normalized, color = 'b') # plt.hist(img.flatten(),256,[0,256], color = 'r') # plt.xlim([0,256]) # plt.legend(('cdf','histogram'), loc = 'upper left') # plt.show() # # 构建 Numpy 掩模数组，cdf 为原数组，当数组元素为 0 时，掩盖（计算时被忽略）。 # cdf_m = np.ma.masked_equal(cdf,0) # cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min()) # # 对被掩盖的元素赋值，这里赋值为 0 # cdf = np.ma.filled(cdf_m,0).astype('uint8') # img_3_1=cdf[img_3] img = cv2.imread('xxx.jpg',0) equ = cv2.equalizeHist(img) res = np.hstack((img,equ)) cv2.imshow('res.png',res) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl1 = clahe.apply(img) res2 = np.hstack((img,cl1)) cv2.imshow('res1.png',res2) '''4.2D直方图''' #如果要绘制颜色直方图，需要将图像的颜色空间从BGR转换到HSV #计算以为直方图，要从BGR转为HSV img = cv2.imread('xxx.jpg') hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) #channels为H、S两个通道，H通道为180，S通道为256 #取值范围H通道从0到180，S通道为0到256 hist = cv2.calcHist([hsv],[0,1],None,[180,256],[0,180,0,256]) #numpy中也有相关函数，histogram2d #绘制直方图 plt.imshow(hist,interpolation='nearest') plt.show() '''5.直方图反向投影''' # 直方图反向投影经常与图像分割密切联系 roi = cv2.imread('xxx_roi.png') hsv = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV) target = cv2.imread('xxx.jpg') hsvt = cv2.cvtColor(target,cv2.COLOR_BGR2HSV) roihist = cv2.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] ) # 归一化：原始图像，结果图像，映射到结果图像中的最小值，最大值，归一化类型 #cv2.NORM_MINMAX 对数组的所有值进行转化，使它们线性映射到最小值和最大值之间 # 归一化之后的直方图便于显示，归一化之后就成了 0 到 255 之间的数了。 cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX) dst = cv2.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1) # Now convolute with circular disc # 此处卷积可以把分散的点连在一起 disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5)) dst=cv2.filter2D(dst,-1,disc) # threshold and binary AND ret,thresh = cv2.threshold(dst,50,255,0) # 别忘了是三通道图像，因此这里使用 merge 变成 3 通道 thresh = cv2.merge((thresh,thresh,thresh)) # 按位操作 res = cv2.bitwise_and(target,thresh) res = np.hstack((target,thresh,res)) # 显示图像 cv2.imshow('1',res) cv2.waitKey(0) 18.图像变换：傅里叶变换 快速傅里叶变换（np）：fft()傅里叶变换（opencv）:dft() '''边界和噪声是图像中的高频分量''' '''可以通过高频分量的分布来消除噪声点等''' '''振幅谱是一个波或波列的振幅随频率的变化关系''' import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('xxx.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 这里构建振幅图的公式没学过 magnitude_spectrum = 20*np.log(np.abs(fshift)) plt.subplot(121),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray') # 振幅谱 plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.show() rows, cols = img.shape crow,ccol = int(rows/2) , int(cols/2) print(crow,ccol) fshift[crow-30:crow+30, ccol-30:ccol+30] = 0 f_ishift = np.fft.ifftshift(fshift) img_back = np.fft.ifft2(f_ishift) # 取绝对值 img_back = np.abs(img_back) plt.subplot(131),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(132),plt.imshow(img_back, cmap = 'gray') plt.title('Image after HPF'), plt.xticks([]), plt.yticks([]) plt.subplot(133),plt.imshow(img_back) plt.title('Result in JET'), plt.xticks([]), plt.yticks([]) plt.show() #opencv中的傅里叶变换 img = cv2.imread('xxx.jpg',0) dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1])) plt.subplot(121),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray') plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.show() # 高通滤波,如拉普拉斯算子 rows, cols = img.shape crow,ccol = int(rows/2) , int(cols/2) mask = np.zeros((rows,cols,2),np.uint8) mask[crow-30:crow+30, ccol-30:ccol+30] = 1 # apply mask and inverse DFT fshift = dft_shift*mask f_ishift = np.fft.ifftshift(fshift) img_back = cv2.idft(f_ishift) img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) plt.subplot(121),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img_back, cmap = 'gray') plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.show() 19.图像模板匹配关键函数： 模板匹配：matchTemplate() import cv2 import numpy as np from matplotlib import pyplot as plt #单目标 img = cv2.imread('xxx.jpg',0) img2 = img.copy() template = cv2.imread('xxx_roi.png',0) w, h = template.shape[::-1] # 6中匹配的方式 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: img = img2.copy() method = eval(meth) res = cv2.matchTemplate(img,template,method) #cv2.imshow('imshow',res) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) #print(min_val,max_val,min_loc,max_loc) # 使用不同的比较方法，对结果的解释不同 # If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum 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) cv2.rectangle(img,top_left, bottom_right, 255, 2) plt.subplot(121),plt.imshow(res,cmap = 'gray') plt.title('Matching Result'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img,cmap = 'gray') plt.title('Detected Point'), plt.xticks([]), plt.yticks([]) plt.suptitle(meth) plt.show() #多目标 img_rgb = cv2.imread('cut.jpg') img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY) template = cv2.imread('3_.png',0) w, h = template.shape[::-1] res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED) threshold = 0.8 loc = np.where( res >= threshold) for pt in zip(*loc[::-1]): cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2) cv2.imshow('res.png',img_rgb) cv2.waitKey(0)多目标匹配：扫雷中“3”的个数 关键函数： HoughLines()：详见代码 import cv2 import numpy as np img = cv2.imread('xxx.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray,50,150,apertureSize = 3) '''方式1''' #第二、三个值是p和setae的精确度 lines = cv2.HoughLines(edges,1,np.pi/180,200) for i in range(0,lines.shape[0]): for rho,theta in lines[i]: a = np.cos(theta) b = np.sin(theta) x0 = a*rho y0 = b*rho x1 = int(x0 + 1000*(-b)) y1 = int(y0 + 1000*(a)) x2 = int(x0 - 1000*(-b)) y2 = int(y0 - 1000*(a)) cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2) cv2.imshow('houghlines.jpg',img) cv2.waitKey(0) '''方式2''' #Probabilistic Hough Transform局部化霍夫变换 img = cv2.imread('xxx.jpg') #img = cv2.resize(img,None,fx=0.2,fy=0.2) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray,50,150,apertureSize = 3) minLineLength = 100 maxLineGap = 10 lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap) for i in range(0,lines.shape[0]): for x1,y1,x2,y2 in lines[i]: cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2) cv2.imshow('img',img) cv2.waitKey(0) 21.Hough 圆环变换关键函数： HoughCircles()：详见代码 import cv2 import numpy as np img = cv2.imread('circle.jpg',0) img = cv2.medianBlur(img,5) cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR) circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,20, param1=50,param2=30,minRadius=0,maxRadius=0) circles = np.uint16(np.around(circles)) print(circles.shape) for i in circles[0,:]: cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2) cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3) cv2.imshow('detected circles',cimg) cv2.waitKey(0) cv2.destroyAllWindows() 22.GrabCut算法进行交互式前景提取关键函数： grabCut()：详见函数 import numpy as np import cv2 from matplotlib import pyplot as plt img = cv2.imread('fish.png') cv2.imshow('img',img) mask = np.zeros(img.shape[:2],np.uint8) bgdModel = np.zeros((1,65),np.float64) fgdModel = np.zeros((1,65),np.float64) rect = (1,1,283,129) # 函数的返回值是更新的 mask, bgdModel, fgdModel cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT) mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8') img = img*mask2[:,:,np.newaxis] plt.imshow(img),plt.colorbar(),plt.show() '''或者使用mask方法，这样可以使之优化''' cv2.waitKey(0)原图： 关键函数： 角点检测：cornerHarris()获得n个最佳角点：goodFeaturesToTrack() import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('xxx.png') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) gray = np.float32(gray) # 输入图像必须是 float32，点大小，点偏离， dst = cv2.cornerHarris(gray,2,3,0.05) dst = cv2.dilate(dst,None) img[dst>0.01*dst.max()]=[0,0,255] cv2.imshow('dst',img) cv2.waitKey(0) #亚像素级精确度的角点 #得到N个最佳角点 img = cv2.imread('xxx.png') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #质量水平在0到1之间，4表示4个点 corners = cv2.goodFeaturesToTrack(gray,4,0.01,10) # 返回的结果是 [[ 311., 250.]] 两层括号的数组。 print(corners) corners = np.int0(corners) print(corners) for i in corners: x,y = i.ravel() cv2.circle(img,(x,y),3,255,-1) plt.imshow(img) plt.show()
使用函数要版权，所以可能用不了，另外，SURF，FAST也是需要版权的，我们只需要知道它的大致原理，还有其使用场景，SIFT算法利用了尺度不变性来进行图像关键点的提取，细节原理可参考其他资料 '''SIFT算法''' import cv2 import numpy as np # img = cv2.imread('rice.jpg') # gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # sift = cv2.SIFT() # kp = sift.detect(gray,None) # img=cv2.drawKeypoints(gray,kp) # cv2.imwrite('sift_keypoints.jpg',img) ''' *****步骤****** 尺度空间极值检测 关键点（极值点）定位 为关键点（极值点）指定方向参数 关键点描述符 关键点匹配 ************** ''' 25.ORB算法ORB是开源的，另外，利用SIFT，ORB算法等一般进行特征匹配 import cv2 from matplotlib import pyplot as plt img = cv2.imread('XT.png',0) # Initiate STAR detector orb = cv2.ORB_create() # find the keypoints with ORB kp = orb.detect(img,None) # compute the descriptors with ORB kp, des = orb.compute(img, kp) img2 = img.copy() # draw only keypoints location,not size and orientation img2 = cv2.drawKeypoints(img,kp,img2,color=(0,255,0), flags=0) plt.imshow(img2),plt.show()
|
提取后： 
【本文地址】
今日新闻 |
推荐新闻 |