opencv学习笔记（2

1.图像基础操作

#1.视频读取，变成灰度视频，调节视频速度：
import cv2 as cv
video=cv.VideoCapture('lz.mp4')
#检查是否打开正确
if video.isOpened:
    open,frame=video.read()#读取第一帧
else:
    open=False
while open:#当视频可以正确打开时：
    open_2,frame=video.read()#读取照片
    if frame is None:#当图片读完时：
        break
    if open_2==True:#当图片没读完，且可以打开时：
        gray=cv.cvtColor(frame,cv.COLOR_BGR2GRAY)#把图片变成灰度图
        cv.imshow('result',gray)#展示图片
        if cv.waitKey(3)&0xFF==27:#视频在多少秒内结束，或者按esc键时，推出视频
            break
video.release()
cv.destroyAllWindows()
        
    

#2.
import cv2 as cv
img=cv.imread('kst.jpg',1)
#2.1颜色通道提取：
b,g,r=cv.split(img)
#print(b)
#2.2颜色通道合并
img=cv.merge((b,g,r))
#print(img.shape)
#2.3保留单通道
cur_img=img.copy()
cur_img[:,:,0]=0#蓝色全为0
cur_img[:,:,1]=0#绿色通道全为0
cv.imshow('r',cur_img)#红色通道像素值保留
cv.waitKey(0)

#3.边界填充
top_size,bottom_size,left_size,right_size=(60,60,60,60)#边界要补多少
replicate=cv.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv.BORDER_REPLICATE)
reflect=cv.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv.BORDER_REFLECT)

reflect101=cv.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv.BORDER_REFLECT_101)

wrap=cv.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv.BORDER_WRAP)

constant=cv.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv.BORDER_CONSTANT,value=0)
cv.imshow('a',constant)
cv.waitKey(0)

#4.图像用add
img_1=img+100#+,溢出255时，取余数
#print(img_1)
cv.imshow('1',img_1)
img_2=cv.add(img,100)#add,溢出255时，取255
#print(img_2)
cv.imshow('2',img_2)
cv.waitKey(0)

#5.阈值操作
ret,dst1=cv.threshold(img,127,255,cv.THRESH_BINARY)#1原图，2阈值，3最大值，4类型
ret,dst2=cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,dst3=cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,dst4=cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,dst5=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
cv.imshow('DST',dst5)
cv.waitKey(0)

import matplotlib.pyplot as plt
titles=['original image','binary','binary inv','trunc','tozero','tozero inv']
images=[img,dst1,dst2,dst3,dst4,dst5]
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()

#6.滤波：
#1.均值滤波
blur=cv.blur(img,(3,3))
#2.方框滤波
box=cv.boxFilter(img,-1,(3,3),normalize=False)#false容易越界，true和均值滤波一样
#3.高斯滤波
gaussian=cv.GaussianBlur(img,(5,5),1)
#4.中值滤波
median=cv.medianBlur(img,5)
#显示所有图片
import numpy as np
res=np.vstack((blur,gaussian,median))
#print(res)
cv.imshow('DST',res)
cv.waitKey(0)

import cv2 as cv

#7.形态学操作
#7.1腐蚀操作
#kernel=np.ones((5,5),np.uint8)
kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5))#kernel形状
erosion=cv.erode(img,kernel,iterations=1)#iterations腐蚀次数
#7.2膨胀操作
kernel=np.ones((3,3),np.uint8)
dilate=cv.dilate(img,kernel,iterations=1)
#7.3开运算：先腐蚀再膨胀
kernel=np.ones((5,5),np.uint8)
opening=cv.morphologyEx(img,cv.MORPH_OPEN,kernel)
#7.4闭运算：先膨胀再腐蚀
closing=cv.morphologyEx(img,cv.MORPH_CLOSE,kernel)
#7.5梯度运算：膨胀图片-腐蚀图片=边界信息
gradient=cv.morphologyEx(img,cv.MORPH_GRADIENT,kernel)
#7.6礼帽：原始输入-开运算结果=毛刺
tophat=cv.morphologyEx(img,cv.MORPH_TOPHAT,kernel)
#7.7黑帽：闭运算-原始输入==原始轮廓
blackhat=cv.morphologyEx(img,cv.MORPH_BLACKHAT,kernel)
#7.8图像梯度
dst=cv.morphologyEx(img,cv.MORPH_GRADIENT,kernel)
cv.imshow('DST',blackhat)
cv.waitKey(0)

#8.图像梯度
#8.1sobel算子
sobelx=cv.Sobel(img,cv.CV_64F,1,0,ksize=3)#1img,2图像深度（-1）（CV_64F保留负值，不让赋值=0），3dx（1算，0不算），4dy，5sobel算子的大小
sobelx=cv.convertScaleAbs(sobelx)#将上一步的计算的负值取绝对值，得到边缘信息
sobely=cv.Sobel(img,cv.CV_64F,0,1,ksize=3)
sobely=cv.convertScaleAbs(sobely)
#反别计算x和y，再求和
sobelxy=cv.addWeighted(sobelx,0.5,sobely,0.5,0)#0是偏置项，一般不加偏置项
#8.2scharr算子
scharrx=cv.Scharr(img,cv.CV_64F,1,0)#ksize默认3
scharrx=cv.convertScaleAbs(scharrx)
scharry=cv.Scharr(img,cv.CV_64F,0,1)
scharry=cv.convertScaleAbs(scharry)
scharrxy=cv.addWeighted(scharrx,0.5,scharry,0.5,0)
#8.3laplacian算子
laplacian=cv.Laplacian(img,cv.CV_64F)
laplacian=cv.convertScaleAbs(laplacian)

res=np.hstack((sobelxy,scharrxy,laplacian))


cv.imshow('DST',res)
cv.waitKey(0)

#9.canny边缘检测(含有零零散散的线段）:高斯滤波，计算像素的梯度强度和方向，非极大值抑制，双阈值，
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
canny=cv.Canny(gray,80,150)#1灰度图片，2双阈值检测minvalue，3maxvalue

cv.imshow('DST',canny)
cv.waitKey(0)

#10.图像金字塔
#10.1高斯金字塔上采样：kernel
print(img.shape)
up=cv.pyrUp(img)
print(up.shape)
#金字塔下采样
down=cv.pyrDown(img)
print(down.shape)

#10.2拉普拉斯金字塔：原图-（上采样（下采样））
down=cv.pyrDown(img)
down_up=cv.pyrUp(down)
laplaus=img-down_up
cv.imshow('dst',laplaus)
cv.waitKey(0)

img=cv.imread('figure.jpg',1)
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#11.轮廓检测（不含零散的线段）：
#mode:RETR_EXTERNAL只检测最外面轮廓，RETR_LIST检测所有轮廓，RETR_CCOMP分两层，RETR_TREE嵌套（最常用）
#method:CHAIN_APPROX_NONE，CHAIN_APPROX_SIMPLE
#-1二值图像，轮廓信息
ret,thresh=cv.threshold(gray,0,255,cv.THRESH_BINARY)#图像二值
contours,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_NONE)
#contours轮廓信息，hierarchy层级信息
#-2绘制轮廓
draw_img=img.copy()#复制原图像
res=cv.drawContours(draw_img,contours,-1,(0,0,255),-1)#1在哪个图片上画，2画的轮廓信息，3画几条轮廓，4画笔颜色，5画笔粗细

#-3分析轮廓特征
cnt=contours[0]#拿出第0条轮廓信息
res=cv.drawContours(draw_img,cnt,-1,(0,255,0),2)
area=cv.contourArea(cnt)#计算第0条轮廓的面积
perimeter=cv.arcLength(cnt,True)#计算周长，True表示闭合
#-4轮廓近似
epsilon=0.1*cv.arcLength(cnt,True)#周长的0.1倍作为轮廓近似的阈值
approx=cv.approxPolyDP(cnt,epsilon,True)
draw=img.copy()
res=cv.drawContours(draw,[approx],-1,(255,0,0),2)
print(area,perimeter)
#-5.轮廓的外接矩形
x,y,w,h=cv.boundingRect(cnt)#第0条轮廓的外接矩形参数
res=cv.rectangle(img,(x,y),(x+w,y+h),(255,0,0),3)#画
#-6.轮廓外接圆
(x,y),radius=cv.minEnclosingCircle(cnt)
center=(int(x),int(y))
radius=int(radius)
res=cv.circle(img,center,radius,(0,0,255),3)
cv.imshow('dst',res)
cv.waitKey(0)

#12.模板匹配
import matplotlib.pyplot as plt
img=cv.imread('kst.jpg',0)
head=cv.imread('head.jpg',0)
h=head.shape[0]
w=head.shape[1]
print(img.shape,head.shape)
#TM_SQDIFF:计算平方不同，计算出来的值越小，越相关
#TM_CCORR:计算相关性，值越大，越相关
#TM_CCOEFF：计算相关系数，值越大，越相关
#TM_SQDIFF_NORMED:计算归一化平方不同，值越接近0，越相关
#TM_CCORR_NORMED:计算归一化，越接近1，越相关
#TM_CCOEFF_NORMED:计算归一化相关系数，越接近1，越相关
res=cv.matchTemplate(img,head,cv.TM_SQDIFF)#匹配返回的是每次计算完的结果
print(res.shape)#（A-a+1)*(B-b+1)
min_val,max_val,min_loc,max_loc=cv.minMaxLoc(res)#找出这个矩阵里最值和位置
methods=['cv.TM_SQDIFF','cv.TM_CCORR','cv.TM_CCOEFF','cv.TM_SQDIFF_NORMED','cv.TM_CCORR_NORMED','cv.TM_CCOEFF_NORMED']
for meth in methods:
    img2=img.copy()
    method=eval(meth)#字符串形式化成专有名词
    res=cv.matchTemplate(img,head,method)
    min_val,max_val,min_loc,max_loc=cv.minMaxLoc(res)
    if method in [cv.TM_SQDIFF,cv.TM_SQDIFF_NORMED]:
        top_left=min_loc
    else:
        top_left=max_loc
    bottom_right=(top_left[0]+w,top_left[1]+h)
    #画矩形
    cv.rectangle(img2,top_left,bottom_right,255,2)
    plt.subplot(121),plt.imshow(res,cmap='gray')
    plt.xticks([]),plt.yticks([])#隐藏坐标img
    plt.subplot(122),plt.imshow(img2,cmap='gray')
    plt.xticks([]),plt.yticks([])#隐藏坐标
    plt.suptitle(meth)
    plt.show()

#12.2匹配多个对象
import cv2 as cv
import numpy as np
img=cv.imread('AA.jpg',1)
imh=cv.imread('AA.jpg',0)
head=cv.imread('BB.jpg',0)
h,w=head.shape[:2]
res=cv.matchTemplate(imh,head,cv.TM_CCOEFF_NORMED)#匹配计算
threshold=0.7#阈值
loc=np.where(res>=threshold)#大于阈值的挑出来
for pt in zip(*loc[::-1]):#*号表示可选参数：
    bottom_right=(pt[0]+w,pt[1]+h)
    cv.rectangle(img,pt,bottom_right,(0,0,225),3)
cv.imshow('img',img)
cv.waitKey(0)


import cv2 as cv
import numpy as np
img=cv.imread(r'D:papervgg_segnetdataset2jpgC_0001_1.RIGHT_MLO.jpg',0)
img=cv.resize(img,(260,250))
#.createCLAHE函数原型：createCLAHE([, clipLimit[, tileGridSize]]) -> retval
#clipLimit参数表示对比度的大小。
#tileGridSize参数表示每次处理块的大小 
equ=cv.equalizeHist(img)
clahe=cv.createCLAHE(clipLimit=9.0,tileGridSize=(3,3))
res_clahe=clahe.apply(img)
res=np.hstack((equ,img,res_clahe))
cv.imshow('aaa',res)
cv.waitKey(0)
#plt.show()

#13.直方图
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
#灰度直方图
gray=cv.imread('kst.jpg',0)#读取灰度图
hist=cv.calcHist([gray],[0],None,[256],[0,256])
#1【图像】，2第几通道【0，1，2】，3掩膜（自己选的范围内），4bin数，分成几段，5从0到255

#彩色直方图
img=cv.imread('kst.jpg')
color=['b','g','r']
for i,col in enumerate(color):#i是坐标，col是内容
    histr=cv.calcHist([img],[i],None,[256],[0,256])
    #plt.plot(histr,color=col)
    #plt.xlim([0,256])
#plt.hist(gray.ravel(),256)


#直方图均衡化
equ=cv.equalizeHist(gray)
#plt.hist(equ.ravel(),256)


#自适应直方图均衡化
clahe=cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clahe=clahe.apply(gray)
res=np.hstack((gray,equ,res_clahe))

cv.imshow('res',res)
cv.waitKey(0)
#plt.show()

#14.傅里叶变换，输入图像要先转换成np.float32格式,dft,idft

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
gray=cv.imread('kst.jpg',0)
gray_float32=np.float32(gray)#灰度图像先转换成float32位的
dft=cv.dft(gray_float32,flags=cv.DFT_COMPLEX_OUTPUT)#傅里叶变换
dft_shift=np.fft.fftshift(dft)#将低频信息转换到中间位置
magnitude_spectrum=20*np.log(cv.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
#利用公式转换成可以以图片格式显示
plt.subplot(121),plt.imshow(gray,cmap='gray')
plt.title('input image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('magnitude_spectrum'),plt.xticks([]),plt.yticks([])
plt.show()
#14-2低通滤波


#14-3高通滤波

#14-2低通滤波
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
img=cv.imread('kst.jpg',1)
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray_float=np.float32(gray)
dft=cv.dft(gray_float,flags=cv.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)
rows,cols=gray.shape#总高，宽
crow,ccol=int(rows/2),int(cols/2)#中心位置
#低通滤波
mask=np.zeros((rows,cols,2),np.uint8)#黑色
mask[crow-30:crow+30,ccol-30:ccol+30]=1#白色
#IDFT
fshift=dft_shift*mask
f_ishift=np.fft.ifftshift(fshift)
img_back=cv.idft(f_ishift)
img_back=cv.magnitude(img_back[:,:,0],img_back[:,:,1])
#plot
plt.subplot(121),plt.imshow(gray,cmap='gray')
plt.title('input image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('result image'),plt.xticks([]),plt.yticks([])


plt.show()




#14-3高通滤波
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
img=cv.imread('kst.jpg',1)
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray_float=np.float32(gray)
dft=cv.dft(gray_float,flags=cv.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)
rows,cols=gray.shape#总高，宽
crow,ccol=int(rows/2),int(cols/2)#中心位置
#低通滤波
mask=np.ones((rows,cols,2),np.uint8)#
mask[crow-30:crow+30,ccol-30:ccol+30]=0#
#IDFT
fshift=dft_shift*mask
f_ishift=np.fft.ifftshift(fshift)
img_back=cv.idft(f_ishift)
img_back=cv.magnitude(img_back[:,:,0],img_back[:,:,1])
#plot
plt.subplot(121),plt.imshow(gray,cmap='gray')
plt.title('input image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('result image'),plt.xticks([]),plt.yticks([])


plt.show()

#1.harris
import cv2 as cv
import numpy as np
img=cv.imread('kst.jpg')
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
dst=cv.cornerHarris(gray,2,3,0.04)#1data,2角点检测中指定区域大小，3sobel求导使用的窗口大小，4k参数取值【0.04，0.06
img[dst>0.01*dst.max()]=[0,0,255]
cv.imshow('dst',img)
cv.waitKey(0)

#2.sift
import cv2 as cv
import numpy as np
img=cv.imread('kst.jpg')
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)

sift=cv.xfeatures2d.SIFT_create()#实例化
kp=sift.detect(gray,None)#得到特征点
img=cv.drawKeypoints(gray,kp,img)
cv.imshow('dst',img)
cv.waitKey(0)
#计算特征个数，属性
kp,des=sift.compute(gray,kp)
print(np.array(kp).shape)#特征点个数
print(des.shape)#关键点特征值

　　

　2.