opencv图像处理
目录
1、图像滤波处理
通过滤波来提取图像特征,消除噪声。
常用滤波方式有:均值滤波、高斯滤波、中值滤波、双边滤波。
- 高斯滤波:
blur_gray = cv2.GaussianBlur(orgGray, (kernel_size, kernel_size), 0)
orgGray:灰度图像;kernel_size:高斯核的大小;sigma:高斯标准差,默认为0。
- 中值滤波:对滤波模板内的所有元素进行排序,取排序序列的中值作为中心像素。
medianFiltered = cv2.medianBlur(src, ksize)
src:待中值滤波的输入图像;ksize:中值滤波模板大小。
- 均值滤波:对滤波模板内的所有像素进行求和再求平均值,再将均值复制给所有的中心像素。
2、图像边缘提取
edges_image = cv2.Canny(blur_gray, 20, 150, apertureSize=3, L2gradient=False)
blur_gray:输入要检测的灰度图
3、创建掩膜,提取兴趣区
思路:
生成一个与原图大小维度一致的mask矩阵;
对照原图在该mask上构建感兴趣区域,这里为多边形;
利用opencv的cv2.fillPoly()函数对多边形轮廓进行填充;
利用opencv的cv2.bitwise_and()函数与原图像进行与运算,保留感兴趣原图像。
# 生成掩膜,提取ROI
mask = np.zeros_like(image)
vertices = np.array([[512, 391], [517, 441], [620, 426], [618, 379]],dtype=np.int32)
cv2.fillPoly(mask, [vertices], (255,255,255))
masked_image = cv2.bitwise_and(image,mask)
cv2.imshow('masked_image', masked_image)
cv2.bitwise_and():对两幅图像进行按位“与”操作。
4、直线检测
霍夫变换:
lines = cv2.HoughLinesP(masked_image, 1, np.pi / 180, threshold=45, minLineLength=30, maxLineGap=60)
threshold:霍夫平面累加阈值,值越大,检测出的直线越少,minLineLength:线段最小长度, maxLineGap:最大允许断裂长度
检测到的直线绘制:
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(line_image, (x1, y1), (x2, y2), (0, 255, 0), 2)
5、轮廓检测
# 将图像转换为灰度图
orgGray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edges_image = cv2.Canny(orgGray, 30, 150, apertureSize=3, L2gradient=False)
contours, _ = cv2.findContours(edges_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓并绘制
for contour in contours:
cv2.drawContours(image, [contour], 0, (0, 0, 255),1)
cv2.imshow("contours", image)
1)计算轮廓周长:
perimeters = cv2.arcLength(contour, True)
2)计算轮廓面积:
area = cv2.contourArea(contour)
3)绘制轮廓最小矩形并绘制:
rect = cv2.minAreaRect(contour)
# 计算矩形框的四个顶点坐标,是按照左上、右上、右下、左下的顺序排列的
box = cv2.boxPoints(rect)
box = np.int0(box)
print("box",box)
cv2.drawContours(image, [box], 0, (0, 0, 255),1)
cv2.imshow("contours", image)
在实测中发现cv2.boxPoints计算的四个顶点坐标不一定按左上、右上、右下、左下的顺序排列的,会发生跳变。
小技巧:
# 左上角坐标获取
# 求 sum=x+y, 最小的是左上,最大的是右下
s = box.sum(axis = 1)
top_left = box[np.argmin(s)]
# 右上角坐标获取
# 求diff=y-x, 最小的是右上,最大的是左下
diff = np.diff(box, axis = 1)
top_right = box[np.argmin(diff)]
zip()用法:
x_coords, y_coords = zip(*box)
print(list(zip(*box)))
box [[151 318]
[152 292]
[265 294]
[264 320]]
运行结果:
[(151, 152, 265, 264), (318, 292, 294, 320)]
4)对检测到的轮廓降序排列,获取最大轮廓:
cnts = sorted(contours, key = cv2.contourArea, reverse = True)[0]
print("最大轮廓面积:", cv2.contourArea(cnts))
5)轮廓凸包
实现功能:剔除面积小于50的轮廓,并计算剩余轮廓凸包。
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
filtered_contours = []
for cnt in contours:
print(cv2.contourArea(cnt))
if cv2.contourArea(cnt) > 50:
cv2.drawContours(image, cnt, -1, (0, 154, 255),2)
filtered_contours.append(cnt)
all_check_piece_contours = np.vstack((filtered_contours))
hull = cv2.convexHull(all_check_piece_contours)
cv2.drawContours(image, [hull], -1, (0, 255, 0), 2)
np.vstack:用于在垂直方向上(即沿着第一个轴)堆叠数组,接受一个或多个数组作为输入,并返回一个新的数组。
6、图像膨胀腐蚀
图像的膨胀(dilation)和腐蚀(erosion)主要用来寻找图像中的极大区域和极小区域。
膨胀类似于“领域扩张”,将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大。
腐蚀类似于“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。
7、伽马变换
伽马变换是非线性图像增强的方法,主要用于调整图像的亮度、对比度和颜色平衡。
# 设定伽马值
gamma = 0.5
# 对图像进行伽马变换,img为原始图像
gamma_correction = np.power(img / 255.0, gamma)
gamma_correction = (gamma_correction * 255).astype(np.uint8)
伽马值>1,图像的高灰度区域对比度得到增强,直观效果是一幅偏亮的图像变暗。
伽马值<1,图像的低灰度区域对比度得到增强,直观效果是一幅偏暗的图像变亮。
参考链接 https://blog.51cto.com/u_15467780/4851994
8、调整图像亮度与对比度
import cv2
import numpy as np
import os
def shadow(input_image, light):
# 将输入图像转换为浮点类型并归一化,便于后续处理
f = input_image.astype(np.float32) / 255.0
# 使用OpenCV将归一化的图像转换为灰度图
gray = cv2.cvtColor(f, cv2.COLOR_BGR2GRAY)
# 计算灰度图的平方,用以确定阴影区域
thresh = (1.0 - gray) ** 2
# 计算阴影区域的平均值,用作后续的阈值
t = np.mean(thresh)
# 创建一个掩码,标记阴影区域(高于平均值的区域)
mask = np.where(thresh >= t, 255, 0).astype(np.uint8)
# 设置校正参数
max_val = 4 # 最大校正范围
bright = light / 100.0 / max_val # 计算校正强度
mid = 1.0 + max_val * bright # 计算中间值
# 创建两个过渡矩阵,用于调整图像的亮度和对比度
midrate = np.where(mask == 255, mid, ((mid - 1.0) / t * thresh) + 1.0)
brightrate = np.where(mask == 255, bright, (1.0 / t * thresh) * bright)
# 使用指数函数调整图像亮度,并通过掩码实现平滑过渡
result = np.clip(pow(f, 1.0 / midrate[:, :, np.newaxis]), 0.0, 1.0)
# 根据计算出的亮度率调整图像,限制值在0到1之间
result = np.clip(result * (1.0 / (1 - brightrate[:, :, np.newaxis])), 0.0, 1.0) * 255
# 将结果转换为8位无符号整型,以便显示和保存
result = result.astype(np.uint8)
return result
# 主程序
# 读取图像文件
current_path = os.getcwd()
image_path = current_path + "/calibration/test.jpg"
src = cv2.imread(image_path)
# 设置校正亮度参数,负值表示减少亮度,正值表示增加亮度 取值为-100到100
light = -50
# 调用阴影校正函数
result = shadow(src, light)
# 显示原始图像和校正后的图像
cv2.imshow("original", src)
cv2.imshow("result", result)
# 等待按键后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
更多推荐
所有评论(0)