opencv-python的简单练习

小成晓程2024-12-17 14:29

1、读取一张彩色图像并将其转换为灰度图。

python 复制代码 
import cv2
img = cv2.imread("../1iamge/a.jpg")
# 灰度化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGRA2GRAY)
cv2.imshow('img', img)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)

2、编写程序，读取一张彩色图像【flower.png】，将其转换为灰度图，然后进行二值化处理。接着，对二值化后的图像执行腐蚀和膨胀操作，并显示处理前后的图像。

python 复制代码 
import cv2
img = cv2.imread("../day2/day2.3/test2.png")
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)
# 灰度化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGRA2GRAY)
#二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
#核
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#腐蚀
img_erode = cv2.erode(img_binary,kernel)
#膨胀
img_dilate = cv2.dilate(img_binary,kernel)
cv2.imshow('img', img)
cv2.imshow('img_erode', img_erode)
cv2.imshow('img_dilate', img_dilate)
cv2.waitKey(0)

3、编写程序，读取一张彩色图像，执行以下操作：

  • 1.将图像缩放至指定大小（例如，宽度和高度都缩小为原来的一半）。

  • 2.对缩放后的图像应用仿射变换，实现图像的旋转（例如，旋转45度）。

  • 3.将图像从BGR颜色空间转换为HSV颜色空间，并提取出特定的颜色范围（例如，提取黄色区域）。

  • 4.显示处理后的图像，并在图像上标记出识别到的颜色区域。

python 复制代码 
import cv2
import numpy as np
img = cv2.imread("../1iamge/color_1.png")
#宽度和高度都缩小为原来的一半
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)
cv2.imshow('img', img)
# 灰度化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGRA2GRAY)
#二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
# 对缩放后的图像应用仿射变换，实现图像的旋转
M = cv2.getRotationMatrix2D((img.shape[1],img.shape[0]),45,0.5)
img_affine = cv2.warpAffine(img,M,(img.shape[1],img.shape[0]),flags=cv2.INTER_LINEAR,borderMode=cv2.BORDER_WRAP)
cv2.imshow('img_affine',img_affine)
#将图像从BGR颜色空间转换为HSV颜色空间，并提取出特定的颜色范围
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#掩膜
blue_min = np.float32([35,43,46])
blue_max = np.float32([77,255,255])
img_mask = cv2.inRange(img_hsv,blue_min,blue_max)
img_mask_color = cv2.bitwise_and(img,img,mask = img_mask)
cv2.imshow("img_mask_color",img_mask_color)
cv2.waitKey(0)

4、编写程序，读取一张彩色图像，执行以下操作

  • 1.找到原图 和目标图的四个点，获取透视变换矩阵

  • 2.对图像应用透视变换，实现油画区域的矫正

python 复制代码 
import cv2
import numpy as np

img = cv2.imread("../1iamge/youhua.png")
points1 = np.float32([[174,141],[622,40],[88,493],[650,549]])
points2 = np.float32([[0,0],[img.shape[1],0],[0,img.shape[0]],[img.shape[1],img.shape[0]]])
M = cv2.getPerspectiveTransform(points1,points2)
img_warp = cv2.warpPerspective(img,M,(img.shape[1],img.shape[0]))
cv2.imshow('img',img)
cv2.imshow("img_warp",img_warp)
cv2.waitKey(0)

5、图像轮廓检测与绘制

  • 1.将图像转换为灰度图。

  • 2.使用高斯滤波器平滑图像，内核大小为5x5，标准差为1。

  • 3.使用Canny边缘检测算法检测图像边缘，阈值1为50，阈值2为150。

  • 4.在检测到的边缘图像上绘制轮廓，轮廓颜色为红色，厚度为2。

python 复制代码 
import cv2
import numpy as np
img = cv2.imread("../1iamge/tubao.png")
#灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGRA2GRAY)
#高斯滤波
img_blur = cv2.GaussianBlur(img_gray,(5,5),1)
#使用Canny边缘检测算法检测图像边缘，阈值1为50，阈值2为150。
img_canny = cv2.Canny(img_blur,50,150)
#选框
contours,_ = cv2.findContours(img_canny,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#绘制
img_copy = img.copy()
img_draw = cv2.drawContours(img_copy,contours,-1,(0,0,255),2)

cv2.imshow('img',img)
cv2.imshow("img_draw",img_draw)
cv2.waitKey(0)

6、你正在开发一个自动驾驶系统，需要识别交通信号灯的颜色（红、黄、绿）。请设计一个简化的流程，说明如何使用OpenCV来识别交通信号灯的颜色。

思路分析‌：

  1. 读取包含交通信号灯的图像。
  2. 转换图像到HSV颜色空间。
  3. 分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。
  4. 对每个掩膜进行轮廓检测，识别出可能的信号灯区域。
python 复制代码 
import cv2
import numpy as np

#读取包含交通信号灯的图像。
img = cv2.imread("../1iamge/demo111.png")
img_copy = img.copy()
#转换图像到HSV颜色空间。
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
#分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。
lower_red = np.array([156, 43, 46])
upper_red = np.array([180, 255, 255])
mask_red = cv2.inRange(img_hsv, lower_red, upper_red)
lower_yellow = np.array([0, 43, 46])
upper_yellow = np.array([10, 255, 255])
mask_yellow = cv2.inRange(img_hsv, lower_yellow, upper_yellow)
lower_green = np.array([35, 43, 46])
upper_green = np.array([77, 255, 255])
mask_green = cv2.inRange(img_hsv, lower_green, upper_green)
#对每个掩膜进行轮廓检测，识别出可能的信号灯区域。
contours, _ = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 300:
        x, y, w, h = cv2.boundingRect(cnt)
        img_copy = cv2.rectangle(img_copy, (x, y), (x + w, y + h), (0, 0, 255), 2)
contours, _ = cv2.findContours(mask_yellow, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 300:
        x, y, w, h = cv2.boundingRect(cnt)
        img_copy = cv2.rectangle(img_copy, (x, y), (x + w, y + h), (0, 255, 255), 2)
contours, _ = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 300:
        x, y, w, h = cv2.boundingRect(cnt)
        img_copy = cv2.rectangle(img_copy, (x, y), (x + w, y + h), (0,255, 0), 2)
cv2.imshow("img", img)
cv2.imshow("img_copy", img_copy)
cv2.waitKey(0)

‌7、产品质量检测‌：

在一家生产彩色玩具的工厂中，需要检测产品是否按照正确的颜色进行生产。请设计一个使用OpenCV的自动化检测系统，该系统能够识别并报告不符合颜色标准的产品。

‌思路分析‌：

  1. 设定产品的标准颜色范围（HSV值）。
  2. 使用摄像头或图像文件获取待检测产品的图像。
  3. 转换图像到HSV颜色空间。
  4. 为每种标准颜色创建掩膜，并与产品图像进行比对。
  5. 识别出颜色不符合标准的产品，并记录或报告。
python 复制代码 
import cv2
import numpy as np

# 读取图像
img = cv2.imread('../1iamge/duck.png')
img = cv2.resize(img, (600, 600))
img_copy = img.copy()
# 将BGR图像转换为HSV图像
hsv = cv2.cvtColor(img_copy, cv2.COLOR_BGR2HSV)

# 定义橡皮鸭的标准颜色范围（HSV值）
colors = {
    'red': {'min': np.array([0, 100, 100]), 'max': np.array([10, 255, 255]), 'color': (0, 0, 255)},
    'blue': {'min': np.array([70, 50, 50]), 'max': np.array([130, 255, 255]), 'color': (255, 0, 0)},
    'yellow': {'min': np.array([20, 100, 100]), 'max': np.array([30, 255, 255]), 'color': (0, 255, 255)},
    'green': {'min': np.array([50, 100, 100]), 'max': np.array([70, 255, 255]), 'color': (0, 255, 0)},
    'pink': {'min': np.array([130, 100, 100]), 'max': np.array([170, 255, 255]), 'color': (170, 160, 255)},
    'black': {'min': np.array([0, 0, 0]), 'max': np.array([180, 50, 50]), 'color': (0, 0, 0)},
}

# 检测并标记每种颜色的橡皮鸭
for color_name, color_range in colors.items():
    mask = cv2.inRange(hsv, color_range['min'], color_range['max'])
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for contour in contours:
        if cv2.contourArea(contour) > 100:  # 忽略太小的区域
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(img_copy, (x, y), (x + w, y + h), color_range['color'], 2)
            cv2.putText(img_copy, color_name, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color_range['color'], 1)

# 显示结果
cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)

# 等待按键按下
cv2.waitKey(0)
相关推荐
Hoper.J1 分钟前
Epoch、Batch、Step 之间的关系
人工智能·深度学习·机器学习·ai
威威猫的栗子7 分钟前
用 Python Turtle 绘制经典汤姆猫：重温卡通角色的经典魅力
开发语言·python
一念之坤13 分钟前
11篇--图像边缘检测
图像处理·python·opencv·计算机视觉
星辰@Sea16 分钟前
Python 实现对人的行为预测
开发语言·python
一只小灿灿19 分钟前
计算机视觉中的图像滤波与增强算法
人工智能·算法·计算机视觉
Illusionna.23 分钟前
Word2Vec 模型 PyTorch 实现并复现论文中的数据集
人工智能·pytorch·算法·自然语言处理·nlp·matplotlib·word2vec
平凡灵感码头29 分钟前
机器学习算法概览
人工智能·算法·机器学习
UQI-LIUWJ36 分钟前
论文结论：GPTs and Hallucination Why do large language models hallucinate
人工智能·语言模型·自然语言处理
ZHOU_WUYI38 分钟前
2.metagpt中的软件公司智能体 (ProductManager 角色)
人工智能·metagpt
Faylynn38 分钟前
Python：基于PyCharm的简单程序创建及运行-HelloWorld
python·pycharm
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02玄机平台应急响应—webshell查杀03PyTorch机器学习实现液态神经网络04YOLOv8训练好模型后，追加轮数继续训练、或者提前终止训练，缩减训练轮数05【凡人修仙传_01】散修厉飞羽是如何出师未捷身先死的！06Docker 夺命连环 15 问07大模型应用RAG系列3-1从0搭建一个RAG：做好文档切分08量化方法怎么选？如何评估量化后的大模型LLM？0904 - matlab m_map地学绘图工具基础函数 - 设置网格10【OCPP】ocpp1.6协议第3.13章节SmartCharging介绍及翻译