OpenCV自学系列（2）——核心操作（core operations）

🕗 发布于 2024-11-18 06:25 opencv 人工智能 计算机视觉

OpenCV官网指导教程第二期，对应官网的 core operation。

主要包括三大类：

1、图像基本操作

2、图像的算术操作

3、（代码）表现的测量和提高

主要使用到的方法如下：

cv2.cvtColor()

cv2.split()

cv2.merge()

cv2.copyMakeBorder()

cv2.add()

cv2.addWeighted()

cv2.threshold()

cv2.bitwise_not()

cv2.bitwise_and()

cv2.getTickCount()

cv2.getTickFrequency()

cv2.setUseOptimized()

cv2.useOptimized()

所有代码（notebook）均上传至

https://github.com/xurongtang/OpenCV-pythonhttps://github.com/xurongtang/OpenCV-python

1、图像基本操作

图像操作主要包括：

Access pixel values and modify them（对像素的操作）

Access image properties（获得图像属性）

Set a Region of Interest (ROI)（设置感兴趣的区域）

Split and merge images（分割和融合图片）

本节操作可能更加偏向于Numpy而非OpenCV

import numpy as np
import cv2

img_color = cv2.imread("demo.png")
assert img_color is not None, "Image reading failed."  
# assert用来确保后面的语句返回True，若不为True则输出后面字符串
img_gray = cv2.imread("demo.png",cv2.IMREAD_GRAYSCALE)

# 索引某个像素，通过xy索引元素
px_1 = img_color[34,21] # 对三通道来说某个坐标的索引结果是array
px_2 = img_gray[34,21] # 对单通道来说某个坐标的索引结构是单个数值
print(px_1,px_2)

# 索引某个具体数值
px_ = img_color[34,21,0]
print(px_)

调整某个像素的值

# 调整某个像素的具体数值
print(img_color[34,21])
img_color[34,21] = [255,255,255]
print(img_color[34,21])

或者都某个通道进行调整

# 对某个像素的单个通道进行调整
img_color[34,21,0] = 0
print(img_color[34,21])

获得图像的属性

# 返回行列和通道，返回元组
print("Color：",img_color.shape)
print("Gray: ",img_gray.shape)
# 返回像素总数
print("Color: ",img_color.size)
print("Gray: ",img_gray.size)
# 返回类型
print("Color: ",img_color.dtype)
print("Gray: ",img_gray.dtype)

获得感兴趣的区域（ROI）

Region_1 = img_color[10:60,10:60]
print(Region_1.shape)

img_color[70:120,70:120] = Region_1

cv2.imshow("window",img_color)
cv2.waitKey(0)

有时您需要单独处理图像的 B、G、R 通道。在这种情况下，您需要将 BGR 图像分割成单个通道。在其他情况下，您可能需要将这些单独的通道合并以创建 BGR 图像。

需要将三通道分离开。cv2.spilt()

将三通道合并成一个通道。cv2.merge()

# 将各个通道单独出来
b,g,r = cv2.split(img_color) # cv2.split()极耗费时间，如果不是必要不用。
b,g,r = img_color[:,:,0],img_color[:,:,1],img_color[:,:,2]
b.shape,g.shape,r.shape

融合操作

# 融合
merge_img = cv2.merge((b,g,r))
merge_img.shape

如果您想在图像周围创建边框，类似于相框，可以使用 cv.copyMakeBorder()。但它在卷积操作、零填充等方面有更多应用。参数如下：

src - 输入图像

top, bottom, left, right - 对应方向上需要扩充的像素的个数

value - 如果类型是 cv.BORDER_CONSTANT 设置的颜色值。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
 
BLUE = [255,0,0]
 
img1 = cv.imread('demo2.png')
img1 = cv.cvtColor(img1,cv.COLOR_BGR2RGB)  # 默认通道时bgr，转化为rgb
assert img1 is not None, "file could not be read, check with os.path.exists()"
 
replicate = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_WRAP)
constant= cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_CONSTANT,value=BLUE)
 
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')
plt.tight_layout()
plt.show()

结果：

2、图像算术操作

图像相加：

import cv2
import numpy as np

img1 = cv2.imread("demo.png",cv2.IMREAD_COLOR)
img2 = cv2.imread("demo2.png",cv2.IMREAD_COLOR)
print(img1.shape,img2.shape)
img2 = cv2.resize(img2,(img1.shape[1],img1.shape[0]))
print(img1.shape,img2.shape)

# 两种加法都是对应元素相加，但是计算逻辑有所不同
add_1 = cv2.add(img1,img2)    # cv2.add()方法对元素进行对应相加，对超过255的值一律取255
add_2 = img1 + img2    # 直接相加（若超过上限，np.unint8的上限为255，则重新计数，如260->4）

np.all(add_1 == add_2)

# 理论上add_1中的255要多于add_2
print(np.count_nonzero(add_1 == 255))
print(np.count_nonzero(add_2 == 255))

带权重相加：

理论如下：

# 学习使用 cv.addWeighted()
# 参数：图像一、图像一的权重、图像二、图像二的权重，加上的残差。
blend_img = cv2.addWeighted(img1,0.8,img2,0.2,0)

# 匿名函数（转换通道）
cvt_img = lambda img : cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
# map映射
blend_img,img1,img2 = map(cvt_img,[blend_img,img1,img2])

import matplotlib.pyplot as plt
plt.subplot(131),plt.imshow(img1),plt.title("image1")
plt.subplot(132),plt.imshow(img2),plt.title("image2")
plt.subplot(133),plt.imshow(blend_img),plt.title("blend(0.8+0.2)")
plt.tight_layout()
plt.show()

元素端的操作（涉及阈值处理和元素端逻辑运算）：

示例：目标是将一些不规则的目标（如一个logo）放入另一张图像当中。如果采用上述方法，可能会导致图像颜色改变或者有透明效果。如果目标是规则的矩形，则可以使用上节的ROI进行添加，但是多数不是规则图形则不可行。

第一步：读入

img3 = cv2.imread("demo3.jpg",cv2.IMREAD_COLOR)
img4 = cv2.imread("demo4.jpg",cv2.IMREAD_COLOR)
img3,img4 = map(cvt_img,[img3,img4])

plt.subplot(121),plt.imshow(img3),plt.title("image3")
plt.subplot(122),plt.imshow(img4),plt.title("image4")
plt.tight_layout()
plt.show()

第二步：创建掩码

# 为了方便，调整一下image3的尺寸
img3 = cv2.resize(img3,(100,50))

# 我想把表情放在图4的中下部分，获得ROI
row,col,channels = img3.shape
roi = img4[-20-row:-20,100:100+col]

# 创建掩码，并创建它的反掩码
img3_gray = cv2.cvtColor(img3,cv2.COLOR_RGB2GRAY)  # 此处的图片已经是转换过颜色通道的，为RGB通道顺序
ret,mask = cv2.threshold(img3_gray,250,255,cv2.THRESH_BINARY)
# cv2.threshold()，参数如下：
# img2gray：输入的灰度图像。
# 10：设置的阈值，所有像素值小于这个值的像素将被设为 0。
# 255：对于所有像素值大于或等于阈值的像素，将被设为 255。（也即小于10为0也就是黑色，大于10为255也就是白色）
# cv.THRESH_BINARY：指定使用的阈值类型，这里表示使用二值化处理。

# 提升对cv2.threshold的理解，现在图像中只有0或255，所以0和255的个数加起来应该等于总个数
black_count = np.count_nonzero(mask == 0)
white_count = np.count_nonzero(mask == 255)
print(black_count,white_count,black_count+white_count,img3_gray.size)

# 返回值ret为阈值，mask为返回的二值图像（阈值选择依据情况而定）
print(ret)

# 对一个mask图像进行反位操作
mask_inv = cv2.bitwise_not(mask)

plt.subplot(121),plt.imshow(mask,'gray'),plt.title("mask")
plt.subplot(122),plt.imshow(mask_inv,'gray'),plt.title("inv_mask")
plt.show()

第三步：抠图

# 抠图，在roi上扣除对应位置的图像
img4_background = cv2.bitwise_and(roi,roi,mask=mask) # 对原图像，保留白色（255）区域，提出黑色（0）的区域。

# 取图
fg = cv2.bitwise_and(img3,img3,mask=mask_inv)

# 合并
dst = cv2.add(img4_background,fg)

print(img4_background.shape,fg.shape)
plt.subplot(131),plt.imshow(img4_background)
plt.subplot(132),plt.imshow(fg)
plt.subplot(133),plt.imshow(dst)
plt.show()

第四步：合并

# 合并
img4_res = img4[:,:,:]
img4_res[-20-row:-20,100:100+col] = dst
img4_res = cv2.cvtColor(img4_res,cv2.COLOR_BGR2RGB)
cv2.imshow("res",img4_res)
cv2.waitKey(0)

3、（代码）表现的测量与提升

代码计时

e1 = cv2.getTickCount()  # 获得当前的钟刻数
e2 = cv2.getTickCount()  # 获得当前的钟刻数
# cv2.getTickFrequency() 是OpenCV 中的一个函数，用于返回系统中时钟的频率（即每秒钟的时钟刻度数）
# cv2.getTickFrequency() 返回一秒的钟刻数
time = (e2 - e1) / cv2.getTickFrequency()
# time: 刻钟之间差值 除以 一秒钟的钟刻数 等于 过程的秒数
print(e1)
print(e2)
print(cv2.getTickFrequency())

运行过程优化

许多OpenCV函数使用SSE2、AVX等进行了优化。它也包含未优化的代码。因此，如果我们的系统支持这些功能，我们应该利用它们（几乎所有现代处理器都支持它们）。在编译时默认启用。因此，如果启用，OpenCV将运行优化的代码，否则将运行未优化的代码。您可以使用cv2.useOptimized()来检查它是否启用/禁用，并使用cv2.setUseOptimized()来启用/禁用它。

cv2.setUseOptimized(False) # 关闭
cv2.useOptimized()    # 返回bool类型

以上，欢迎批评指正。

原文地址：https://blog.csdn.net/weixin_51009494/article/details/143837871

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：螺旋矩阵II(leetcode 59)
下一篇：C++ | Leetcode C++题解之第564题寻找最近的回文数

.NET(C#) 如何配置用户首选项及保存用户设置
.NET(C#) 如何配置用户首选项及保存用户设置
阅读更多2024-12-14
【最新】北大数字普惠金融指数数据集-省市县（2011-2023年）
郭峰,王靖一,王芳,孔涛,张勋,程志云.测度中国数字普惠金融发展:指数编制与空间特征[J].经济学(季刊),2020,19(04):1401-1418.时间跨度：省级和城市级指数时间跨度为2011-2
阅读更多2024-12-14
GESP202412 四级【Recamán】题解（AC）
a11ak−1−kkakak−1−kak−1k小杨想知道 Recamán 数列的前n项从小到大排序后的结果。手动计算非常困难，小杨希望你能帮他解决这个问题。
阅读更多2024-12-14
IDEA遇到EasyConnect中的网络资源无法访问的问题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。原文链接：https://blog.csdn.net/wanshanyu_/article/de
阅读更多2024-12-14
双目摄像头标定方法
此时已经完成标定，左下角为反投影误差，右边为外参可视化。将双目左右目拍的图像上传（左右目最好不少于20张）此时回到主页面，即可看到成功导出。把这些误差大的删除即可。
阅读更多2024-12-14
Servlet、omcat服务器架构与工作原理
Servlet是运行在服务器端的Java程序，它的主要职责之一是接收并处理来自客户端（如浏览器）的HTTP请求。当客户端发送一个请求到服务器时，Servlet可以解析请求中的信息，例如请求的URL路径
阅读更多2024-12-14
Vue生命周期钩子函数：深入解析与实践
作为高级Vue前端开发人员，对Vue组件的生命周期钩子函数有着深刻的理解是至关重要的。生命周期钩子函数是指在Vue组件的创建、更新、销毁等过程中，Vue自动调用的一系列方法。通过这些钩子函数，我们可以
阅读更多2024-12-14
安卓开发--使用android studio发布APP
app发布
阅读更多2024-12-14
数据结构与算法学习笔记----拓扑排序
@ author: 明月清了个风。
阅读更多2024-12-14
python 将数据保存到现有的Excel文件的新工作表
out_file = ‘query.xlsx’df1 = pd.DataFrame(out_data)若直接写入：df1.to_excel(out_file, index=False, sheet_n
阅读更多2024-12-14

OpenCV自学系列（2）——核心操作（core operations）

1、图像基本操作

2、图像算术操作

3、（代码）表现的测量与提升

相关文章