OpenCV 入门之图像模糊与边缘检测

用户6021899

发布于 2019-08-21 18:13:56

2K0

发布于 2019-08-21 18:13:56

文章被收录于专栏：Python编程 pyqt matplotlibPython编程 pyqt matplotlib

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。官方下载链接如下：https://opencv.org/releases/

安装完毕后，在python中导入cv2库就可以使用OpenCV的API。

读取图像不同系统支持的图像格式不一样，但都支持BMP格式，通常还支持PNG、JPEG和TIFF格式。

img = cv2.imread("sf.jpg")
>>> type(img)
<class 'numpy.ndarray'>
>>> img.shape
(333, 500, 3)
>>> img[0,0]
array([16, 16, 16], dtype=uint8)
>>> img[0,0,1]
16

一个OpenCV图像是 numpy 二维(灰度图）或者三维数组（彩图）。

img[y,x] 表示二维图 y行 x列处像素点的亮度值。

img[y,x,c]表示三维图 y行x列出像素点通道c的亮度值。

像素的亮度值用一个无符号的8位整数表示，所以范围在0到255。

可以只加载灰度图：

img3 = cv2.imread("sf.jpg", cv2.IMREAD_GRAYSCALE)
#因为cv2.IMREAD_GRAYSCALE=0
#可以简写为 img3 = cv2.imread("sf.jpg", 0)

显示图像：

img = cv2.imread("sf.jpg")
cv2.imshow("Sophie Marceau", img) #第一个参数为窗口标题

#创建一个合法的随机数组并显示
img2 = np.random.randint(256,size =(200,400,3),dtype =np.uint8)
cv2.imshow("random pix", img2)

保存图像

img = cv2.imread("hua.jpg")
img_reverse = 255- img #明暗颠倒
cv2.imwrite("jiangshan_r.PNG", img_reverse)

分离和合并RBG通道

B,G,R = cv2.split(img) #分离通道，注意顺序：蓝，绿，红
G[:,:]=0 #绿色通道清零
R[:,:]=0 #红色通道清零
img_blue = cv2.merge((B,G,R)) #合并三通道
cv2.imshow("blue chanel", img_blue)

#其实也可以只用numpy操作
img_blue = img.copy()
img_blue[:,:,1:3]=0
cv2.imshow("blue chanel _", img_blue)

高通滤波器（HPF) 高通滤波器根据像素与邻近像素的亮度差值来提示改像素的亮度。如: blurred = cv2.GaussianBlur(img, (13,13),sigmaX =1.2) g_HPF = img-blurred cv2.imshow("g_hpf", g_HPF) cv2.waitKey() cv2.destroyAllWindows()

又如使用如下之类的核（后面会介绍），中间元素为正，周围元素为负，核中所有的值之和为0： kernel = np.array([[-1, -1, -1], [-1, 8, 1], [-1, -1, -1]])

低通滤波器（LPF) 在像素与周围像素的亮度差值小于一个特定值时，平滑该像素的亮度。它主要用于去噪和模糊化。比如，高斯模糊是最常用的模糊滤波器之一，它是一个削弱高频信号的低通滤波器。例子见图像模糊中的例子。
核(卷积矩阵) OpenCV许多预定义的滤波器都会使用核。核是一组权重，它决定了如何通过邻近的像素点来计算中心的像素点。核也称为卷积矩阵，它对一个区域的像素做卷积运算。卷积矩阵是一个二维数组，它有奇数行和奇数列。中心的元素对应于感兴趣的像素，其它的元素对应于这个像素周围的邻近像素。每个元素都对应一个整数或者浮点数的值，这些值代表了应用在该像素上的权重。 filter2D()函数运用用户指定的任意卷积矩阵进行滤波。

#下面的核会使图像锐化
kernel = np.array([[-1, -1, -1],
                  [-1,  9,   1],
                  [-1, -1, -1]])
img_new = cv2.filter2D(img, -1, kernel)
cv2.imshow("sharpening", img)

##下面的核会使图像产生浮雕效果
kernel2 = np.array([[-2, -1, 0],
                    [-1,  0,   1],
                    [0, 1, 2]])
img_embossed = cv2.filter2D(img, -1, kernel2)
cv2.imshow("embossed", img_embossed)

嗯，黑了点...

图像模糊除了高斯模糊外，还可以自定义模糊滤波器。为了达到模糊效果，通常权重的和应该为1，而且零件像素的权重全为正。下面实现了一个简单的平均滤波器。

#k=3, 5, 7, 9 共四级模糊效果，k越大越模糊
for k in range(3,10,2):
    knrnel3 = np.array([[1.0/k**2]*k for i in range(k)])
    img_edges = cv2.filter2D(img, -1 ,knrnel3)
    cv2.imwrite("blurring k=%d.jpg"%k,img_edges)#保存图像
    cv2.imshow("blurring k=%d"%k,img_edges)

图像边缘检测 1. 使用自定义核 img_old= cv2.imread(r"hua.jpg") cv2.imshow("old", img_old) knrnel = np.array([[-1, -1, -1], [-1, 8, -1], [-1,-1,-1]]) img_edges = cv2.filter2D(img_old, -1 ,knrnel) img_edges_gray = cv2.cvtColor(img_edges, cv2.COLOR_BGR2GRAY) cv2.imshow("img_edges", img_edges_gray) cv2.waitKey() cv2.destroyAllWindows()

原图：

边缘：

2.也可以使用Laplacian()函数：

def strokeEdges(src, blurKsize=7, edgeKsize=5): #两个ksize须为奇数
    if blurKsize >3:
        blurredSrc =cv2.medianBlur(src, blurKsize) #模糊函数，用于降噪
        graySrc = cv2.cvtColor(blurredSrc,cv2.COLOR_BGR2GRAY)#转灰度图
    else:#关闭模糊
        graySrc = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)#转灰度图
    #边缘检测 edgeKsize越大越灵敏,但可能越多noise
    graySrc=cv2.Laplacian(graySrc, cv2.CV_8U, ksize=edgeKsize)#得到白色边缘，黑色背景
    #cv2.imshow("edges0", graySrc)
    normlizedInverseAlpha = graySrc/255.0
    channels = cv2.split(src)# 通道分离，注意顺序BGR不是RGB
    for channel in channels:
        channel[:] = channel * normlizedInverseAlpha # 边缘映射到原图（会保留色彩）
    return cv2.merge(channels)

img_old = cv2.imread(r"hua.jpg")
cv2.imshow("old", img_old)
edges = strokeEdges(img_old,blurKsize=7, edgeKsize=5) #两个ksize须为奇数
grayEdges = cv2.cvtColor(edges,cv2.COLOR_BGR2GRAY)#转灰度图
cv2.imshow("edges", edges)
#cv2.imshow("edges_GRAY", grayEdges)
cv2.waitKey()
cv2.destroyAllWindows()

3. 还可以考虑非常方便的Canny()函数：

'''
Canny(...)
    Canny(image, threshold1, threshold2[,
    edges[, apertureSize[, L2gradient]]]) -> edges
'''
#image：源图像
#threshold1：阈值1
#threshold2：阈值2
#apertureSize：可选参数，Sobel算子的大小
#其中，较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，
#边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。
#函数返回的是二值图，包含检测出的边缘
img = cv2.imread("hua.jpg")
edges = cv2.Canny(img,20,120)
cv2.imshow("original", img)
cv2.imshow("canny",edges)
cv2.waitKey()
cv2.destroyAllWindows()