机器视觉认识OpenCV

一、什么是OpenCV

   

     OpenCV    1、绪论

OpenCV（Open Source Computer Vision Library）是一个开源的盘算机视觉和机器学习软件库。它包含了众多关于图像处理和盘算机视觉的通用算法，这些算法可以用于办理各种现实问题，比如人脸识别、物体检测、图像分割、视频分析等。OpenCV 提供了 C++、Python、Java 和 MATLAB 等多种语言的接口，此中 Python 接口由于其简洁性和易用性而特别受接待。
2、关键特性

①丰富的功能‌：

OpenCV 提供了大量的图像处理函数，包括滤波、边缘检测、形态学操作、图像变动、特征检测与匹配、相机标定与三维重建等。
‌②高性能‌：

OpenCV 是用 C++ 编写的，并举行了高度优化，因此在处理大规模图像数据时具有很高的性能。Python 接口通过调用底层的 C++ 实现来保持高效性。
③跨平台‌：

OpenCV 可以在多种操作体系上运行，包括 Windows、Linux、macOS 和 Android 等。
④易于利用‌：

OpenCV 的 Python 接口设计直观，易于学习和利用。同时，OpenCV 还提供了具体的文档和丰富的教程资源。
‌⑤社区支持‌：

OpenCV 拥有一个活泼的社区，用户可以在论坛、GitHub 和 Stack Overflow 等平台上寻求资助和分享经验。
3、用途

①图像处理‌：

OpenCV 可以用于图像的滤波、去噪、增强、变动等操作，以改善图像的质量或提取有用的信息。
②物体检测与识别‌：

利用 OpenCV 提供的特征检测器（如 SIFT、SURF、ORB 等）和机器学习算法（如 SVM、随机森林等），可以实现物体的检测和识别。
‌③视频分析‌：

OpenCV 支持视频捕捉、处理和分析，可以用于视频跟踪、运动检测、背景减除等任务。
④人脸识别‌：

OpenCV 提供了多种人脸识别算法，如 Eigenfaces、Fisherfaces、LBPH（Local Binary Patterns Histograms）等，可以用于人脸检测、识别和验证。
⑤三维重建‌：

通过相机标定和立体视觉技术，OpenCV 可以实现三维场景的重建和测量。
‌⑥增强现实（AR）‌：

OpenCV 可以与盘算机图形学库结合利用，实现增强现实应用，如在真实场景中叠加虚拟对象。
4、常用函数

①imshow()

1. @_typing.overload
2. def imshow(winname: str, mat: cv2.typing.MatLike) -> None: ...
3. @_typing.overload
4. def imshow(winname: str, mat: cv2.cuda.GpuMat) -> None: ...
5. @_typing.overload
6. def imshow(winname: str, mat: UMat) -> None: ...

复制代码

  功能：一个窗口中体现由 cv2.imread() 或其他图像处理函数生成的图像
  参数
  

• winname: 窗口的名字。这是一个字符串，用于标识体现图像的窗口。假如指定的窗口名不存在，OpenCV 会主动创建一个新窗口。假如窗口名已经存在，图像会在已有的窗口中体现。
  
• mat: 要体现的图像。这是一个包含图像数据的 NumPy 数组，通常是由 cv2.imread() 或其他图像处理函数生成的。
  

  示例： 

1. img = cv2.imread("flower.png")
2. cv2.imshow("Image Window", img)
3. cv2.waitKey(0)
4. cv2.destroyAllWindows()

复制代码

 

②rectangle()

1. @_typing.overload
2. def rectangle(img: cv2.typing.MatLike, pt1: cv2.typing.Point, pt2: cv2.typing.Point, color: cv2.typing.Scalar, thickness: int = ..., lineType: int = ..., shift: int = ...) -> cv2.typing.MatLike: ...
3. @_typing.overload
4. def rectangle(img: UMat, pt1: cv2.typing.Point, pt2: cv2.typing.Point, color: cv2.typing.Scalar, thickness: int = ..., lineType: int = ..., shift: int = ...) -> UMat: ...
5. @_typing.overload
6. def rectangle(img: cv2.typing.MatLike, rec: cv2.typing.Rect, color: cv2.typing.Scalar, thickness: int = ..., lineType: int = ..., shift: int = ...) -> cv2.typing.MatLike: ...
7. @_typing.overload
8. def rectangle(img: UMat, rec: cv2.typing.Rect, color: cv2.typing.Scalar, thickness: int = ..., lineType: int = ..., shift: int = ...) -> UMat: ...

复制代码

  功能：用于在图像上绘制矩形的函数
  参数：
  

• img: 这是要绘制矩形的图像，它是一个包含图像数据的 NumPy 数组。
  
• pt1: 矩形的一个顶点坐标，通常是一个元组 (x, y)，表示矩形左上角的坐标。
  
• pt2: 矩形的对角顶点坐标，也是一个元组 (x, y)，表示矩形右下角的坐标。
  
• color: 矩形的颜色，通常是一个 BGR（蓝、绿、红）颜色值的三元组 (b, g, r)。注意，OpenCV 利用 BGR 而不是 RGB 颜色空间。
  
• thickness: 矩形边框的粗细。假如设置为 -1，则表示添补整个矩形地区。
  
• lineType: 线条的类型，比方 cv2.LINE_8（8-连通线），cv2.LINE_4（4-连通线），或 cv2.FILLED（添补矩形）。默认情况下，它是 cv2.LINE_8。
  
• shift: 点坐标的小数位数。默认值是 0。 
  

   示例：

1. img = cv2.imread("flower.png")
2. cv2.rectangle(img, (50, 50), (200, 200), (0, 255, 0), 2)
3. cv2.imshow("Rectangle", img)
4. cv2.waitKey(0)
5. cv2.destroyAllWindows()

复制代码

 

③waitKey() 

1. def waitKey(delay: int = ...) -> int: ...

复制代码

  功能：用于等候用户按键事件
  参数：
  

• delay: 等候的时间（以毫秒为单位）。假如设置为 0，则表示无限期等候，直到用户按下一个键。假如设置为一个正数，比如 1000，则表示等候 1000 毫秒（即 1 秒），假如在这段时间内用户没有按键，则继承执行后续代码。
  

  函数返回值：
  

• cv2.waitKey() 返回一个整数，表示用户按下的键的 ASCII 码。假如用户在指定的等候时间内没有按下任何键，则返回 -1。
  

   示例：

1. img = cv2.imread("flower.png")
2. cv2.imshow("Image", img)
4. # 等待按键
5. key = cv2.waitKey(0)
6. if key == ord('q'):  # 按 'q' 键退出
7.     print("Quit")
8. cv2.destroyAllWindows()

复制代码

 

二、灰度化

1、绪论

灰度图：单通道图，每个像素点只存一个像素值，图像整体体现为灰色，从0-255体现为从黑到白的过程。
2、灰度化的三种方法

①加权均值法：

对于彩色图像的每个像素【每个像素包含 RGB三通道】，它会按照一定的权重去乘以每个通道的像素值，并将其相加，得到末了的值就是灰度图像中对应位置的像素值,权重的比例为： R乘以0.299，G乘以0.587，B乘以0.114。
例：

1. import numpy as np
2. import matplotlib.pyplot as plt
4. img = plt.imread("./flower.png")
6. img_gray = np.zeros_like(img)
8. # 使用加权均值法进行灰度化
9. for i in range(img_gray.shape[0]):
10.     for j in range(img_gray.shape[1]):
11.         img_gray[i, j, :] = (img[i, j, 0]*0.299 + img[i, j, 1]*0.587 + img[i, j, 2]*0.114)
13. plt.subplot(121)
14. plt.imshow(img)
16. plt.subplot(122)
17. plt.imshow(img_gray)
19. plt.tight_layout()
20. plt.show()

复制代码

②平均值法：

对于彩色图像的每个像素，它会将R、G、B三个通道的像素值全部加起来，然后再除以三，得到的平均值就是灰度图像中对应位置的像素值。
例：

1. import numpy as np
2. import matplotlib.pyplot as plt
4. img = plt.imread("./flower.png")
6. img_gray = np.zeros_like(img)
8. # 使用平均值法进行灰度化
9. for i in range(img_gray.shape[0]):
10.     for j in range(img_gray.shape[1]):
11.         img_gray[i, j, :] = (img[i, j, 0] + img[i, j, 1] + img[i, j, 2]) / 3
13. plt.subplot(121)
14. plt.imshow(img)
16. plt.subplot(122)
17. plt.imshow(img_gray)
19. plt.tight_layout()
20. plt.show()

复制代码

③最大值法：

对于彩色图像的每个像素，它会从R、G、B三个通道的值中选出最大的一个，并将其作为灰度图像中对应位置的像素值。
例：

1. import numpy as np
2. import matplotlib.pyplot as plt
4. img = plt.imread("./flower.png")
6. img_gray = np.zeros_like(img)
8. # 使用最大值法进行灰度化
9. for i in range(img_gray.shape[0]):
10.     for j in range(img_gray.shape[1]):
11.         img_gray[i, j, :] = max(img[i, j, 0] , img[i, j, 1] , img[i, j, 2])
13. plt.subplot(121)
14. plt.imshow(img)
16. plt.subplot(122)
17. plt.imshow(img_gray)
19. plt.tight_layout()
20. plt.show()

复制代码

3、常用函数


①imread()

1. @_typing.overload
2. def imread(filename: str, flags: int = ...) -> cv2.typing.MatLike: ...
3. @_typing.overload
4. def imread(filename: str, dst: cv2.typing.MatLike | None = ..., flags: int = ...) -> cv2.typing.MatLike: ...
5. @_typing.overload
6. def imread(filename: str, dst: UMat | None = ..., flags: int = ...) -> UMat: ...

复制代码

  功能：用于读取图像文件的一个函数
  参数：
  

• filePath: 要读取的图像文件的路径。
  
• flags: 读取图像的方式（可选参数）。
  

  常用值：
  
  
  

• cv2.IMREAD_COLOR: 读取彩色图像。图像的透明度会被忽略（默认设置）。
  
• cv2.IMREAD_GRAYSCALE: 以灰度模式读取图像。返回的是一个单通道图像。
  
• cv2.IMREAD_UNCHANGED: 包括 alpha 通道的方式读取图像。这对于读取 PNG 或 JPEG 图像中的透明度信息很有用。
  

  例：

1. import cv2
3. # 读取彩色图像
4. img = cv2.imread('./flower.png', cv2.IMREAD_COLOR)
6. # 检查是否加载成功
7. if img is None:
8.     print("图像加载失败！")
9. else:
10.     print(f"图像形状: {img.shape}")  # 输出图像尺寸
11.     cv2.imshow('Image', img)  # 显示图像
12.     cv2.waitKey(0)
13.     cv2.destroyAllWindows()

复制代码

 

②cvtColor()

1. @_typing.overload
2. def cvtColor(src: cv2.typing.MatLike, code: int, dst: cv2.typing.MatLike | None = ..., dstCn: int = ...) -> cv2.typing.MatLike: ...
3. @_typing.overload
4. def cvtColor(src: UMat, code: int, dst: UMat | None = ..., dstCn: int = ...) -> UMat: ...

复制代码

  功能：用于转换图像从一个颜色空间到另一个颜色空间
  参数：
  

• src: 输入图像，这是一个包含图像数据的 NumPy 数组。
  
• code: 用于指定颜色空间转换的代码，它是一个整数标识符，表示源颜色空间和目标颜色空间之间的转换。OpenCV 提供了多种转换代码，如 cv2.COLOR_BGR2GRAY（从 BGR 转换到灰度图），cv2.COLOR_RGB2HSV（从 RGB 转换到 HSV），等等。
  
• dst: 输出图像，与输入图像具有相同的大小和深度。这是一个可选参数，假如不提供，函数会创建一个新的图像来存储转换效果。
  
• flags: 一个可选的标志，用于指定颜色转换的一些特定选项。在大多数情况下，这个参数可以省略，由于它有默认值。
  

  函数返回值：
  

• dst: 转换后的图像，这是一个包含新颜色空间图像数据的 NumPy 数组。
  

  例： 

1. import cv2
3. # 读取彩色图像
4. img = cv2.imread('./flower.png')
6. # 转换为灰度图像
7. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
9. # 转换为 HSV 色彩空间
10. hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
12. cv2.imshow('Gray Image', gray)  # 显示灰度图
13. cv2.imshow('HSV Image', hsv)    # 显示 HSV 图
14. cv2.waitKey(0)
15. cv2.destroyAllWindows()

复制代码

 

三、二值化函数 cv2.threshold()

二值化是图像处理中的常见操作，用于将图像转化为只有两种像素值（通常是 0 和 255）的图像，常用于边缘检测、外形检测等。
1、功能

cv2.threshold() 用于将灰度图像的像素值根据设定的阈值举行二值化处理：

• 假如像素值高于阈值，则设置为最大值。
  
• 假如像素值低于阈值，则设置为 0。
  

2、参数

1. cv2.threshold(src, thresh, maxval, type)

复制代码

• src：输入图像，必须是单通道图像（灰度图像）。
  
• thresh：阈值，像素值高于该阈值的部分会被设置为 maxval。
  
• maxval：最大值（通常为 255），像素值满足条件时设置为该值。
  
• type：二值化方法（标志位），常见取值：
  

                ①cv2.THRESH_BINARY：大于阈值的像素设置为 maxval，别的设置为 0。
                ②cv2.THRESH_BINARY_INV：小于等于阈值的像素设置为 maxval，别的设置为 0。
                ③cv2.THRESH_TRUNC：大于阈值的像素设置为阈值，别的保持不变。
                ④cv2.THRESH_TOZERO：小于等于阈值的像素设置为 0，别的保持不变。
                ⑤cv2.THRESH_TOZERO_INV：大于阈值的像素设置为 0，别的保持不变。
3、返回值

函数返回两个值：

• retval：现实利用的阈值（通常与 thresh 参数相同）。
  
• dst：二值化后的图像。
  

4、应用

二值化可以用于：

• 去除图像中的背景信息，只保留前景。
  
• 提取感兴趣的地区或外形。
  
• 预备数据用于表面检测、OCR 等任务。
  

5、示例代码：
 

1. import cv2
3. # 读取原始图像
4. img = cv2.imread('sadp.jpg')
6. # 转换为灰度图像
7. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
9. # 应用二值化操作
10. thresh = 127  # 阈值
11. maxval = 255  # 最大值
13. # 各种二值化类型
14. _, binary = cv2.threshold(gray, thresh, maxval, cv2.THRESH_BINARY)
15. _, binary_inv = cv2.threshold(gray, thresh, maxval, cv2.THRESH_BINARY_INV)
16. _, trunc = cv2.threshold(gray, thresh, maxval, cv2.THRESH_TRUNC)
17. _, tozero = cv2.threshold(gray, thresh, maxval, cv2.THRESH_TOZERO)
18. _, tozero_inv = cv2.threshold(gray, thresh, maxval, cv2.THRESH_TOZERO_INV)
20. # 显示结果
21. cv2.imshow('Original', img)
22. cv2.imshow('Gray', gray)
23. cv2.imshow('Binary', binary)
24. cv2.imshow('Binary Inv', binary_inv)
25. cv2.imshow('Trunc', trunc)
26. cv2.imshow('Tozero', tozero)
27. cv2.imshow('Tozero Inv', tozero_inv)
29. # 等待按键退出
30. cv2.waitKey(0)
31. cv2.destroyAllWindows()

复制代码

四、自顺应二值化函数

1、功能

cv2.adaptiveThreshold() 根据图像的局部特性动态盘算阈值，并将图像二值化。

• 实用于光照不均或对比度变化较大的图像。
  
• 每个像素的阈值是根据它所在的邻域盘算得出，而不是全局固定的阈值。
  

2、参数

1. cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

复制代码

①src：

输入图像，必须是灰度图像。
②maxValue：

最大值（通常为 255），用于将满足条件的像素设置为此值。
③adaptiveMethod：

自顺应方法，用于盘算局部阈值的方式：

• cv2.ADAPTIVE_THRESH_MEAN_C：像素邻域的平均值减去常量 C。
  
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C：像素邻域的加权平均值减去常量 C，权重是高斯窗口。
  

④thresholdType：

二值化类型，通常为 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。
⑤blockSize：

邻域大小，用于盘算阈值的地区，必须是奇数（如 3, 5, 7）。
⑥C：

常量，阈值减去此值后再比力。用于微调效果，正值会低沉阈值，负值会提高阈值。
3、返回值

返回二值化后的图像，类型与输入图像相同。
4、应用

• 实用于处理光照不匀称的图像。
  
• 常用于图像中的文字检测和分割（OCR 前处理）。
  
• 对背景复杂的图像举行二值化。
  

五、腐蚀函数

1、功能

cv2.erode() 实现图像的腐蚀操作：

• 腐蚀的过程是利用一个布局元素在图像上滑动，对于前景像素：
  

               ①假如布局元素内的所有像素都为前景像素，则保持当前像素不变；
               ②假如有任何一个像素不是前景像素，则将该像素腐蚀为背景像素。

• 效果类似于“腐蚀”，使前景物体变小。
  

2、参数

1. cv2.erode(src, kernel, dst=None, anchor=None, iterations=1, borderType=None, borderValue=None)

复制代码

①src：

输入图像，可以是二值图像或灰度图像。
②kernel：

• 腐蚀操作的布局元素（即卷积核）。
  
• 利用 cv2.getStructuringElement() 生成，或直接传入自界说的 NumPy 数组。
  

③dst：

输出图像，与输入图像的大小和类型相同（可选）。
④anchor：

锚点位置，默认为核的中心点。
⑤iterations：

腐蚀操作的次数，默认为 1。
⑥borderType：

边界模式，用于指定图像边界的添补方式（默认为 cv2.BORDER_CONSTANT）。
⑦borderValue：

当 borderType=BORDER_CONSTANT 时利用的边界添补值。
3、返回值

返回腐蚀处理后的图像，与输入图像大小相同。
4、应用

腐蚀操作的范例用途包括：
①去除噪点：

清理图像中的小噪点。
②分割物体：

分离连接在一起的物体。
③处理外形：

改变图像中的外形（如镌汰边缘的不规则性）。
六、膨胀函数

1、功能

cv2.dilate() 实现图像的膨胀操作：
①膨胀的效果：

将图像中的前景地区“扩展”。
②原理：

利用一个布局元素（kernel）在图像上滑动，卷积核覆盖的地区内只要有一个前景像素，则中心像素被设置为前景像素。
2、参数

1. cv2.dilate(src, kernel, dst=None, anchor=None, iterations=1, borderType=None, borderValue=None)

复制代码

 
①src：

输入图像，可以是二值图像或灰度图像。
②kernel：

• 布局元素（卷积核），用于决定膨胀的外形和范围。
  
• 利用 cv2.getStructuringElement() 创建，也可以直接传入 NumPy 数组。
  

③dst：

输出图像，与输入图像大小和类型相同（可选）。
④anchor：

锚点位置，决定核的基准点，默认是核的中心。
⑤iterations：

膨胀操作的次数，默认为 1。
⑥borderType：

边界模式，指定图像边界的添补方式（默认为 cv2.BORDER_CONSTANT）。
⑦borderValue：

当 borderType=BORDER_CONSTANT 时利用的边界添补值。
3、返回值

返回膨胀处理后的图像，与输入图像大小相同。
4、应用

膨胀操作的常见用途包括：
①弥补空洞：

将图像中的前景地区变大，弥补小孔或断裂部分。
②连接断裂部分：

连接本来不连续的前景地区。
③增强目标：

扩大前景地区的尺寸，使目标更加明显。
④形态学运算：

与腐蚀结合，用于形态学的开运算和闭运算。
七、仿射变动函数

1、功能

仿射变动是一种二维图像多少变动，包括平移、旋转、缩放、剪切等操作。它保持直线和比例不变，即图像中所有的直线仍然保持直线，且平行线依然平行。
OpenCV 的 cv2.warpAffine() 函数实现了仿射变动，基于输入的 2x3 变动矩阵，将输入图像映射到输出图像。
2、参数

1. cv2.warpAffine(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)

复制代码

①src：

输入图像。
②M：

仿射变动矩阵，大小为 2x3，由用户盘算或通过 OpenCV 函数生成。
③dsize：

输出图像的尺寸（宽度，高度）。
④dst：

输出图像，与输入图像类型相同（可选）。
⑤flags：

插值方法：

• cv2.INTER_NEAREST：迩来邻插值。
  
• cv2.INTER_LINEAR（默认）：双线性插值。
  
• cv2.INTER_CUBIC：三次插值，效果更好但速率较慢。
  

⑥borderMode：

外部像素添补方式：

• cv2.BORDER_CONSTANT（默认）：添补为常量。
  
• cv2.BORDER_REFLECT：边界镜像反射。
  
• cv2.BORDER_WRAP：边界循环。
  

⑦borderValue：

当 borderMode=cv2.BORDER_CONSTANT 时利用的添补值。
3、返回值

返回仿射变动后的图像。
4、应用

仿射变动在图像处理中的范例应用包括：
①旋转：

改变图像的方向。
②平移：

将图像移动到指定位置。
③缩放：

改变图像的尺寸比例。
④剪切：

改变图像的外形，使矩形变成平行四边形。
⑤图像增强：

调整图像的视角。
八、透视变动函数

1、功能

透视变动是一种多少变动，可以将二维平面上的图像映射到另一个平面，而且可以或许改变图像的透视关系。它与仿射变动不同，可以处理非平行的直线，使矩形映射为任意四边形或反之。
在 OpenCV 中，透视变动通过函数 cv2.warpPerspective() 实现。
2、参数

1. cv2.warpPerspective(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)

复制代码

①src：

输入图像。
②M：

透视变动矩阵，大小为 3x3，可以利用 cv2.getPerspectiveTransform() 或 cv2.findHomography() 生成。
③dsize：

输出图像的尺寸（宽度，高度）。
④dst：

输出图像，与输入图像类型相同（可选）。
⑤flags：

插值方法，常用值：

• cv2.INTER_NEAREST：迩来邻插值。
  
• cv2.INTER_LINEAR（默认）：双线性插值。
  
• cv2.INTER_CUBIC：三次插值，效果更好但速率较慢。
  

⑥borderMode：

边界添补方式：

• cv2.BORDER_CONSTANT（默认）：添补为常量。
  
• cv2.BORDER_REFLECT：边界镜像反射。
  
• cv2.BORDER_WRAP：边界循环。
  

⑦borderValue：

当 borderMode=cv2.BORDER_CONSTANT 时利用的边界添补值。
3、返回值

返回透视变动后的图像。
4、应用

透视变动的范例应用包括：
①图像矫正：

比方，将拍摄的册本、文件矫正为直视视角。
②提取局部地区：

从图像中提取四边形地区。
③视角调整：

改变图像的透视效果，模仿从不同视角观看图像。
④拼接图像：

在拼接图像中，校正视角差异。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。