目录

1、图像滤波处理

2、图像边缘提取

3、创建掩膜，提取兴趣区

4、直线检测

5、轮廓检测

6、图像膨胀腐蚀

 7、伽马变换

8、调整图像亮度与对比度 

---

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()