一天撸完Python-Opencv常用函数和基本思想(续集)

我不是女神ヾ 2022-12-17 07:16 84阅读 0赞

昨天有事情，本来打算一天分享完的（就是快速看看关键的部分），然后上午看了一会，有事情去忙了，所以没有完成这个工作，今天下午打开一看收到小伙伴的评价，其实自己也是个小白，因为论文的需要，需要图像的知识，自己能力有限，但是会尽力分享每一次学习的心得，希望一方面督促自己学习，另一方面也可以和大家分享交流，做学术嘛，就是要一起学习才能共同进步。  
感谢小伙伴的支持，谢谢关注！  
![在这里插入图片描述][20201022163038723.png_pic_center]

1 图像阈值  
图像阈值理论  
![在这里插入图片描述][20201022163923710.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center]  
代码：

import  numpy as np
    import  cv2
    import  matplotlib.pyplot as plt
    import time
    
    img = cv2.imread('test1.jpg',0)
    ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
    ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
    ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
    ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
    
    titles = ['original','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([])
        plt.show()

上面代码简单提几句，绘图的时候，有一个subplot函数，可以绘制多个（分块放置）  
另外就是标题那块，实现的时候是一次取一个  
结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 1]  
![在这里插入图片描述][20201022164830910.png_pic_center]  
2 自适应阈值  
![在这里插入图片描述][20201022171615204.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 2]

import  numpy as np
    import  cv2
    import  matplotlib.pyplot as plt
    import time
    
    img = cv2.imread('threshold.png',0)
    
    # 中值滤波
    img = cv2.medianBlur(img,5)
    
    ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    
    th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
    
    
    th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
    titles = ['original','Global THresholding(v=127)','Adaptive Mean Thresholding','Adative Gaussian Thresholding']
    
    images = [img,th1,th2,th3]
    
    for i in range(4):
        plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
        plt.title(titles[i])
        plt.xticks([]),plt.yticks([])
    
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 3]  
3 图像平滑  
学习使用不同的低通滤波对图像进行模糊  
使用自定义的滤波对图像进行卷积（2D卷积）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 5]  
[参考链接][Link 1]详细看看函数原型  
[比较好的帖子，值得一看][Link 2]

import  numpy as np
    import  cv2
    import  matplotlib.pyplot as plt
    import time
    
    img = cv2.imread('test3.jpg',0)
    kernel = np.ones((5,5),np.float32)/25
    
    dst = cv2.filter2D(img,-1,kernel)
    plt.subplot(121),plt.imshow(img),plt.title('original')
    plt.xticks([]),plt.yticks([])
    plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
    plt.xticks([]),plt.yticks([])
    plt.show()

![在这里插入图片描述][20201022181824732.png_pic_center]  
\*\*这里需要补充一下（很重要） \*\*  
这是我的原图，很颜色很正常对吧  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 6]  
但是上面显示出来，看起来失真了，为什么会出现这种情况了？  
因为在matplotlib里面读取的图像是B,G,R，不是我们平时说的R,G，B因此使用plot的时候，其实就是自动的修改了顺序，当然不对了。  
这个时候，需要使用函数split，将图像的三个通道拆出来，然后进行重新组合，再进行显示就正常了。

代码如下所示：

b,g,r = cv2.split(img)
    img = cv2.merge([r, g, b])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 7]  
可以看到是进行了模糊操作  
[均值滤波器][Link 3]  
计算平均值时，取值范围越大，”模糊效果”越强烈。  
blur = cv2.blur(img,(11,11))  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 8]

**高斯模糊**  
blur=cv2.GaussianBlur(img,(5,5),0)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 9]  
一直以来没有搞明白什么是线性滤波和非线性滤波：

滤波的意思就是对原图像的每个像素周围一定范围内的像素进行运算，运算的范围就称为掩膜。而运算就分两种了，如果运算只是对各像素灰度值进行简单处理（如乘一个权值）最后求和，就称为线性滤波；而如果对像素灰度值的运算比较复杂，而不是最后求和的简单运算，则是非线性滤波；如求一个像素周围3x3范围内最大值、最小值、中值、均值等操作都不是简单的加权，都属于非线性滤波。
    	
    	中值滤波

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 10]  
双边滤波  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 11]  
![在这里插入图片描述][20201022205310691.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 12]  
未完…

[20201022163038723.png_pic_center]: /images/20221123/45a1bc433207406aa2a9076ae206d026.png
[20201022163923710.png_pic_center]: /images/20221123/87bc2492307c4c2badd8b87dcdb39bf7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/e2fe7301c03f40f2a8d61709ba98d30d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/26d3b4eb23794e02b7163d5181e9672a.png
[20201022164830910.png_pic_center]: /images/20221123/dd8b35845bbd492e9e3a454cc54abcc8.png
[20201022171615204.png_pic_center]: /images/20221123/90b64773f0ed4eedbcb5cd95550020af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/656c9bfd4c8f48c0b594bb532a238eaa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/9972921df0b74957a971e30080d54889.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/acdc029676c54e88bdc3e56f220ce630.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/daef0e21bc67454287a22f23cecc991d.png
[Link 1]: https://www.cnblogs.com/lfri/p/10599420.html
[Link 2]: https://blog.csdn.net/on2way/article/details/46828567
[20201022181824732.png_pic_center]: /images/20221123/5837879271f542b9bf7eb302458aa9a9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221123/b6a677cafbf740d5b25db9c868608eb7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221123/2fa2dc17baff4df7a2bcff613534312b.png
[Link 3]: https://blog.csdn.net/u013263891/article/details/83048641
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221123/db48d7ca20aa423d8b4d7259ccc0288b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221123/ebd34f55ca8443959c62e19143a7accf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221123/7fa6ea1474144595a15c0f4530d6ff77.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221123/51a2022cf3214eed91f1e4b6a7f1bda0.png
[20201022205310691.png_pic_center]: /images/20221123/d662740d8acd49cebf9e9fef7f718fc8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221123/1df6f3fbfb5643b2a730aa72da4fcdda.png