新手小白包会(python)OpenCV进阶教程，带你踏入计算机视觉领域

我不是男神

目录一、OpenCV简介1.应用场景2.学习与使用二、OpenCV安装 1.安装2.验证三、OpenCV使用1.边缘检测1）sobel算子（cv2.Sobel()） 2）Scharr算子（cv.Scharr()） 3）laplacian（cv2.Laplacian()）4）canny算法（cv.Canny()）2.下采样（cv2.pyrDown()）3.上采样（cv2.pyrUp()）4.拉普拉斯金字塔5.mask掩膜mask掩膜用法（cv2.bitwise_and()） 6.直方图均衡化（cv2.equalizeHist()）7.自适应直方图均衡化（cv2.createCLAHE()）四、OpenCV进阶操作1.模板匹配（cv2.matchTemplate()）2.角点检测（cv2.cornerHarris()）3.特征提取SIFT五、总结 本篇文章为OpenCV进阶教程，想学基础篇的朋友可前往 OpenCV入门教程 ！！！一、OpenCV简介        OpenCV，即开源计算机视觉库（OpenSourceComputerVisionLibrary），是一个广泛使用的计算机视觉和图像处理软件库。它提供了大量的算法和函数，用于图像和视频处理、目标检测、机器学习等任务。1.应用场景        OpenCV在卫星和网络地图上拼接图像、图像扫描校准、医学图像的降噪、目标分析、安保以及工业检测系统等多个领域都有广泛的应用。此外，OpenCV还在自动驾驶和安全系统、制造感知系统、相机校正、军事应用以及无人空中、地面、水下航行器等方面发挥着重要作用。2.学习与使用        OpenCV为初学者提供了丰富的教程和示例代码，帮助他们快速入门和提高。开发者可以通过阅读OpenCV的官方文档、参加在线课程或加入社区论坛等方式获取帮助和支持。    随着对OpenCV的深入了解和实践经验的积累，开发者将能够更加熟练地运用这个强大的计算机视觉库来解决实际问题。二、OpenCV安装 1.安装打开终端，输入pipinstallopencv-python即可，如需指定版本，输入pipinstallopencv-python==版本号即可。2.验证打开Python解释器。输入importcv2和print(cv2.__version__)来验证OpenCV是否安装成功以及安装的版本号。三、OpenCV使用1.边缘检测1）sobel算子（cv2.Sobel()）cv2.Sobel(src,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]])参数：        src：输入图像        ddepth:输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度        dx,dy:当组合为dx=1,dy=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数          （如果同时为1，通常效果不佳）        ksize:（可选参数）Sobel算子的大小，必须是1,3,5或者7,默认为3。读取x方向边缘#x方向的边缘yuan=cv2.imread('./yuan.png')yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)cv2.imshow('yuan',yuan)cv2.waitKey(0)cv2.imshow('yuan_x',yuan_x)cv2.waitKey(0)该方法只能读取到左半边边缘，要想得到x方向整体边缘，需将ddeep=-1改为cv2.CV_64Fx方向整体边缘#如何得到x方向整体的边缘？yuan_x_64f=cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#默认uint8改为float64，可保存负数yuan_x=cv2.convertScaleAbs(yuan_x_64f)#转换为绝对值，负数转换为正数 同理可得y方向整体边缘#y方向的边缘yuan_y_64f=cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)yuan_y=cv2.convertScaleAbs(yuan_y_64f)通过加权运算将x，y方向边缘图像加起来 #x,y同时使用yuan_xy=cv2.Sobel(yuan,-1,dx=1,dy=1)#使用图像加权运算组合x和y方向的2个边缘。yuan_addWeight=cv2.addWeighted(yuan_x,1,yuan_y,1,0) 2）Scharr算子（cv.Scharr()）cv.Scharr(src,ddepth,dx,dy[,dst[,scale[,delta[,borderType]]]])        src：输入图像        ddepth：输出图片的数据深度，由输入图像的深度进行选择        dx：x轴方向导数的阶数        dy：y轴方向导数的阶数phone=cv2.imread('./phone.jpg',cv2.IMREAD_GRAYSCALE)#转换灰度图，也可以不转换phone_x=cv2.Scharr(phone,cv2.CV_64F,dx=1,dy=0)phone_y=cv2.Scharr(phone,cv2.CV_64F,dx=0,dy=1)phone_x_convert=cv2.convertScaleAbs(phone_x)phone_y_convert=cv2.convertScaleAbs(phone_y)phone_add_weight=cv2.addWeighted(phone_x_convert,1,phone_y_convert,1,0) 3）laplacian（cv2.Laplacian()）cv2.Laplacian(src,ddepth[,dst[,ksize[,scale[,delta[,borderType]]]]])参数说明：        src：输入图像，可以是灰度图像，也可以是多通道的彩色图像        ddepth：输出图片的数据深度：        ksize：计算二阶导数滤波器的孔径大小，必须为正奇数，可选项        scale：缩放比例因子，可选项，默认值为1        delta：输出图像的偏移量，可选项，默认值为0lap=cv2.imread('./phone.jpg')lap_64f=cv2.Laplacian(lap,cv2.CV_64F)#默认uint8改为float64，可保存负数lap_convert=cv2.convertScaleAbs(lap_64f)#转换为绝对值，负数转换为正数效果不是很好4）canny算法（cv.Canny()）cv.Canny(image,threshold1,threshold2[,apertureSize[,L2gradient]])image：为输入图像。threshold1：表示处理过程中的第一个阈值。threshold2：表示处理过程中的第二个阈值。threshold：不固定,默认小的那个是最小阈值,大的是最大阈值(大于高阈值的为强边缘,小于低阈值的为弱边缘)peng=cv2.imread('./peng.jpg',cv2.IMREAD_GRAYSCALE)peng_canny=cv2.Canny(peng,30,100)peng_canny_2=cv2.Canny(peng,100,200) 2.下采样（cv2.pyrDown()）dst=cv2.pyrDown(src,dst,dstsize)        dst：目标图像        src：原始图像        dstsize：目标图像的大小（可以不设置）zhang=cv2.imread('./zhang.jpg')#读取图像down_1=cv2.pyrDown(zhang)#下采样3.上采样（cv2.pyrUp()）高斯金字塔操作中的向上采样dst=cv2.pyrUp(src,dst,dstsize)dst：目标图像src：原始图像dstsize：目标图像的大小up_1=cv2.pyrUp(zhang)cv2.imshow('up1',up_1)cv2.waitKey(0) 4.拉普拉斯金字塔zhang=cv2.imread('./zhang.jpg')#读取图像down=cv2.pyrDown(zhang)#下采样down_up=cv2.pyrUp(down)#上采样#差值，经过下采样上采样后图像损失的像素值differ=zhang-down_up#处理后再加上差值，即可返回原图zhang1=down_up+differ5.mask掩膜phone=cv2.imread('./phone.jpg',cv2.IMREAD_GRAYSCALE)#彩图灰度图均可#将掩膜的尺寸设置与phone相同mask=np.zeros(phone.shape[:2],np.uint8)#创建黑白图像，用于制作maskmask[50:350,100:470]=255#设置部分区域为255亮度cv2.imshow('mask',mask)cv2.waitKey(0)mask掩膜用法（cv2.bitwise_and()）cv2.bitwise_and()：对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0bitwise_and(src1,src2,dst=None,mask=None)参数：src1、src2：为输入图像或标量，标src1和src2相与。dst：可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同mask：图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为0的值，src1和src2相与的值都为0.非0的值，为src1和src2相与的值。phone_mask=cv2.bitwise_and(phone,phone,mask=mask) 我的另一篇博客，小金鱼图像提取裁剪最后也用到了mask掩膜方法，可参考图像提取裁剪 6.直方图均衡化（cv2.equalizeHist()）直方图均衡化：直方图均衡化是一种图像增强技术，它可以通过增加图像的对比度和亮度来改善图像的质量。直方图均衡化通过将图像的像素值分布均匀化来实现这一目标。在PythonOpenCV中，可以使用cv2.equalizeHist()函数来实现直方图均衡化。该函数将输入图像转换为灰度图像，并将其像素值分布均匀化，从而增强图像的对比度和亮度。image=cv2.imread('./zhang.jpg',cv2.IMREAD_GRAYSCALE)image_equal=cv2.equalizeHist(image)#横向拼接,将多个数组按水平方向(列顺序)堆叠成一个新的数组res=np.hstack((image,image_equal))cv2.imshow('res',res)cv2.waitKey(0)7.自适应直方图均衡化（cv2.createCLAHE()）自适应直方图均衡化(局部直方图处理)，当需要保存细节特征，需要做局部处理cv2.createCLAHE(clipLimit,tileGridSize)→retval参数说明：clipLimit：颜色对比度的阈值，可选项，默认值8titleGridSize：局部直方图均衡化的模板（邻域）大小，可选项，默认值(8,8)clahe=cv2.createCLAHE(clipLimit=1.0,tileGridSize=(16,16))#自适应image_clahe=clahe.apply(image)#应用到image图像上res=np.hstack((image,image_equal,image_clahe))#将上步操作一起拿来做对比cv2.imshow('res',res)cv2.waitKey(0) 四、OpenCV进阶操作1.模板匹配（cv2.matchTemplate()）cv2.matchTemplate(image,templ,method,result=None,mask=None)image：待搜索图像templ：模板图像method：计算匹配程度的方法,可以有：        TM_SQDIFF平方差匹配法：该方法采用平方差来进行匹配；匹配越好，值越小；匹配越                                差，值越大。        TM_CCORR相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。        TM_CCOEFF相关系数匹配法：数值越大表明匹配程度越好。        TM_SQDIFF_NORMED归一化平方差匹配法：匹配越好，值越小；匹配越差，值越大。        TM_CCORR_NORMED归一化相关匹配法：数值越大表明匹配程度越好。        TM_CCOEFF_NORMED归一化相关系数匹配法：数值越大表明匹配程度越好。#读取图像kele=cv2.imread('./kekou.jpg')#读取模板图像template=cv2.imread('./template.jpg')#获取模板图像高宽，方便后面进行框图h,w=template.shape[:2]#建立模板匹配match=cv2.matchTemplate(kele,template,cv2.TM_CCORR_NORMED)#cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值的索引号和最大值的索引号min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(match)#最小值、最大值、最小值位置、最大值位置top_left=max_loc#得到的位置均为左上角位置bottom_right=(top_left[0]+w,top_left[1]+h)#右下角位置#绘制矩形框template_rect=cv2.rectangle(kele,top_left,bottom_right,color=(255,0,0),thickness=3)cv2.imshow('match_template',template_rect)cv2.waitKey(0)2.角点检测（cv2.cornerHarris()）cornerHarris(img,blockSize,ksize,k)->dst*img:输入图像*blockSize:角点检测中要考虑的领域大小*ksize:Sobel求导中使用的窗口大小*k:Harris角点检测方程中的自由参数,取值参数为[0.04,0.06]*dst:返回numpy,ndarray对象,大小和src相同,值越大,对应像素点是角的概率越高img=cv2.imread('./huangHeLou.jpg')#角点检测需要转换为灰度图img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#角点检测dst=cv2.cornerHarris(img_gray,4,3,0.04)#每个点得到的结果值大于最大角点值的0.01倍，即认为该点为角点，并用[0,0,255]红色绘制出img[dst>0.01*dst.max()]=[0,0,255]cv2.imshow('img',img)cv2.waitKey(0)3.特征提取SIFTcv2.SIFT_create()  #创建一个sift特征的提取对象sift.detect(img)    #在图像中查找关键点zhang=cv2.imread('./zhang.jpg')sift=cv2.SIFT_create()#创建角点检测kp=sift.detect(zhang)#对图像进行角点检测，得到关键点drawKeypoints(image,keypoints,outImage,color=None,flags=None)image:原始图片keypoints：从原图中获得的关键点，这也是画图时所用到的数据outputimage：输出图像，可以是原始图片,也可以是Nonecolor：颜色设置，通过修改（b,g,r）的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。flags：绘图功能的标识设置zhang_sift=cv2.drawKeypoints(zhang,kp,None,flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)cv2.imshow('zhang_sift',zhang_sift)cv2.waitKey(0)五、总结        OpenCV进阶涉及图像高级处理、特征提取、角点检测与模板匹配等。通过深入学习，可掌握图像分析与理解的精髓，为计算机视觉应用奠定坚实基础。后续会对进阶篇做一些完善，还会补充一些opencv进阶操作，感谢支持！本篇文章为OpenCV进阶教程，想学基础篇的朋友可前往 OpenCV入门教程 ！！！ 想要实操的同学可前往-项目实战--OpenCV--信用卡识别                          --OpenCV--小金鱼图像提取裁剪