記錄下： https://blog.csdn.net/JsonD/article/details/84983702

以下所有操作都基于這三個(gè)庫：

import cv2 
import numpy as np 
import matplotlib.pylab as plt

1、圖片讀取

img=cv2.imread('image/lenacolor.png',cv2.IMREAD_UNCHANGED)

原圖展示
cv2.IMREAD_UNCHANGED

灰度圖展示
cv2.IMREAD_GRAYSCALE

彩色圖展示
cv2.IMREAD_COLOR

2、圖片保存

cv2.imwrite('image/gray_test.jpg',img)

3、圖片展示

cv2.imshow('original',img)

4、圖片暫停展示

##num<0 按鍵輸入消失
##num==0 或不填系數(shù) ，一直不消失
##num>0 停滯num秒 
cv2.waitKey(num)

5、 關(guān)閉所有窗口

cv2.destroyAllWindows()

6、圖像賦值

1)基本操作

img[100,100]=255 #灰度圖賦值 
img[100,100,0]=255 #彩色圖單通道賦值 
img[100,100]=[255,255,255] #彩色圖多通道賦值

2)numpy操作

img.item(100, 100, 2) #獲得（100,100）點(diǎn)，2通道的值 
img.itemset((100, 100, 2), 255) #設(shè)置（100,100）點(diǎn)2通道的值

7、獲取圖像屬性

##獲取BGR圖 高、寬、深度 
h，w，d=img.shape

##獲得圖片大小 h*w 或 h*w*d 
img_size=img.size

##獲得圖片數(shù)據(jù)類型 
img.dtype

8、感興趣區(qū)域ROI （region of interest）

##獲得面部圖像 
face= img[220:400, 250:350]

##粘貼臉部圖像，可以跨圖粘貼 
img[0:180, 0:100]=face

9、通道分解合并

##通道分解方案1 
b=img[:,:,0] 
g=img[:,:,1] 
r=img[:,:,2]

##通道分解方案2 
b,g,r=cv2.split(img)

##通道合并 
rgb=cv2.merge([r,g,b])

##只顯示藍(lán)色通道 
b=cv2.split(a)[0] 
g = np.zeros((rows,cols),dtype=a.dtype) 
r = np.zeros((rows,cols),dtype=a.dtype) 
m=cv2.merge([b,g,r])

10、圖像加法

##超過255則為0 
result1= img1 + img2

##超過255則為255 
result2=cv2.add(img1, img2)

##圖像帶權(quán)重融合，第5個(gè)參數(shù)為偏移量 
result=cv2.addWeighted(img1,0.5,img2,0.5, 0)

11、圖像類型轉(zhuǎn)換

##彩色圖轉(zhuǎn)灰度圖 
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

##BGR圖轉(zhuǎn)RGB圖（重點(diǎn)：opencv的通道是 藍(lán)、綠、紅跟計(jì)算機(jī)常用的紅、綠、藍(lán)通道相反） 
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)

##灰度圖轉(zhuǎn)BGR圖,每個(gè)通道都是之前的灰度值 
img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

12、圖像縮放 （寬、高）

##圖片縮放->(200,100) 
img2=cv2.resize(img1, (200, 100))

##按比例縮放->(0.5,1.2) 
img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))

##按比例縮放，參數(shù)版 
img2=cv2.resize(img1, None, fx=1.2, fy=0.5)

13、圖像翻轉(zhuǎn)

img2=cv2.flip(img1, 0) #上下翻轉(zhuǎn) 
img2=cv2.flip(img1, 1) #左右翻轉(zhuǎn) 
img2=cv2.flip(img1, -1) #上下、左右翻轉(zhuǎn)

14、圖像移動、旋轉(zhuǎn)、縮放

##圖像移動=>(100,200) 
M = np.float32([[1, 0, 100], [0, 1, 200]]) 
b=cv2.warpAffine(img1, M, (height, width))

##圖像中心、旋轉(zhuǎn)45度、縮放0.6 M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6) 
img2=cv2.warpAffine(img1, M, (height, width))

##圖像菱形轉(zhuǎn)換 
p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角 
p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]]) 
M=cv2.getAffineTransform(p1,p2) dst=cv2.warpAffine(img,M,(cols,rows))

15、圖像閾值轉(zhuǎn)換 、二值化

r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #圖像二值化，閾值127,r為返回閾值，b為二值圖 
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #圖像反二值化 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold則為0 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold則為0 
r,b=cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截?cái)?>高于threshold則為threshold

16、圖像平滑處理

##均值濾波 
img2=cv2.blur(img1, (5, 5))  #sum(square)/25

##normalize=1 均值濾波,normalize=0 區(qū)域內(nèi)像素求和 
img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)

##高斯濾波,第三個(gè)參數(shù)是方差,默認(rèn)0計(jì)算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷積核只能是奇數(shù)) 
img1=cv2.GaussianBlur(img, (3, 3), 0)  #距離像素中心點(diǎn)近的權(quán)重較大，以高斯方式往四周分布

##中值濾波,效果非常好?
img1=cv2.medianBlur(img,3)  #獲得中心點(diǎn)附近像素排序后的中值

17、形態(tài)學(xué)操作

##圖像腐蝕，k為全1卷積核 
k=np.ones((5,5),np.uint8) 
img1=cv2.erode(img, k, iterations=2)

##圖像膨脹 
k=np.ones((5,5),np.uint8) 
img1=cv2.dilate(img, k, iterations=2)

##圖像開運(yùn)算 （先腐蝕后膨脹），去掉圖形外側(cè)噪點(diǎn) 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)

##圖像閉運(yùn)算（先膨脹后腐蝕） ，去掉圖形內(nèi)側(cè)噪點(diǎn) 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)

##圖像梯度運(yùn)算（膨脹-腐蝕） 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)

##高帽運(yùn)算 （原圖-開運(yùn)算），獲得圖形外噪點(diǎn) 
k=np.ones((5,5),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)

##黑帽運(yùn)算（閉運(yùn)算-原圖），獲得圖像內(nèi)噪點(diǎn) 
k=np.ones((10,10),np.uint8) 
img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

18、圖像梯度，邊緣提取

##sobel梯度邊緣提取，卷積核豎向[[-1,-2,-1][0,0,0][1,2,1]]  
sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #橫向邊緣提取 
sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #豎向邊緣提取 
sobelx = cv2.convertScaleAbs(sobelx) # 負(fù)值取正，圖像展示只能有正值 
sobely = cv2.convertScaleAbs(sobely) 
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #圖像融合

##scharr梯度邊緣提取，卷積核豎向[[-3,-10,-3][0,0,0][3,10,3]] ，scharr比sobel卷積核過濾出更多細(xì)節(jié) 
scharrx = cv2.Scharr(o,cv2.CV_64F,1,0) 
scharry = cv2.Scharr(o,cv2.CV_64F,0,1) 
scharrx = cv2.convertScaleAbs(scharrx) # 負(fù)值取正 
scharry = cv2.convertScaleAbs(scharry) 
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #圖像融合

## 拉普拉斯梯度,邊緣提取版本1 , 拉普拉斯圖像梯度 [[0,1,0][1,-4,1][0,1,0] ] 
img1 = cv2.Laplacian(img, cv2.CV_64F) 
img1 = cv2.convertScaleAbs(img1)

##拉普拉斯梯度,邊緣提取版本2，結(jié)果略有不同 
f=np.array([[0,1,0],[1,-4,1],[0,1,0]]) 
img1=cv2.filter2D(img, -1, f)

19、canny邊緣檢測

canny邊緣檢測理論

                                               sobel梯度大?。?.5|x|+0.5|y|

         高斯濾波                             梯度方向：arctan\(y/x\)                       同方向上保留最大梯度              

去噪------------------------->梯度------------------------------------->非極大值抑制---------------------------->

         跟高閾值連通的線會保留

滯后閾值--------------------->out

##canny邊緣檢測代碼 
img1 = cv2.Canny(img,100,200) #參數(shù)：圖片、低閾值、高閾值

20、圖像金字塔

##圖片向下采樣，高斯濾波 1/2 刪掉偶數(shù)列 
img1 = cv2.pyrDown(img)

##圖片向上采樣 ，面積*2 高斯濾波*4 ，下采樣為不可逆運(yùn)算 
img3=cv2.pyrUp(img2)

##計(jì)算拉普拉斯金字塔 
img1 = cv2.pyrDown(img) #下采樣 
img2=cv2.pyrUp(img1) #上采樣 
img3=img-img2

21、圖像輪廓標(biāo)注

gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度圖轉(zhuǎn)化 
dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值圖轉(zhuǎn)化 
image_,contours,hierarchy=cv2.findContours(img_bin, mode=cv2.RETR_TREE,  method=cv2.CHAIN_APPROX_SIMPLE) #獲得圖像輪廓 
to_write=img.copy() #原始圖像copy，否則會在原圖上繪制 
ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #紅筆繪制圖像輪廓

22、直方圖

##matplotlib 繪制直方圖 
plt.hist(img.ravel(),256)

##用opencv計(jì)算直方圖列表 
hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])

##掩膜提取局部直方圖 
pad=np.zeros(img.shape,np.uint8) 
pad[200:400,200:400]=255 hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])

##opencv 交、并、補(bǔ)、異或操作 
masked_img=cv2.bitwise_and(img,mask)

直方圖均衡化原理

圖像直方圖->直方圖歸一化->累計(jì)直方圖->*255 x坐標(biāo)映射->對原來的像素值進(jìn)行新像素值編碼

##直方圖均衡化調(diào)用 
img1=cv2.equalizeHist(img)

##matplotlib繪制圖片前通道轉(zhuǎn)換 
img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性

##matplotlib多圖繪制在一個(gè)面板上 
plt.subplot('221'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original') 
plt.subplot('222'), plt.imshow(img1, cmap=plt.cm.gray), plt.axis('off') 
plt.subplot('223'), plt.hist(img.ravel(),256) plt.subplot('224'), plt.hist(img1.ravel(), 256)

23、圖像傅里葉變換（空間域=>頻域）

##圖像傅里葉變換 （轉(zhuǎn)化為虛數(shù)，實(shí)部為幅度，虛部為頻率） 
fft=np.fft.fft2(img) 
fft_center=np.fft.fftshift(fft) 
fft_flect=20*np.log(np.abs(fft_center))

##圖像傅里葉逆變換 
fft_left=np.fft.ifftshift(fft_center) 
ifft=np.fft.ifft2(fft_left) 
img_f=np.abs(ifft)

##高通濾波 
h_c,w_c=round(h/2),round(w/2) 
fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0  #原圖操作，低頻信號歸0

##opencv 傅里葉變換 
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT) 
fft_center=np.fft.fftshift(dft)

##opencv 低通濾波 
mask=np.zeros((h,w,2),dtype=np.uint8)    #定義掩膜 
h_c,w_c=round(h/2),round(w/2) R=20 
mask[h_c-R:h_c+R,w_c-R:w_c+R]=1 
dshift=fft_center*mask       #點(diǎn)乘，保留低頻信號

##opencv 傅里葉反變換 
fft_left=np.fft.ifftshift(dshift) 
ifft=cv2.idft(fft_left) 
img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2）