OpenCV相关函数

一、Sobel算子函数 (cv2.Sobel)

功能

Sobel算子是一个梯度算子，用于边缘检测。通过计算图像中像素的梯度，Sobel算子可以检测出水平和垂直方向上的边缘。

参数

src：输入图像。

ddepth：输出图像的深度（如cv2.CV_8U, cv2.CV_64F）。一般为cv2.CV_8U（8位无符号整数）或cv2.CV_64F（64位浮动数）。

dx：计算导数的x方向阶数，dx=1表示计算x方向的导数，dx=0表示不计算x方向的导数。

dy：计算导数的y方向阶数，dy=1表示计算y方向的导数，dy=0表示不计算y方向的导数。

ksize：Sobel算子的大小，通常为3、5、7等奇数。ksize=3通常效果很好。

scale：缩放导数的比例因子。通常设置为1。

delta：加到结果上的值，默认0。

borderType：边界的处理方式，默认是cv2.BORDER_DEFAULT。

返回值

返回的是处理后的图像，梯度图像，表示图像在水平方向或垂直方向上的变化。

应用

import cv2

# 读取图片文件
img = cv2.imread('./shudu.png')

# 对图片进行缩放，这里缩小到原图的一半
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)

# 使用Sobel算子对图片进行边缘检测，这里是对y方向的梯度计算
img_sobel = cv2.Sobel(img,-1,0,1,ksize=3)

# 使用Sobel算子对图片进行边缘检测，这里是对x方向的梯度计算
img_sobel_2 = cv2.Sobel(img,-1,1,0,ksize=3)

# 显示原图
cv2.imshow('img',img)
# 显示对y方向梯度计算后的图片
cv2.imshow('img_sobel',img_sobel)
# 显示对x方向梯度计算后的图片
cv2.imshow('img_sobel_2',img_sobel_2)

# 等待按键按下，用于让窗口持续显示
cv2.waitKey(0)

二、Laplacian算子函数 (cv2.Laplacian)

功能

Laplacian算子是一个二阶导数算子，用于检测图像中的边缘。它通过计算图像像素的二阶导数来检测边缘，能够检测到边缘的变化，但容易受噪声影响。

参数

src：输入图像。

ddepth：输出图像的深度，通常为cv2.CV_8U或cv2.CV_64F。

ksize：Laplacian算子的大小，常为3或5。

scale：缩放因子。

delta：加到结果上的值。

borderType：边界处理方式。

返回值

返回的是经过Laplacian滤波的图像，表示图像中的边缘。

应用

# 导入OpenCV库，用于图像处理
import cv2

# 读取本地图片文件'shudu.png'，并加载到内存中
img = cv2.imread('./shudu.png')

# 使用Laplacian函数对图像进行边缘检测，ksize参数指定内核大小为5
# 此处进行边缘检测是为了识别图像中对象的边界，使用Laplacian算子可以增强图像中的高频部分
img_lap = cv2.Laplacian(img,0,ksize=5)

# 显示原始图像，以便与处理后的图像进行对比
cv2.imshow('img',img)
# 显示经过Laplacian边缘检测处理后的图像
cv2.imshow('img_lap',img_lap)

# 程序等待任意按键被按下后，继续执行下一行代码
# 此处的作用是确保图像窗口在屏幕上保持显示，直到用户进行交互
cv2.waitKey(0)

三、Canny算子函数 (cv2.Canny)

功能

Canny算子是一个多阶段边缘检测算法，首先通过高斯滤波去噪，再使用Sobel算子计算梯度，接着进行非最大值抑制和边缘连接，最终输出清晰的边缘。

参数

image：输入图像（灰度图像）。

threshold1：低阈值，用于边缘检测。

threshold2：高阈值，用于边缘检测。

edges：可选参数，用于输出边缘图像（默认为None）。

apertureSize：Sobel算子的大小，默认3。

L2gradient：是否使用L2范数来计算图像梯度，True表示使用，False表示使用L1范数（默认值）。

返回值

返回的是检测到的边缘图像。

应用

import cv2

# 读取图片文件
img = cv2.imread("./picture.png")

# 调整图片大小，便于处理和显示
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)

# 将图片转换为灰度图，便于后续的二值化处理
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 使用Otsu's thresholding方法对灰度图进行二值化处理
ret,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 对二值化的图片进行高斯模糊处理，减少噪声
img_blur = cv2.GaussianBlur(img_binary,(5,5),0)

# 使用Canny算法对模糊处理后的图片进行边缘检测
img_canny = cv2.Canny(img_blur,30,70)

# 显示二值化后的图片
cv2.imshow("img_binary",img_binary)
# 显示经过高斯模糊处理后的图片
cv2.imshow("img_blur",img_blur)
# 显示边缘检测后的图片
cv2.imshow("img_canny",img_canny)
# 等待用户按键，任意键按下后关闭所有图片窗口
cv2.waitKey(0)

四、findContours函数 (cv2.findContours)

功能

findContours函数用于从二值图像中查找轮廓，轮廓是由图像中连续的像素点组成的边界。该函数在计算机视觉中广泛用于物体检测和识别。

参数

image：输入图像，应该是二值图像（黑白图像）。

mode：轮廓检索模式，常用值：

cv2.RETR_EXTERNAL：仅检测外部轮廓。

cv2.RETR_LIST：检测所有轮廓，返回每个轮廓的层次结构。

cv2.RETR_TREE：检测所有轮廓，返回完整的层次结构

method：轮廓近似方法，常用值：

cv2.CHAIN_APPROX_SIMPLE：只保留轮廓的端点。

cv2.CHAIN_APPROX_NONE：保存所有轮廓点。

contours：轮廓的输出列表。

hierarchy：轮廓的层次结构输出。

返回值

返回值是两个：

1、contours：一个包含轮廓信息的列表。

2、hierarchy：轮廓的层次结构。

应用

import cv2

# 读取图片文件
img= cv2.imread('./card.png')

# 对图片进行缩放，这里缩小到原图的一半
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)

# 将图片转换为灰度图
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 使用二值化和Otsu算法处理灰度图，得到二值图
ret,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 找到二值图中的轮廓
contours, hierarchy = cv2.findContours(img_binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

# 复制原图
img_copy = img.copy()
# 在复制的图片上绘制找到的轮廓
img_draw = cv2.drawContours(img_copy,contours,-1,(0,0,255),3)

# 显示原图
cv2.imshow('img',img)
# 显示绘制了轮廓的图片
cv2.imshow('img_draw',img_draw)
# 等待按键按下
cv2.waitKey(0)

五、drawContours函数 (cv2.drawContours)

功能

该函数用于在图像上绘制轮廓。可以指定绘制轮廓的颜色、线宽以及绘制的轮廓索引。

参数

image：输入图像。

contours：轮廓列表。

contourIdx：轮廓的索引，-1表示绘制所有轮廓。

color：轮廓的颜色。

thickness：轮廓的线宽，-1表示填充轮廓。

lineType：线的类型，通常为cv2.LINE_8。

hierarchy：轮廓的层次结构。

maxLevel：绘制的最大层次。

offset：轮廓的偏移量。

返回值

无返回值，直接修改原图像。

应用

import cv2
import numpy as np

# 读取图片并调整大小
img = cv2.imread('./color_1.png')
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)

# 将图片从BGR颜色空间转换到HSV颜色空间
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

# 定义黄色的HSV范围
yellow_min = np.array([26,43,46])
yellow_max = np.array([34,255,255])

# 根据黄色的HSV范围创建掩码
img_color = cv2.inRange(img_hsv,yellow_min,yellow_max)

# 使用中值滤波去除噪声
img_median_blur = cv2.medianBlur(img_color,5)

# 获取椭圆形的结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))

# 腐蚀图像以去除不需要的细节
img_erode = cv2.erode(img_median_blur,kernel)

# 膨胀图像以恢复目标区域的大小
img_erode_dilate = cv2.dilate(img_erode,kernel)

# 查找轮廓
contours,hierarchy = cv2.findContours(img_erode_dilate,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

# 复制原图以绘制轮廓
img_copy = img.copy()



# 遍历所有轮廓，筛选出面积符合要求的轮廓并绘制
for i in contours:
    if cv2.contourArea(i)<200 or cv2.contourArea(i)>20000000:
        continue
    cv2.drawContours(img_copy,[i],0,(0,0,255),2)

# 显示原图和绘制了轮廓的图像
cv2.imshow('img',img)
cv2.imshow('img_draw',img_copy)
cv2.waitKey(0)

六、透视变换函数 (cv2.getPerspectiveTransform 和 cv2.warpPerspective)

功能

透视变换用于将一个图像从一个平面投影到另一个平面，通常用来进行图像矫正或图像配准。cv2.getPerspectiveTransform计算透视变换矩阵，cv2.warpPerspective应用该矩阵。

参数

cv2.getPerspectiveTransform(src, dst)：

src：源图像中的四个点。

dst：目标图像中的四个点。

cv2.warpPerspective(src, M, dsize)：

src：输入图像。

M：透视变换矩阵。

dsize：输出图像的大小。

应用

# 导入OpenCV和NumPy库
import cv2
import numpy as np

# 读取图片文件
img = cv2.imread('./youhua.png')

# 定义四个点，这些点是图片中需要被变换的区域的四个角点
points1 = np.float32([
    [174,143],  # 左上角点
    [623,37],   # 右上角点
    [90,492],   # 左下角点
    [656,550]   # 右下角点
])

# 计算包围points1的最小外接矩形的四个角点
points2 = np.float32([
    [min(points1[:,0]),min(points1[:,1])],  # 左上角点
    [max(points1[:,0]),min(points1[:,1])],  # 右上角点
    [min(points1[:,0]),max(points1[:,1])],  # 左下角点
    [max(points1[:,0]),max(points1[:,1])]   # 右下角点
])

# 使用getPerspectiveTransform函数计算透视变换矩阵M
M = cv2.getPerspectiveTransform(points1, points2)

# 使用warpPerspective函数对图片进行透视变换
dst = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))

# 计算变换后图片的最小外接矩形的坐标
min_x, min_y = points2.min(axis=0).astype(int)
max_x, max_y = points2.max(axis=0).astype(int)

# 根据最小外接矩形的坐标裁剪变换后的图片
cropped_dst = dst[min_y:max_y, min_x:max_x]

# 显示原始图片
cv2.imshow('img', img)

# 显示裁剪后的变换图片
cv2.imshow('cropped_dst', cropped_dst)

# 等待按键，0表示无限等待直到有按键按下
cv2.waitKey(0)

七、举例轮廓的外接边界框，并对比说明

功能

外接边界框是包围轮廓的最小矩形，通常用于物体的定位和检测。

代码示例：

import cv2
import numpy as np

img = cv2.imread('./outline .png')

img = cv2.resize(img,(0,0),fx = 0.5,fy = 0.5)

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

contours,h = cv2.findContours(img_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

img_copy = img.copy()
cv2.drawContours(img_copy,contours,-1,(0,0,255),2)

for i in contours:
    # 调用外接矩形函数，获取当前轮廓点的左上角的坐标(x,y) 和 宽(w) 和 高(h)
    x , y , w , h = cv2.boundingRect(i)
    # 画矩形
    cv2.rectangle(img_copy,(x,y),(x+w,y+h),(0,255,0),2)

    # 第二种：调用最小面积外界矩形函数，获取包含三个元素的元组（中心点坐标，长宽，旋转角度）
    # ((center_x, center_y), (width, height), angle)
    ret = cv2.minAreaRect(i)
    # 调用cv2.boxPoints(ret)可以获取旋转矩阵的四个顶点
    box = np.int32(cv2.boxPoints(ret))
    # 绘制轮廓
    cv2.drawContours(img_copy,[box],-1,(255,0,0),2)

    # 第三种：调用最小外接圆函数，获取圆心坐标(x,y) 和 半径(radius)
    (x,y),radius = cv2.minEnclosingCircle(i)
    (x,y,radius) = np.int32((x,y,radius))
    # 画圆
    cv2.circle(img_copy,(x,y),radius,(255,0,255),3)

cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)
cv2.waitKey(0)