• CV计算机视觉核心01-计算机视觉基础（基本图像处理OpenCV）

    CV计算机视觉核心01（直接用生成矩阵的方式生成图片、查看矩阵数值以及大小、matplotlib使用例子、彩色图像的颜色空间转换、从摄像头或视频采集图像、frame 的大小是多少？、从文件读取图像数据、range of interest ROI、 黑白图像、彩色图像、rgb2hsv、颜色空间转换、二值化、放射矩阵M、图像的放大与缩小、移动、图像的旋转变换、拉伸变换、斜切、图像模糊与锐化、GaussianBlur高斯模糊、Canny Sobel滤波 边缘检测、图像滤波/卷积 锐化、 加水印,保护版权实例）

    JupyterLab

    a=[1,2,3]

    • 1
    print("Hello friends，welcome week1's class  .........",29*"-","%s"%(a))

    • 1

    在这里插入图片描述

    import cv2
import numpy as np

    • 1
    • 2

    直接用生成矩阵的方式生成图片

    img0 = np.array([[0,0,1],[0,1,0],[1,0,0]])
#img0 = np.array([[0,0,1],[0,1,0],[1,0,0]])

    • 1
    • 2

    查看矩阵数值以及大小

    print(img0)

    • 1

    在这里插入图片描述

    print(img0.shape)
print("img0 size = %s,%s"%(img0.shape[0],img0.shape[1]))

    • 1
    • 2

    在这里插入图片描述

    import matplotlib.pyplot as plt
# import matplotlib.pylab as plt
plt.imshow(img0,cmap = 'gray' )
# color map 
#plt.imshow(img0)

# pycharm要加一句：plt.show() 
# 加一个%matplotlib inline就会显示

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    在这里插入图片描述

    matplotlib使用例子

    # https://www.cnblogs.com/yanghailin/p/11611333.html

    • 1

    彩色图像的颜色空间转换

    # https://blog.csdn.net/zhang_cherry/article/details/88951259

    • 1

    从摄像头或视频采集图像

    # read camera
#cap = cv2.VideoCapture(0)
# read video
#cap  = cv2.VideoCapture("/Users/zhaomingming/Documents/HTC/核心课/CVFundamentals/week1/How Computer Vision Works.mp4")
#cap = cv2.VideoCapture("../How Computer Vision Works.mp4")
path = r"D:\whole_development_of_the_stack_study\RS_Algorithm_Course\为其1年的CV课程\06计算机视觉-视觉任务基础理论\CCV4-master\How Computer Vision Works.mp4"
cap = cv2.VideoCapture(path)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    print(cap.isOpened())

    • 1

    在这里插入图片描述

    return_value=True
if return_value:
    # frame 图像帧
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    return_value,frame = cap.read()
    print(cap.isOpened())

    #发现图片发蓝
    #plt.imshow(frame,cmap = 'gray')
    
    #解决方法：cv2.cvtColor()
    #cv2.COLOR_BGR2RGB 调换一下显示的通道
    #这里是真彩色显示：
    plt.imshow(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB))

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21

    在这里插入图片描述

    frame 的大小是多少？

    print(frame.shape)#这个视频大小是360*640，3个通道

    • 1

    在这里插入图片描述

    #注意这里要关闭capture，否则会一致保存这个在内存中
cap.release()

    • 1
    • 2

    从文件读取图像数据

    #读取图片
img  = cv2.imread("lena.jpg")

#cv2.cvtColor()
#cv2.COLOR_BGR2RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    print(img.shape)

    • 1

    在这里插入图片描述

    range of interest ROI

    roi = img[100:200,300:400]

    • 1
    plt.imshow(img)

    • 1

    在这里插入图片描述

    plt.imshow(roi)

    • 1

    在这里插入图片描述

    黑白图像

    img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#其内部是将三个通道合成一个通道的过程，即三个矩阵合成一个矩阵。
#三个矩阵对应位置进行加权计算（R*权重+G*权重+B*权重），从而获得一个矩阵。
#也可以直接使用某一个矩阵，其他两个直接舍弃

img_gray.shape

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    在这里插入图片描述

    plt.imshow(img_gray,cmap='gray')

    • 1

    在这里插入图片描述

    彩色图像

    rgb2hsv

    rgb用于机器显示
    hsv便于人眼辨别
    H色调 S饱和度 V明度

    颜色空间转换

    import cv2
img_BGR = cv2.imread('lena.jpg')
img_hsv=cv2.cvtColor(img_BGR,cv2.COLOR_BGR2HSV)
plt.imshow(img_hsv,cmap='hsv')
img_hsv.shape

    • 1
    • 2
    • 3
    • 4
    • 5

    在这里插入图片描述

    # 肤色检测 根据肤色颜色范围来选取

    • 1

    二值化

    import cv2
img =  cv2.imread('lena.jpg')
_,img_bw=cv2.threshold(img,128,255,cv2.THRESH_BINARY)
# 阈值为128,小于128为0，大于128为255，类型为二进制
print(_)
print(type(img_bw))
print(img_bw.shape)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    在这里插入图片描述

    plt.imshow(img_bw[:,:,0],cmap='gray')

    • 1

    在这里插入图片描述

    放射矩阵M:

    图像的放大与缩小

    近邻法填充，是按照某一规则填充（容易产生mosic）
    在这里插入图片描述

    双线性插值
    在这里插入图片描述
    resize是需要插值的，默认应该是近邻法的插值

    # 列，行
# 调整一下颜色
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
# 调整图片大小 这里是50,30
img =cv2.resize(img,(50,30))

plt.imshow(img)
img.shape


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    在这里插入图片描述

    # 列，行
img =  cv2.imread('lena.jpg')
print(img.shape) #原图大小
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 调整图片大小 这里是500,300
img =cv2.resize(img,(500,500))
plt.imshow(img)
img.shape
#可以发现resize为50,30的时候图片失真严重。

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    在这里插入图片描述

    # roi
img_roi =img[100:300,0:200]
plt.imshow(img_roi)

    • 1
    • 2
    • 3

    在这里插入图片描述

    import numpy as np

#缩放矩阵
# 2表示x轴放大2倍，10表示y轴放大10倍
M = np.float32([[2,0,0],[0,4,0]])
print(M) 

print(img[0+50,0])

# 这里的(1000,1000)表示的是底图的大小
# Affine是仿射的意思，是针对刚体的变换
img_1=cv2.warpAffine(img,M,(2000,2000))

plt.imshow(img_1)
print(img_1[200+50,300])


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    在这里插入图片描述

    移动：

    在这里插入图片描述

    import numpy as np

#移动矩阵
# tx=100,ty=-50,这里的负数表示向上移动。
M = np.float32([[1,0,100],[0,1,-50]])
print(M) 

print(img[0+50,0])

# 这里的(1000,1000)表示的是底图的大小
img_1=cv2.warpAffine(img,M,(800,500))

plt.imshow(img_1)
print(img_1[200+50,300])


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15

    在这里插入图片描述

    图像的旋转变换

    #pts1 = np.float32([[50,50],[200,50],[50,200]])
#pts2 = np.float32([[10,100],[200,50],[100,250]])
#M = cv2.getAffineTransform(pts1,pts2)
#print(M)
#180/3.14
# 旋转矩阵
# 角度的正负表示旋转的正逆
#M[[cos(),-sin(),tx],[sin(),cos(),ty]]
theta=0.5
M = np.float32([[np.cos(theta),-np.sin(theta),0],[np.sin(theta),np.cos(theta),0]])
# M = np.float32([[0.1,0,100],[0,2,100]])
# 变换矩阵，平移，斜切，旋转
# affine
cols=800
rows=800
dst = cv2.warpAffine(img,M,(cols,rows))
plt.imshow(dst)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17

    在这里插入图片描述

    拉伸变换

    在这里插入图片描述

    #拉伸不属于刚体变换

pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[20,0],[0,300],[300,300]])
# 这里.getPerspectiveTransform()操作就是将pts1的4个点，拉伸到pts2的4个点。
# 获得该拉伸变换的M矩阵
M = cv2.getPerspectiveTransform(pts1,pts2)
print(M) #发现M是3*3的矩阵，这个相对来说复杂一些。但也都是矩阵变换。

# 拉伸变换后者透视变换
dst = cv2.warpPerspective(img,M,(300,300))
plt.imshow(dst)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    在这里插入图片描述

    斜切

    #pts1 = np.float32([[50,50],[200,50],[50,200]])
#pts2 = np.float32([[10,100],[200,50],[100,250]])
#M = cv2.getAffineTransform(pts1,pts2)
#print(M)
#180/3.14
# 旋转矩阵
# 角度的正负表示旋转的正逆
#M[[cos(),-sin(),tx],[sin(),cos(),ty]]
theta=0.5
M = np.float32([[0.5,0.2,0],[0.3,1,0]])
# 变换矩阵，平移，斜切，旋转
# affine
cols=800
rows=800
dst = cv2.warpAffine(img,M,(cols,rows))
plt.imshow(dst)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    在这里插入图片描述

    图像模糊与锐化

    下图中的kernal是一个均值滤波，因为是0.25，且kernal是2*2的，因此相当于每个像元乘以1/4。
    在这里插入图片描述

    GaussianBlur高斯模糊

    #滤波操作
#(5, 5)表示高斯矩阵的长与宽都是5，x的标准差取5，y的标准差取5。
img= cv2.GaussianBlur(img, (5, 5), 5, 5)  # 高斯模糊
plt.imshow(img)


    • 1
    • 2
    • 3
    • 4
    • 5

    在这里插入图片描述

    Canny Sobel滤波 边缘检测

    # 第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
# 第二个参数是阈值1。
# 第三个参数是阈值2。
# 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
img_b= cv2.Canny(img,30,100)
plt.imshow(img_b)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    在这里插入图片描述

    图像滤波/卷积 锐化

    kernel = np.ones((3,3),np.float32)/8
kernel=-kernel
kernel[0,:]=[-1,-1,-1]
kernel[1,:]=[0,0,0]
kernel[2,:]=[1,1,1]


print(kernel)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    在这里插入图片描述
    这个kernel和求梯度是有关系的。梯度核。
    这里的梯度核是[[-1,-1],[1,1]]，这个核就是从下往上的梯度，也就是高浓度流向低浓度，即从1到-1方向，y轴梯度。
    如果梯度核是[[1,-1],[1,-1]]，这个核就是从左往右的梯度，也就是x轴梯度。

    如下图的核是22的，那就是∂y1/∂x1 + ∂y2/∂x2 = (-10) + (-110) / (110) + (0*10) =0
    在这里插入图片描述

    plt.imshow(img) #原图像显示

    • 1

    在这里插入图片描述

    print(img.shape)

#dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])；当ddepth=-1时，表示输出图像与原图像有相同的深度。
#ddepth：它是目标图像的理想深度。值 -1 表示生成的图像将具有与源图像相同的深度。
result = cv2.filter2D(img,-1,kernel)
print(result.shape)

#这里打印的是(100,0)这个位置上对应三个通道的值
print(result[100,0])

# 显示一下
plt.imshow(result*20)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    在这里插入图片描述

    result = cv2.filter2D(result,-1,kernel)

plt.imshow(result)
result.shape

    • 1
    • 2
    • 3
    • 4

    在这里插入图片描述

    # 形态学运算

    • 1
    

    • 1
    # 灰度直方图

    • 1
    

    • 1
    # 直方图均衡化

    • 1
    

    • 1
    import torch

    • 1
    import matplotlib

    • 1
    !pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

    • 1

    在这里插入图片描述

    from image_process import *
image_data = generate_data()

    • 1
    • 2

    matplotlib 使用例子

    https://www.cnblogs.com/yanghailin/p/11611333.html

    import matplotlib.pyplot as plt

    • 1
    i=0

    • 1
    print(image_data[i%10])
plt.imshow(image_data[i%10],cmap = 'gray')
i=i+1

    • 1
    • 2
    • 3

    在这里插入图片描述

    plt.imshow(cv2.imread('lena.jpg'))

    • 1

    在这里插入图片描述

    img  = cv2.imread("lena.jpg")
img= cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    • 1
    • 2

    加水印，保护版权实例

    add watermask

    水印图片是：water2.png

    wm = cv2.imread("water1.png")
plt.imshow(wm)

    • 1
    • 2

    在这里插入图片描述

    # 1、读取到图片
wm = cv2.imread("water2.png")
# 2、缩放调整大小
wm = cv2.resize(wm,(300,300))
# 3、255-wm，去除白色背景，此为字体不是纯黑0因此255-非0值，会得到一个其他的灰度。
wm = 255-wm
# 4、调整img大小，需要加水印图片的大小进行调整。
img1 = cv2.resize(img,(300,300))
#img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
print(wm.shape)

# 5、通过cv的add函数将两个图片添加到一起了。
plt.imshow(cv2.add(wm,img1))

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    在这里插入图片描述

    #6、可以通过加权的方式，将两个图片叠加，两个图片权值可调。
#addWeighted参数中最后的那个0，表示亮度
plt.imshow(cv2.addWeighted(wm,0.9,img1,0.5,200))

    • 1
    • 2
    • 3

    在这里插入图片描述

  • 相关阅读:
    回溯算法高效需要注意这两点
    Vue中如何扩展⼀个组件
    Mac M1芯片Java开发环境搭建 · Maven安装
    CentOS7.9 SVN部署安装以及多目录权限配置
    springboot毕设项目宠物商城系统的设计与实现pcz03（java+VUE+Mybatis+Maven+Mysql）
    谈谈我对云原生与软件供应链安全的思考
    nginx安装与使用（入门）
    为什么Dapr是比SpringCloud和Istio更优雅的微服务框架？
    Modbus TCP转CanOpen网关携手FANUC机器人助力新能源汽车
    反射
  • 原文地址：https://blog.csdn.net/m0_37755995/article/details/125476710