13、图像阈值
简单的阈值操作
ret，dst = threshold(src,thresh,maxval,type,dst=None)
dst：输出图
ret：设置的阈值
作用：将图像的每个像素点进行二值化
参数：
src:输入图，只能输入单通道图像，通常来说为灰度图
thresh：阈值（最小值）
maxval：二值化的最大取值
type：二值化类型，一般设为0，也可以取以下的值：
img = cv.imread('3.jpg',1) gray = cv.cvtColor(img,cv2.COLOR_RGB2GRAY) ret, thresh = cv.threshold(gray,127,255,cv.THRESH_BINARY)
自适应阈值操作
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
参数：
maxValue：阈值的最大值；
adaptiveMethod：指定自适应阈值算法；具体参数可选择如下两种：
ADAPTIVE_THRESH_MEAN_C：为局部邻域块的平均值。该算法是先求出块中的均值，再减去常数C。 ADAPTIVE_THRESH_GAUSSIAN_C：为局部邻域块的高斯加权和。该算法是在区域中（x，y）周围的像素根 据高斯函数按照他们离中心点的距离进行加权计算， 再减去常数C。
thresholdType：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种。（即二进制阈值或反二进制阈值）。
blockSize：表示邻域块大小，用来计算区域阈值，奇数，一般选择为3、5、7…等。
C：表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。
# 局部二值化 def local_threshold_demo(): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25, 10) #print("threshold value : %s\n" % ret) cv2.imshow("binary_local", binary)
14、图像直方图
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) 绘制直方图
cv2.equalizeHist(img)直方图均衡化
参数：
images：（输入图像）参数必须用方括号括起来。
channels：计算直方图的通道。
Mask：（掩膜），一般用None，表示处理整幅图像。
histSize：表示这个直方图分成多少份（即多少个直方柱）。
ranges：直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素。
最后是两个可选参数，由于直方图作为函数结果返回了，所以第六个hist就没有意义了（待确定） 最后一个accumulate是一个布尔值，用来表示直方图是否叠加。
cv2.createCLAHE(clipLimit,tileGridSize)
参数：
ClipLimit：对比度限制，默认为40
tileGridSize:分块的大小，默认为8*8
img = cv.imread('3.jpg', 0) hist = cv.calcHist([img], [0], None, [256], [0, 256]) # 绘制直方图 equ = cv.equalizeHist(img) #直方图均衡化
15、模板匹配
matchTemplate(image, templ, method, result=None, mask=None)
参数：
image：源图像S；
templ：模板图像T，一般是源图像S中的一小块；
method：
平方差匹配(CV_TM_SQDIFF)：利用模板与图像之间的平方差进行匹配，最好的匹配是0，匹配越差，匹配的值越大。
相关匹配(CV_TM_CCORR)：利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。
利用相关系数匹配(CV_TM_CCOEFF)：利用模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。
完成匹配后，使用cv.minMaxLoc()方法查找最大值所在的位置即可。
如果使用平方差作为比较方法，则最小值位置是最佳匹配位置。
# 1 图像和模板读取 img = cv.imread('1.jpg') template = cv.imread('1_1.jpg') h,w,l = template.shape # 2 模板匹配 # 2.1 模板匹配 res = cv.matchTemplate(img, template, cv.TM_CCOEFF) # 2.2 返回图像中最匹配的位置，确定左上角的坐标，并将匹配位置绘制在图像上 min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res) top_left = max_loc bottom_right = (top_left[0] + w, top_left[1] + h) cv.rectangle(img, top_left, bottom_right, (0,255,0), 2) # 3 图像显示 plt.ims how(img[:,:,::-1]) plt.title('匹配结果'), plt.xticks([]), plt.yticks([]) plt.show()
16、图像金字塔（上采样和下采样）
下采样图像缩小（先高斯模糊，再降采样，需要一次次重复，不能一次到底）
上采样图像扩大（先扩大，再卷积或者使用拉普拉斯金字塔）
cv.pyrUP(img) #对图像进行上采样
cv.pyrDown(img)#对图像进行下采样
17、Soble&scharr&Laplacian&canny
cv2.Sobel()
原型： Sobel(src,ddepth,dx,dy,dst=None,ksize=None,scale=None,delta=None,borderType=None)
作用：对图像进行Sobel算子计算。检测出其边缘。
参数：
dx：x方向上的导数阶数；
dy：y方向上的导数阶数。
#-------------------------Soble算子-------------------------- # 1 读取图像 img = cv.imread('2.jpg',0) # 2 计算Sobel卷积结果 x = cv.Sobel(img, cv.CV_16S, 1, 0) y = cv.Sobel(img, cv.CV_16S, 0, 1) # 3 将数据进行转换 Scale_absX = cv.convertScaleAbs(x) # convert 转换 scale 缩放 Scale_absY = cv.convertScaleAbs(y) # 4 结果合成 result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
cv2.scharr()
原型：Scharr(src, ddepth, dx, dy, dst=None, scale=None, delta=None, borderType=None, /)
参数：
src：原始图像
ddepth：处理结果图像深度
dx：x轴方向
dy：y轴方向
cv2.Laplacian()
原型:Laplacian(src,ddepth,dst=None,ksize=None,scale=None,delta=None,borderType=None)
作用：检测图像边缘。
参数：
ddepth：图像位深度，对于灰度图来说，其值为：cv2.CV_8U。ksize，希望使用的卷积核的大小。scale：是缩放导数的比例常数。
#-------------------------Laplacian算子-------------------------- # 1 读取图像 img2 = cv.imread('2.jpg',0) # 2 laplacian转换 result = cv.Laplacian(img2,cv.CV_16S) Scale_abs = cv.convertScaleAbs(result) # 3 图像展示
canny = cv2.Canny(image, threshold1, threshold2)
参数：
image:灰度图
threshold1: minval，较小的阈值将间断的边缘连接起来
threshold2: maxval，较大的阈值检测图像中明显的边缘
import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 图像读取 img = cv.imread('./image/horse.jpg',0) # 2 Canny边缘检测 lowThreshold = 0 max_lowThreshold = 100 canny = cv.Canny(img, lowThreshold, max_lowThreshold) # 3 图像展示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny检测后结果') plt.xticks([]), plt.yticks([]) plt.show()
总结
边缘检测的原理
基于搜索：利用一阶导数的最大值获取边界
基于零穿越：利用二阶导数为0获取边界
Sobel算子
基于搜索的方法获取边界
cv.sobel()
cv.convertScaleAbs()
cv.addweights()
Laplacian算子
基于零穿越获取边界
cv.Laplacian()
Canny算法
流程：
噪声去除：高斯滤波
计算图像梯度：sobel算子，计算梯度大小和方向
非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点
滞后阈值：设置两个阈值，确定最终的边界
