首页 > 其他分享 >opencv-API

opencv-API

时间:2022-09-27 13:00:38浏览次数:54  
标签:img 边缘 噪声 opencv 直方图 API 图像 cv

基本操作

  1. 图像IO操作的API:

    • cv.imread(): 读取图像

    • cv.imshow():显示图像

    • cv.imwrite(): 保存图像

  2. 在图像上绘制几何图像

    • cv.line(): 绘制直线

    • cv.circle(): 绘制圆形

    • cv.rectangle(): 绘制矩形

    • cv.putText(): 在图像上添加文字

  3. 直接使用行列索引获取图像中的像素并进行修改

  4. 图像的属性
    | 属性 | API |
    | ---- | ---- |
    | 形状 | img.shape |
    | 图像大小 | img.size |
    | 数据类型 | img.dtype |

  5. 拆分通道: cv.split()

  6. 通道合并:cv.merge()

  7. 色彩空间的改变

    • cv.cvtColor(input_image,flag)
  8. 图像加法:将两幅图像加载一起

    • cv.add()
  9. 图像的混合:将两幅图像按照不同的比例进行混合

    • cv.addweight()

图像处理

几何变换

  1. 图像缩放:对图像进行放大或缩小

    cv.resize(img,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)

interpolation插值 含义
cv2.INTER_LINEAR 双线性插值法
cv2.INTER_NEAREST 最近邻插法
cv2.INTER_AREA 像素区域重采样(默认)
cv2.INTER_CUBIC 双三次插值
  1. 图像平移:

    指定平移矩阵后,调用cv.warpAffine(img,M,(cols,rows))平移图像

  2. 图像旋转:

    调用cv.getRotationMatrix2D(center, angle, scale)获取旋转矩阵,然后调用cv.warpAffine()进行旋转

  3. 仿射变换:

    调用cv.getAffineTransform将创建变换矩阵,最后该矩阵将传递给cv.warpAffine()进行变换

  4. 透射变换:

    通过函数cv.getPerspectiveTransform()找到变换矩阵,将cv.warpPerspective()进行投射变换

  5. 金字塔

    图像金字塔是图像多尺度表达的一种,使用的API:

    • cv.pyrUp(): 向上采样

    • cv.pyrDown(): 向下采样

形态学操作

  1. 连通性
- 邻接关系:4邻接,8邻接和D邻接

- 连通性:4连通,8连通和m连通
  1. 形态学操作

    • 腐蚀和膨胀:

      • 腐蚀:求局部最大值 cv.erode(img,kernel,iterations)

      • 膨胀:求局部最小值 cv.dilate(img,kernel,iterations)

    • 开闭运算:

    • 开:先腐蚀后膨胀 cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

    • 闭:先膨胀后腐蚀 cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

    • 礼帽和黑帽:
    • 礼帽:原图像与开运算之差 cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

    • 黑帽:闭运算与原图像之差 cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

图像平滑

1. 图像噪声
   - 椒盐噪声:图像中随机出现的白点或者黑点
   - 高斯噪声:噪声的概率密度分布是正态分布

2. 图像平滑

   - 均值滤波:算法简单,计算速度快,在去噪的同时去除了很多细节部分,将图像变得模糊

    cv.blur(src, ksize, anchor, borderType)

   - 高斯滤波: 去除高斯噪声

    cv.GaussianBlur(src,ksize,sigmaX,sigmaY,borderType)

   - 中值滤波: 去除椒盐噪声

    cv.medianBlur(src, ksize)

直方图

  1. 灰度直方图:
  • 直方图是图像中像素强度分布的图形表达方式。
  • 它统计了每一个强度值所具有的像素个数。
  • 不同的图像的直方图可能是相同的
    cv.calcHist (images,channels,mask,histSize,ranges[,hist[,accumulate]])
  1. 掩膜

创建蒙版,透过mask进行传递,可获取感兴趣区域的直方图

cv.bitwise_and(input_img,out_img,mask = mask)
  1. 直方图均衡化:增强图像对比度的一种方法cv.equalizeHist():输入是灰度图像,输出是直方图均衡图像

4.自适应的直方图均衡

将整幅图像分成很多小块,然后再对每一个小块分别进行直方图均衡化,最后进行拼接

clahe cv.createCLAHE(clipLimit,tileGridSize)

边缘检测

  1. 边缘检测的原理
    基于搜索:利用一阶导数的最大值获取边界
    基于零穿越:利用二阶导数为0获取边界

  2. Sobel算子

    基于搜索的方法获取边界

    • cv.sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

    • cv.convertScaleAbs()

    • cv.addweights()

  3. Laplacian算子

    基于零穿越获取边界

    cv.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

  4. Canny算法

    canny = cv2.Canny(image, threshold1, threshold2)

    流程:
    噪声去除:高斯滤波
    计算图像梯度:sobel算子,计算梯度大小和方向
    非极大值抑制:利用梯度方向像素来判断当前像素是否为边界点
    滞后阈值:设置两个阈值,确定最终的边界

5 算子比较

算子 优缺点比较
Roberts 对具有陡峭的低噪声的图像处理效果较好,但利用Roberts算子提取边缘的结果是边缘比较粗,因此边缘定位不是很准确。
Sobel 对灰度渐变和噪声较多的图像处理效果比较好,Sobl算子对边缘定位比较准确。
Kirsch 对灰度渐变和噪声较多的图像处理效果较好。
Prewitt 对灰度渐变和噪声较多的图像处理效果较好。
Laplacian 对图像中的阶跃性边缘点定位准确,对噪声非常敏感,丢失一部分边缘的方向信息,造成一些不连续的检测边缘。
LoG L0G算子经常出现双边缘像素边界,而且该检测方法对噪声比较敏感,所以很少用L0G算子检测边缘,而是用来判断边缘像素是位于图像的明区还是暗区。
Canny 此方法不容易受噪声的干扰,能够检测到真正的弱边缘。在edge函数中,最有效的边缘检测方法是Canny方法。该方法的优点在于使用两种不同的阅值分别检测强边缘和弱边缘,并且仅当弱边缘与强边缘相连时,才将弱边缘包含在输出图像中。因此,这种方法不容易被噪声“填充”,跟容易检测出真正的弱边缘。

模版匹配和霍夫变换

  1. 模板匹配
  • 原理:在给定的图片中查找和模板最相似的区域

  • API:利用cv.matchTemplate()进行模板匹配,然后使用cv.minMaxLoc()搜索最匹配的位置。

  1. 霍夫线检测
  • 原理:将要检测的内容转换到霍夫空间中,利用累加器统计最优解,将检测结果表示处理

  • API:cv2.HoughLines(img, rho, theta, threshold)

  • 注意:该方法输入是的二值化图像,在进行检测前要将图像进行二值化处理

  1. 霍夫圆检测
  • 方法:霍夫梯度法

  • API:cv.HoughCircles(image, method, dp, minDist, param1=100, param2=100, minRadius=0,maxRadius=0)

图像特征提取与描述

标签:img,边缘,噪声,opencv,直方图,API,图像,cv
From: https://www.cnblogs.com/lanercifang/p/16733334.html

相关文章