首页 > 学术百科

opencv库的基本使用（python）

opencv库的基本使⽤（python）

1.图⽚的读取与保存

# -*- coding: utf-8 -*-

# @Author: Xingmo

import cv2

import numpy as np

# 读取图⽚: cv2.imread(路径,num) 其中num=0，为灰度图像；num=1为彩图

img = cv2.imread('002.jpg',0)

# 创建窗⼝，cv2.namedWindow(窗⼝名)

cv2.namedWindow('image')

# 保存图⽚,cv2.imwrite(保存图⽚名，要保存的图⽚)

碧玄岩

cv2.imwrite('002.jpg',img)

# 第三个参数针对特定的格式：对于JPEG，其表⽰的是图像的质量，⽤0-100的整数表⽰(越⾼越清晰，压缩级别越低)，默认为95。注意，cv2.IMWRITE_JPEG_QU cv2.imwrite('003.jpg',img,[int(cv2.IMWRITE_JPEG_QUALITY), 10])

# 对于PNG，第三个参数表⽰的是压缩级别。cv2.IMWRITE_PNG_COMPRESSION，从0到9，压缩级别越⾼，图像尺⼨越⼩。默认级别为3

cv2.imwrite('004.png', img, [int(cv2.IMWRITE_PNG_COMPRESSION), 5])

# 图⽚显⽰，cv2.imshow(窗⼝名，要显⽰的图⽚)

cv2.imshow('image1',img)

# 复制img图⽚

#emptyimage = py()

# 创建空图⽚

emptyimage = np.zeros(img.shape,np.uint8)

cv2.imshow('image2',emptyimage)

# 键盘绑定函数

cv2.waitKey(0)

# 释放窗⼝

cv2.destroyAllWindows()

2.像素点的操作，添加椒盐噪声

# -*- coding: utf-8 -*-

# @Author: Xingmo

import cv2

import numpy as np

# 添加椒盐噪声

def salt(img):

for k in range(100):

# 建⽴图⽚随机坐标点

i = int(np.random.random()*img.shape[0]) j = int(np.random.random()*img.shape[1]) # 图⽚为灰度图像，有⼆维

if img.ndim == 2:

img[i,j] = 255

# 图⽚为彩⾊图⽚，有三维，RGB抗坏血酸过氧化物酶

elif img.ndim == 3:

img[i,j,0] = 255

img[i,j,1] = 255

img[i,j,2] = 255

return img

if __name__ == '__main__':

# 读取图⽚

img = cv2.imread('001.jpg')

# 添加噪声

saltImage = salt(img)

# 图⽚显⽰

cv2.imshow("Salt", saltImage)

# 图⽚保存

cv2.imwrite('salt.jpg',saltImage)

cv2.waitKey(0)

cv2.destroyAllWindows()

3.彩⾊图⽚各通道分离与合并

# -*- coding: utf-8 -*-

# @Author: Xingmo

作为生物的社会

import cv2

img = cv2.imread('001.jpg')

# split 返回BGR三个通道

b,g,r = cv2.split(img)

# merged 通道合并

merge = ([b,g,r])

cv2.imshow('merge',merge)

#cv2.imshow("Red", r)

#cv2.imshow("Green", g)

#cv2.imshow("Blue", b)

cv2.waitKey(0)

cv2.destroyAllWindows()

4.直⽅图的绘画

# -*- coding: utf-8 -*-

# @Author: Xingmo

>## 说明 >##

# cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist

# 第⼀个参数为读取的图像，必须⽤⽅括号括起来。

# 第⼆个参数是⽤于计算直⽅图的通道，这⾥使⽤灰度图计算直⽅图，所以就直接使⽤第⼀个通道；

# 第三个参数是Mask，这⾥没有使⽤，所以⽤None。

# 第四个参数是histSize，表⽰这个直⽅图分成多少份（即多少个直⽅柱）。第⼆个例⼦将绘出直⽅图，到时候会清楚⼀点。# 第五个参数是表⽰直⽅图中各个像素的值，[0.0, 256.0]表⽰直⽅图能表⽰像素值从0.0到256的像素。

# 最后是两个可选参数，由于直⽅图作为函数结果返回了，所以第六个hist就没有意义了（待确定）

# 最后⼀个accumulate是⼀个布尔值，⽤来表⽰直⽅图是否叠加。

>##

# cv.PolyLine(img, polys, is_closed, color, thickness=1, lineType=8, shift=0) # 返回None

# img 读取的图像

# polys 多边形曲线的数组(各个坐标点)

# is_closed 绘制的折线是否关闭的标志，起始点是否有线连接，False为没有

# color 折线的颜⾊ [b,g,r]

# thickness 折线边缘的厚度

# lineType 线段的类型

# shift 顶点坐标中的⼩数位数

>### 说明END >##

import cv2

import numpy as np

# 将直⽅图(填充)转化为图⽚

def calcAndDrawHist(image, color):

hist = cv2.calcHist([image], [0], None, [256], [0.0,255.0])

# cv2.minMaxLoc 最⼤值maxVal和最⼩值minVal及它们的位置

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

# 创建全零图像

histImg = np.zeros([256,256,3], np.uint8)

hpt = int(0.95* 256);

for h in range(256):

# hpt=0.95*256 0.95防⽌最⼤值为整张图⽚的⾼，每个hist与最⼤值的⽐*(256*0.95)即可表⽰该hist在图⽚中的⾼度

intensity = int(hist[h]*hpt/maxVal)

# cv2.line(图像img，第⼀个点坐标(x1,y1)，第⼆个点坐标(x2,y2)，颜⾊[b,g,r])

cv2.line(histImg,(h,256), (h,256-intensity), color)

return histImg

# 将直⽅图(折线)转化为图⽚

def DrawHist(img):

# 建⽴空图⽚

h = np.zeros((256,256,3))

# 直⽅图中各bin的顶点位置

bins = np.arange(256).reshape(256,1)

# BGR三种颜⾊

color = [ (255,0,0),(0,255,0),(0,0,255) ]

for ch, col in enumerate(color):

originHist = cv2.calcHist([img],[ch],None,[256],[0,256])

# alize(图像img，输出图像，归⼀化后最低值，归⼀化后最⼤值，规范化类型 cv2.NORM_M

INMAX：仅针对密集阵列) alize(originHist, originHist,0,255*0.9,cv2.NORM_MINMAX)

# np.around(array) 取整数，但数据类型仍为float

hist=np.int32(np.around(originHist))

测井解释hist=np.int32(np.around(originHist))

# np.column_stack 将两个1-D数组作为列堆叠成2维数组

pts = np.column_stack((bins,hist))

# cv2.polylines(图像img，多边形曲线的数组，绘制的折线是否关闭的标志，折线颜⾊) cv2.polylines(h,[pts],False,col)

# np.flipud 在上/下⽅向翻转数组。

信息技术的负面影响h=np.flipud(h)

return h

'''

>## 灰度图像———直⽅图(填充) >##

img = cv2.imread('001.jpg',0)

histimg = calcAndDrawHist(img,[255,255,255])

cv2.imshow('hist',histimg)

cv2.waitKey(0)

'''

>## 彩⾊图像———直⽅图(填充) >##

if __name__ == '__main__':

# 读取图⽚

img = cv2.imread("001.jpg")

# cv2.spilt 返回BGR三个通道

b, g, r = cv2.split(img)

# calcAndDrawHist(图像img，color填[b,g,r])

histImgB = calcAndDrawHist(b, [255, 0, 0])

histImgG = calcAndDrawHist(g, [0, 255, 0])

histImgR = calcAndDrawHist(r, [0, 0, 255])

cv2.imshow("histImgB", histImgB)

cv2.imshow("histImgG", histImgG)

cv2.imshow("histImgR", histImgR)

cv2.imshow("Img", img)

>## 彩⾊图像———直⽅图(折线) >##

if __name__ == '__main__':

img = cv2.imread("001.jpg")

h = DrawHist(img)

cv2.imshow('colorhist',h)

cv2.waitKey(0)

cv2.destroyAllWindows()

结果显⽰：

彩⾊图像———直⽅图(填充)

彩⾊图像———直⽅图(折线)

5.形态学运算：膨胀与腐蚀

# -*- coding: utf-8 -*-

# @Author: Xingmo

import cv2

import numpy as np

# 读取图像

img = cv2.imread('004.jpg',0);

# 构造⼀个3×3的结构元素

element = StructuringElement(cv2.MORPH_RECT,(3, 3))

# 膨胀图像 cv2.dilate(图像，元素结构)

dilate = cv2.dilate(img, element)

# 腐蚀图像 de(图像，元素结构)

erode = de(img, element)

# 将两幅图像相减获得边，第⼀个参数是膨胀后的图像，第⼆个参数是腐蚀后的图像

result = cv2.absdiff(dilate,erode);

# 上⾯得到的结果是灰度图，cv2.threshold将其⼆值化以便更清楚的观察结果

# cv2.threshold(src , thresh, maxval, type[, dst]) 返回retval、dst

# cv2.threshold(图像, 阈值 , 最⼤值, 阈值类型) 返回值类型、返回处理后图像

# 阈值类型：THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY);

# 反⾊，即对⼆值图每个像素取反

result = cv2.bitwise_not(result);

# 显⽰图像回来我的爱阳一

cv2.imshow("origin",img); # 原图

cv2.imshow("result",result);# 边缘检测图

cv2.waitKey(0)

cv2.destroyAllWindows()

结果显⽰：

本文发布于:2024-09-22 15:42:09，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/116785.html

上一篇：技术交底书样板-软件

下一篇：基于图像检测识别的数据增强技术