Opencv 图像处理

cmd.exe  安装命令行

》pip install opencv-python

》pip install tensorflow  

》pip install keras      必须安装tensorflow基础之上

板块一、

     几何图形（cv2 图像处理）

图片导入； 图片长宽通道数学； 图片裁剪； 图片输出； 图片保存文件；	tu = cv2.imread('image.jpg') (h,w,t)=tu.shape print(tu.shape) cX,cY = (w//2,h//2) print(cX) tl = tu[0:cY,0:cX] tr = tu[0:cY,cX:w] bl = tu[cY:h,0:cX] br = tu[cY:h,cX:w] def zzImage(zhou):     plt.imshow(zhou)     plt.axis('off')     plt.show() zzImage(br) #   裁剪顺序  先y，再x cv2.imwrite('newImage.jpg',image)
封装常用函数 代码块（.py文件） 包含图片旋转代码	import cv2 import matplotlib.pyplot as plt import numpy as np #读取图片 def imgRead(src): src = cv2.imread(src) return cv2.cvtColor(src,cv2.COLOR_BGR2RGB) #显示图片 def imgShow(img): plt.imshow(img) plt.axis('off') plt.show() def imgWrite(Img): return cv2.imwrite('newImage.jpg',Img) img = imgRead('face.png') imgShow(img) #imgWrite(img) #看图片的信息 (h,w,t)=img.shape print(img.shape) #得出图片的中心点 cX,cY=(w//2,h//2) #写一个 动作 ，旋转动作 （旋转中心点，旋转角度，缩放的倍数） Action = cv2.getRotationMatrix2D((cX,cY),90,1.0) #外容器执行旋转动作 存储图片 img = cv2.warpAffine(img,Action,(w,h)) imgShow(img)  使用引入格式： from 文件名 import *
设置图片大小+等比例算法：	imgW = 80 imgH = int(img.shape[0]*imgW/img.shape[1]) img= cv2.resize(img,(imgW,imgH)) show(img) print(img.shape)

人脸检测方法初学：

#定义人脸检测方法
def check(image):
    detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')  #写入这个 简单的xml文件
    rects = detector.detectMultiScale(image,scaleFactor=1.1,minNeighbors=3,minSize=(10,10),flags=cv2.CASCADE_SCALE_IMAGE)
    for (x,y,w,h) in rects:
          cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
img = imread('Solvay.jpg')       
check(img)
show(img)

板块二、

     一、画图

导包	import numpy as np import cv2 import matplotlib.pyplot as plt
显示函数	def show(image):     plt.imshow(image)     plt.axis('off')     plt.show()
创建一个 300 300 画布	image = np.zeros((300,300,3),dtype='uint8')
画线	green = (0,255,0) cv2.line(image, (0,0), (300,300), green)
正方形 -1 为填充	cv2.rectangle(wrap,(3,3),(296,296),(120,120,120),5)
	(cX,cY) = wrap.shape[1]//2,wrap.shape[0]//2 for i in range(0,140,15):     cv2.circle(wrap,(cX,cY),i,green,2) cv2.circle(wrap,(cX,cY),15,(255,0,0),-1) show(wrap)
	content = np.zeros((300,300,3),dtype='uint8') for z in range(15):    #随机的半径     Rban = np.random.randint(0,150)     #随机的圆心     Rxin = tuple(np.random.randint(0,300,size=(2)))     #随机的颜色     Rcolor = np.random.randint(0,255,size=(3)).tolist()     cv2.circle(content,Rxin,Rban,Rcolor,-1) show(content)

 二、翻转

导包不说了	cv2  matplotlib.pyplot
水平翻转  1 垂直翻转  0 水平+垂直 -1	cv2.finp(image,1)

 三、裁剪

　　裁剪就是：把图片的某一块坐标数值，存起来显示   

       avater = image[0:0,200,200]   打印输出

 四、图像算术

   

加像素	add = np.ones(wrap.shape,dtype='uint8')*100 coo = cv2.add(wrap,add) show(coo)
减像素	shan = np.ones(wrap.shape,dtype='uint8')*205 cww = cv2.subtract(wrap,shan) show(cww)

 五、按位计算

与 1&1=1，1&0=0，0&1=0，0&0=0	and = cv2.bitwise_and(box1,box2)
或1|1=1，1|0=1，0|1=1，0|0=0	or = cv2.bitwise_or(box1,box2)
异或1^1=0,1^0=1,0^1=1,0^0=0	xor = cv2.bitwise_xor(box1,box2)
非 1=0，0=1	not= cv2.bitwise_not(wrap)

 五、遮挡

#导入一张图片 img = cv2.imread('cat.jpg') #创建一个 跟图片相同大小的容器 wrap = np.zeros(img.shap,dtype='uint8') #创建一个盒子 squen = cv2.rectangle(wrap,(25,25),(250,350),白色，-1) #进行按位计算  得出新的图片 newImg = cv2.bitwise_and(wrap,img) show(newImg)

 五、单通道切割

mm = cv2.imread('cat.jpg') show(mm) (R,G,B) = cv2.split(mm) mm.shape meraged = cv2.merge([R,G,B]) show(meraged) cv2.imshow('R',R) cv2.imshow('G',G) cv2.imshow('B',B) cv2.waitKey(0) cv2.destroyAllWindows()

 六、图像金字塔

nn = cv2.imread('image.jpg') show(nn) nn.shape for u in range(4):     nn = cv2.pyrDown(nn)     print(nn.shape)     show(nn)

for u in range(4):     nn = cv2.pyrUp(nn)     print(nn.shape)     show(nn)

 七、拉普拉斯金字塔（提取图像边界轮廓的）

yuan = cv2.imread('image.jpg') show(yuan) yuan.shape #第一次降低 down_image1 = cv2.pyrDown(yuan) #第二次降低 down_image2 = cv2.pyrDown(down_image1) #第三次提升 up_image = cv2.pyrUp(down_image2) #第一次降低  减去 最后一次  得出的就是 结果 lapulasi = down_image1 - up_image show(lapulasi)

板块三、  形态学（卷积）

      一、Erode腐蚀     .erode（）

#设置腐蚀 Erision   黑色多一点  白色小时 juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5)) tuoyuan = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5)) shizi = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

imagea = cv2.erode(imga,juxing) show(imagea) 去除白色，黑色多

     二、Dilate膨胀      .dilate（）

#膨胀 dilate 黑色多一点  白色小时 juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5)) tuoyuan = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5)) shizi = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

imagea = cv2.dilate(imga,juxing) show(imagea) 去除白色，黑色多

      三、Opening开运算

#先腐蚀后膨胀 juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

opening= cv2.morphologyEx(imga,cv2.MORPH_OPEN,juxing) show(opening) 专业去除白色小点

     四、Closing闭运算 相反

#先膨胀后腐蚀 juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_CLOSE,juxing) show(closing) 专业去除嘿色小点

     五、先开后闭运算

#先膨胀后腐蚀 juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

imgb = cv2.imread('image2.jpg') opening= cv2.morphologyEx(imgb,cv2.MORPH_OPEN,juxing) colseing= cv2.morphologyEx(opening,cv2.MORPH_CLOSE,juxing) show(colseing)

     六、梯度运算

juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_GRADIENT,juxing) show(closing) 膨胀 - 腐蚀  =出现图像的轮廓线

     七、白帽运算作用：隐藏的白色显示

# juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_TopHat,juxing) show(closing) src - opening

     八、黑帽运算作用：隐藏的黑色显示

# juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_CLOSE,juxing) show(closing) colseing-src

      颜色模式转换 （RGB/HSV/LAB/GRAY）

               hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)    转为 HSV

板块四、  二值化（阈值）     就是讲一张图片 转为黑白两个颜色  形成对比

           五种简单模式：   

gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
plt.show()

ret1,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret2,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret3,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret4,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret5,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)

titles = ['original','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [gray, thresh1, thresh2, thresh3, thresh4, thresh5]
plt.figure(figsize=(15,5))
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

        作用：自动化阈值（全局阈值），相当于这个抠图   

#自动化阈值  代码如下： img = cv2.imread('opencv_logo.png') #转换为灰度 gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY) #定义 自动阈值 ret1,thresh1 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU) print('ret1',ret1) #普通灰度 plt.imshow(gray,'gray') plt.axis('off') plt.show() #打印自动阈值 plt.imshow(thresh1,'gray') plt.axis('off') plt.show() #打印自动阈值 plt.imshow(thresh2,'gray') plt.axis('off') plt.show()

   Adaptive Thresholding自适应阈值

       我们使用是全局阈值，整幅图像采用同一个数作为阈值。这个是 每一个区域对应一个阈值，自适应  一张图有不同的阈值。

# 变灰度图 image = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY) # 中值滤波 image = cv2.medianBlur(image,5) # 普通二值化 ret,th1 = cv2.threshold(image,127,255,cv2.THRESH_BINARY) # 平均值阈值 th2 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3) # 高斯阈值 th3 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3) titles = ['original', 'Global Thresholding', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding'] images = [image, th1, th2, th3] plt.figure(figsize=(10,5)) for i in range(4):     plt.subplot(2,2,i+1)     plt.imshow(images[i],'gray')     plt.axis('off')     plt.title(titles[i]) plt.show()

       

   图像梯度：OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian    （算子）

          出现X轴、Y轴  单向的颜色模糊模式，或者是 XY都有的  第二图  那张。

def gradient(image):     image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)     # cv2.CV_64F输出图像的深度(数据类型)，64位float类型，因为梯度可能是正也可能是负     laplacian = cv2.Laplacian(image, cv2.CV_64F)     # 1, 0表示在x方向求一阶导数，最大可以求2阶导数     sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)     # 0, 1表示在y方向求一阶导数，最大可以求2阶导数     sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)     titles = ['Original', 'Laplacian', 'SobelX', 'SobelY']     images = [image,laplacian,sobelx,sobely]     plt.figure(figsize=(10,5))     for i in range(4):         plt.subplot(2,2,i+1)         plt.imshow(images[i],'gray')         plt.title(titles[i])         plt.axis('off')     plt.show() gradient(image)

    Canny边缘检测：

def edge_detection(image,minVal=100,maxVal=200):     image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)     edges = cv2.Canny(image,minVal,maxVal)     plt.imshow(edges,'gray')     plt.axis('off')     plt.show()
# 自动确定阈值的一种方法 def auto_canny(image, sigma=0.33):     v = np.median(image)     lower = int(max(0, (1.0-sigma) * v))     upper = int(min(255, (1.0+sigma) * v))     edged = cv2.Canny(image, lower, upper)     print(lower,upper)     return edged edges = auto_canny(image) edges = cv2.GaussianBlur(edges, (3,3), 0) plt.imshow(edges,'gray') plt.axis('off') plt.show()

    摄像头画面获取：

import numpy as np import cv2 #从摄像获取 图像画面   cap  = cv2.VideoCapture(0) while(True):     #ret 读取成功True 或  失败 False     #Frame 读取的图像 的内容     #读取一帧数据     ret,frame = cap.read()     #变为灰度图片     gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)     cv2.imshow('frame',gray) # 监控键盘输入，如果键值是 q 那么久跳出 while循环     if cv2.waitKey(1) & 0xff == ord('w'):             break cap.release() cv2.destroyAllWindows()

    视频文件读取：

# 从文件读取视频内容 cap = cv2.VideoCapture('videos/cats.mp4') # 视频每秒传输帧数 fps = cap.get(cv2.CAP_PROP_FPS) # 视频图像的宽度 frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) # 视频图像的长度 frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) print(fps) print(frame_width) print(frame_height) #循环读取图像帧 while(True):     ret,frame = cap.read()     if ret !=True:         break     cv2.imshow('frame',frame) #waitKey()  设置图像延迟播放  速率     if cv2.waitKey(25) & 0xff ==  ord('q'):         break cap.release() cv2.destroyAllWindows()

    写入视频文件读取：

           读取视频文件，读取写入的文件，将文件A 修改翻转，写入到文件B

import numpy as np import cv2 # 从文件读取视频内容 cap = cv2.VideoCapture('videos/cats.mp4') # 视频每秒传输帧数 fps = cap.get(cv2.CAP_PROP_FPS) # 视频图像的宽度 frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) # 视频图像的长度 frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) print(fps) print(frame_width) print(frame_height) fourcc = cv2.VideoWriter_fourcc(*'XVID') out = cv2.VideoWriter('video/output.avi',fourcc,fps,(frame_width,frame_height)) while(True):     ret, frame = cap.read()     if ret==True:         # 水平翻转         frame = cv2.flip(frame,0)         out.write(frame)         cv2.imshow('frame',frame)         if cv2.waitKey(25) & 0xff == ord('q'):             break     else:         break out.release() cap.release() cv2.destroyAllWindows()

     10.人脸检测Haar特征+Adaboost级联分类器：

            Haar 就是通过移动滑块收集特征，最小24*24，最大就是白黑白跟滑块边缘的宽度一致，使用卷积再滑块盒子中移动检测。

            摄像头人脸检测:

#从摄像获取 图像画面   cap  = cv2.VideoCapture(0) detector = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml') while(True):     #ret 读取成功True 或  失败 False     #Frame 读取的图像 的内容     ret,image = cap.read()     #image = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)          # 级联分类器     rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10,10), flags=cv2.CASCADE_SCALE_IMAGE)     for (x,y,w,h) in rects:         # 画矩形框         cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)              cv2.imshow('人脸识别',image)     if cv2.waitKey(1) & 0xff == ord('w'):             break cap.release() cv2.destroyAllWindows()