一文了解如何使用OpenCV进行图像处理

介绍

OpenCV – 开源计算机视觉。它是计算机视觉和图像处理任务中使用最广泛的工具之一。它被用于各种应用,如面部检测、视频捕捉、跟踪移动物体、对象公开。如今应用在 Covid 中,如口罩检测、社交距离等等。

在这篇博客中,将通过实际示例涵盖图像处理中一些最重要的任务来详细介绍 OpenCV。那么让我们开始吧

目录

边缘检测和图像梯度

图像的膨胀、打开、关闭和腐蚀

透视变换

图像金字塔

裁剪

缩放、插值和重新调整大小

阈值、自适应阈值和二值化

锐化

模糊

轮廓

使用霍夫线检测线

寻找角落

计算圆和椭圆

边缘检测和图像梯度

它是图像处理中最基本和最重要的技术之一。检查以下代码以获取完整实现。

image = cv2．imread('fruit．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)hgt, wdt,_ = image．shape# Sobel Edgesx_sobel = cv2．Sobel(image, cv2．CV_64F, 0, 1, ksize=5)y_sobel = cv2．Sobel(image, cv2．CV_64F, 1, 0, ksize=5)plt．figure(figsize=(20, 20))plt．subplot(3, 2, 1)plt．title("Original")plt．imshow(image)plt．subplot(3, 2, 2)plt．title("Sobel X")plt．imshow(x_sobel)plt．subplot(3, 2, 3)plt．title("Sobel Y")plt．imshow(y_sobel)sobel_or = cv2．bitwise_or(x_sobel, y_sobel)plt．subplot(3, 2, 4)plt．imshow(sobel_or)laplacian = cv2．Laplacian(image, cv2．CV_64F)plt．subplot(3, 2, 5)plt．title("Laplacian")plt．imshow(laplacian)## There are two values: threshold1 and threshold2．## Those gradients that are greater than threshold2 => considered as an edge## Those gradients that are below threshold1 => considered not to be an edge．## Those gradients Values that are in between threshold1 and threshold2 => either classi?ed as edges or non-edges# The first threshold gradientcanny = cv2．Canny(image, 50, 120)plt．subplot(3, 2, 6)plt．imshow(canny)

图像的膨胀、打开、关闭和腐蚀

这是基本的图像处理操作。这些用于去除噪声、查找图像中的强度洞或凹凸等等。检查以下代码以获得实际实现。image = cv2．imread('LinuxLogo．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(3, 2, 1)plt．title("Original")plt．imshow(image)kernel = np．ones((5,5), np．uint8)erosion = cv2．erode(image, kernel, iterations = 1)plt．subplot(3, 2, 2)plt．title("Erosion")plt．imshow(erosion)dilation = cv2．dilate(image, kernel, iterations = 1)plt．subplot(3, 2, 3)plt．title("Dilation")plt．imshow(dilation)opening = cv2．morphologyEx(image, cv2．MORPH_OPEN, kernel)plt．subplot(3, 2, 4)plt．title("Opening")plt．imshow(opening)closing = cv2．morphologyEx(image, cv2．MORPH_CLOSE, kernel)plt．subplot(3, 2, 5)plt．title("Closing")plt．imshow(closing)

透视变换为了获得更好的图像信息,我们可以改变视频或图像的视角。在这个转换中,我们需要通过改变视角来提供图像上我们想要获取信息的点。在 OpenCV 中,我们使用两个函数进行透视变换getPerspectiveTransform()和warpPerspective()。检查以下代码以获取完整实现。

image = cv2．imread('scan．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(1, 2, 1)plt．title("Original")plt．imshow(image)points_A = np．float32([[320,15], [700,215], [85,610], [530,780]])points_B = np．float32([[0,0], [420,0], [0,594], [420,594]])M = cv2．getPerspectiveTransform(points_A, points_B)warped = cv2．warpPerspective(image, M, (420,594))plt．subplot(1, 2, 2)plt．title("warpPerspective")plt．imshow(warped)

图像金字塔

当我们需要缩放对象检测时,这是一项非常有用的技术。OpenCV 使用两种常见的图像金字塔:高斯金字塔和拉普拉斯金字塔。使用OpenCV 中的pyrUp()和pyrDown()函数对图像进行下采样或上采样。检查以下代码以获得实际实现。

image = cv2．imread('butterfly．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(2, 2, 1)plt．title("Original")plt．imshow(image)smaller = cv2．pyrDown(image)larger = cv2．pyrUp(smaller)plt．subplot(2, 2, 2)plt．title("Smaller")plt．imshow(smaller)plt．subplot(2, 2, 3)plt．title("Larger")plt．imshow(larger)

裁剪它是图像处理中最重要和最基本的技术之一,裁剪用于获取图像的特定部分。裁剪图像。你只需要根据你感兴趣的区域从图像中获取坐标。如需完整分析,请查看 OpenCV 中的以下代码。

image = cv2．imread('messi．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(Aigsize=(20, 20))plt．subplot(2, 2, 1)plt．title("Original")plt．imshow(image)hgt, wdt = image．shape[:2]start_row, start_col = int(hgt * ．25), int(wdt * ．25)end_row, end_col = int(height * ．75), int(width * ．75)cropped = image[start_row:end_row , start_col:end_col]plt．subplot(2, 2, 2)plt．imshow(cropped)

缩放、插值和重新调整大小

调整大小是 OpenCV 中最简单的任务之一。它提供了一个resize()函数,它接受图像、输出大小图像、插值、x 比例和 y 比例等参数。检查以下代码以获取完整实现。image = cv2．imread('/kaggle/input/opencv-samples-images/data/fruits．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(2, 2, 1)plt．title("Original")plt．imshow(image)image_scaled = cv2．resize(image, None, fx=0．75, fy=0．75)plt．subplot(2, 2, 2)plt．title("Scaling - Linear Interpolation")plt．imshow(image_scaled)img_scaled = cv2．resize(image, None, fx=2, fy=2, interpolation = cv2．INTER_CUBIC)plt．subplot(2, 2, 3)plt．title("Scaling - Cubic Interpolation")plt．imshow(img_scaled)img_scaled = cv2．resize(image, (900, 400), interpolation = cv2．INTER_AREA)plt．subplot(2, 2, 4)plt．title("Scaling - Skewed Size")plt．imshow(img_scaled)

阈值、自适应阈值和二值化检查以下代码以获取完整实现。

# Load our new imageimage = cv2．imread('Origin_of_Species．jpg', 0)plt．figure(figsize=(30, 30))plt．subplot(3, 2, 1)plt．title("Original")plt．imshow(image)ret,thresh1 = cv2．threshold(image, 127, 255, cv2．THRESH_BINARY)plt．subplot(3, 2, 2)plt．title("Threshold Binary")plt．imshow(thresh1)image = cv2．GaussianBlur(image, (3, 3), 0)thresh = cv2．adaptiveThreshold(image, 255, cv2．ADAPTIVE_THRESH_MEAN_C, cv2．THRESH_BINARY, 3, 5) plt．subplot(3, 2, 3)plt．title("Adaptive Mean Thresholding")plt．imshow(thresh)_, th2 = cv2．threshold(image, 0, 255, cv2．THRESH_BINARY + cv2．THRESH_OTSU)plt．subplot(3, 2, 4)plt．title("Otsu's Thresholding")plt．imshow(th2)plt．subplot(3, 2, 5)blur = cv2．GaussianBlur(image, (5,5), 0)_, th3 = cv2．threshold(blur, 0, 255, cv2．THRESH_BINARY + cv2．THRESH_OTSU)plt．title("Guassian Otsu's Thresholding")plt．imshow(th3)plt．show()

锐化检查以下代码以使用 OpenCV 锐化图像。

image = cv2．imread('building．jpg')

image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(1, 2, 1)plt．title("Original")plt．imshow(image)kernel_sharpening = np．array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])sharpened = cv2．filter2D(image, -1, kernel_sharpening)plt．subplot(1, 2, 2)plt．title("Image Sharpening")plt．imshow(sharpened)plt．show()

模糊检查以下代码以使用 OpenCV 模糊图像。

image = cv2．imread('home．jpg')

image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(2, 2, 1)plt．title("Original")plt．imshow(image)kernel_3x3 = np．ones((3, 3), np．float32) / 9blurred = cv2．filter2D(image, -1, kernel_3x3)plt．subplot(2, 2, 2)plt．title("3x3 Kernel Blurring")plt．imshow(blurred)kernel_7x7 = np．ones((7, 7), np．float32) / 49blurred2 = cv2．filter2D(image, -1, kernel_7x7)plt．subplot(2, 2, 3)plt．title("7x7 Kernel Blurring")plt．imshow(blurred2)

轮廓图像轮廓——这是一种识别图像中对象结构轮廓的方法。有助于识别物体的形状。OpenCV 提供了一个findContours函数,你需要在其中传递 canny 边缘作为参数。检查以下代码以获取完整实现。

# Load the dataimage = cv2．imread('pic．png')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))plt．subplot(2, 2, 1)plt．title("Original")plt．imshow(image)# Grayscalegray = cv2．cvtColor(image,cv2．COLOR_BGR2GRAY)# Canny edgesedged = cv2．Canny(gray, 30, 200)plt．subplot(2, 2, 2)plt．title("Canny Edges")plt．imshow(edged)# Finding Contourscontour, hier = cv2．findContours(edged, cv2．RETR_EXTERNAL, cv2．CHAIN_APPROX_NONE)plt．subplot(2, 2, 3)plt．imshow(edged)print("Count of Contours = " + str(len(contour)))# All contourscv2．drawContours(image, contours, -1, (0,255,0), 3)plt．subplot(2, 2, 4)plt．title("Contours")plt．imshow(image)

使用霍夫线检测线可以使用霍夫线检测图像中的线条。OpenCV 提供了一个HouhLines 函数,你必须在其中传递阈值。阈值是将其视为一条线的最低投票数。有关详细概述,请查看以下代码中,利用OpenCV中的HoughLines() 实现直线检测。

# Load the imageimage = cv2．imread('sudoku．png')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))# Grayscale gray = cv2．cvtColor(image, cv2．COLOR_BGR2GRAY)# Canny Edgesedges = cv2．Canny(gray, 100, 170, apertureSize = 3)plt．subplot(2, 2, 1)plt．title("edges")plt．imshow(edges)# Run HoughLines Fucntion lines = cv2．HoughLines(edges, 1, np．pi/180, 200)# Run for loop through each linefor line in lines: rho, theta = line[0] a = np．cos(theta) b = np．sin(theta) x0 = a * rho y0 = b * rho x_1 = int(x0 + 1000 * (-b)) y_1 = int(y0 + 1000 * (a)) x_2 = int(x0 - 1000 * (-b)) y_2 = int(y0 - 1000 * (a)) cv2．line(image, (x_1, y_1), (x_2, y_2), (255, 0, 0), 2)# Show Final outputplt．subplot(2, 2, 2)plt．imshow(image)

寻找角落要找到图像的角点,请使用OpenCV 中的cornerHarris 函数。有关详细概述,请查看以下代码,获取使用 OpenCV 查找角点的完整实现。

# Load image image = cv2．imread('chessboard．png')# Grayscalingimage = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(10, 10))gray = cv2．cvtColor(image, cv2．COLOR_BGR2GRAY)# CornerHarris function want input to be floatgray = np．float32(gray)h_corners = cv2．cornerHarris(gray, 3, 3, 0．05)kernel = np．ones((7,7),np．uint8)h_corners = cv2．dilate(harris_corners, kernel, iterations = 10)image[h_corners > 0．024 * h_corners．max() ] = [256, 128, 128]plt．subplot(1, 1, 1)# Final Outputplt．imshow(image)

计算圆和椭圆要计算 图像中的圆和椭圆,请使用OpenCV 中的SimpleBlobDetector 函数。有关详细概述,请查看以下代码,以获取 使用 OpenCV 计算图像中的圆和椭圆的完整实现。

# Load imageimage = cv2．imread('blobs．jpg')image = cv2．cvtColor(image, cv2．COLOR_BGR2RGB)plt．figure(figsize=(20, 20))detector = cv2．SimpleBlobDetector_create()# Detect blobspoints = detector．detect(image)blank = np．zeros((1,1)) blobs = cv2．drawKeypoints(image, points, blank, (0,0,255), cv2．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)number_of_blobs = len(keypoints)text = "Total Blobs: " + str(len(keypoints))cv2．putText(blobs, text, (20, 550), cv2．FONT_HERSHEY_SIMPLEX, 1, (100, 0, 255), 2)plt．subplot(2, 2, 1)plt．imshow(blobs)# Filtering parameters# Initialize parameter settiing using cv2．SimpleBlobDetectorparams = cv2．SimpleBlobDetector_Params()# Area filtering parametersparams．filterByArea = Trueparams．minArea = 100# Circularity filtering parametersparams．filterByCircularity = True params．minCircularity = 0．9# Convexity filtering parametersparams．filterByConvexity = Falseparams．minConvexity = 0．2# inertia filtering parametersparams．filterByInertia = Trueparams．minInertiaRatio = 0．01# detector with the parametersdetector = cv2．SimpleBlobDetector_create(params)# Detect blobskeypoints = detector．detect(image)# Draw blobs on our image as red circlesblank = np．zeros((1,1)) blobs = cv2．drawKeypoints(image, keypoints, blank, (0,255,0), cv2．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)number_of_blobs = len(keypoints)text = "No． Circular Blobs: " + str(len(keypoints))cv2．putText(blobs, text, (20, 550), cv2．FONT_HERSHEY_SIMPLEX, 1, (0, 100, 255), 2)# Show blobsplt．subplot(2, 2, 2)plt．title("Filtering Circular Blobs Only")plt．imshow(blobs)

尾注

因此,在本文中,我们详细讨论了使用 OpenCV进行图像处理。希望你能从这个博客中学到一些东西,它会在未来对你有所帮助。感谢你的耐心阅读。祝你好运!