opencv-python的简单练习

一、编程题

读取一张彩色图像并将其转换为灰度图。

python 复制代码

import cv2

# 读取彩色图像
image_path = 'path_to_your_image.jpg'  # 替换为你的图像路径
color_image = cv2.imread(image_path)

# 检查图像是否成功加载
if color_image is None:
    print("图像加载失败，请检查图像路径")
else:
    # 将彩色图像转换为灰度图
    gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

    # 显示彩色图像和灰度图
    cv2.imshow('Color Image', color_image)
    cv2.imshow('Gray Image', gray_image)

    # 等待按键按下然后关闭所有窗口
    cv2.waitKey(0)
    cv2.destroyAllWindows()

    # 保存灰度图像（可选）
    gray_image_path = 'gray_image.jpg'  # 替换为你想保存的灰度图像路径
    cv2.imwrite(gray_image_path, gray_image)
    print(f"灰度图像已保存至 {gray_image_path}")

二、编程题

题目1：二值化与形态学操作‌

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
import numpy as np

# 读取彩色图像
image_path = 'flower.png'
color_image = cv2.imread(image_path)

# 转换为灰度图
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

# 二值化处理
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 定义核（结构元素）
kernel = np.ones((3, 3), np.uint8)

# 腐蚀操作
eroded_image = cv2.erode(binary_image, kernel, iterations=1)

# 膨胀操作
dilated_image = cv2.dilate(eroded_image, kernel, iterations=1)

# 显示处理前后的图像
cv2.imshow('Original Image', color_image)
cv2.imshow('Binary Image', binary_image)
cv2.imshow('Eroded Image', eroded_image)
cv2.imshow('Dilated Image', dilated_image)

cv2.waitKey(0)
cv2.destroyAllWindows()

题目2：图像变换与颜色识别‌

编写程序，读取一张彩色图像，执行以下操作：

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）。
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）。
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）。
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

# 读取彩色图像
image_path = 'your_image.jpg'  # 替换为你的图像路径
color_image = cv2.imread(image_path)

# 1. 缩放图像
scaled_image = cv2.resize(color_image, (0, 0), fx=0.5, fy=0.5)

# 2. 仿射变换（旋转45度）
rows, cols, _ = scaled_image.shape
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 45, 1)
rotated_image = cv2.warpAffine(scaled_image, M, (cols, rows))

# 3. 转换为HSV颜色空间
hsv_image = cv2.cvtColor(rotated_image, cv2.COLOR_BGR2HSV)

# 定义黄色的HSV范围
lower_yellow = np.array([20, 100, 100], dtype=np.uint8)
upper_yellow = np.array([30, 255, 255], dtype=np.uint8)

# 4. 提取黄色区域
mask = cv2.inRange(hsv_image, lower_yellow, upper_yellow)
result = cv2.bitwise_and(rotated_image, rotated_image, mask=mask)

# 显示处理后的图像
cv2.imshow('Original Image', color_image)
cv2.imshow('Rotated Image', rotated_image)
cv2.imshow('Yellow Mask', mask)
cv2.imshow('Extracted Yellow', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

题目3：图像矫正

编写程序，读取一张彩色图像，执行以下操作

找到原图和目标图的四个点，获取透视变换矩阵

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

# 读取彩色图像
image_path = 'your_image_with_painting.jpg'  # 替换为你的图像路径
color_image = cv2.imread(image_path)

# 定义原图和目标图的四个点
# 这些点需要根据你的实际图像进行手动选择
src_points = np.float32([[100, 100], [200, 100], [100, 200], [200, 200]])
dst_points = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])

# 1. 获取透视变换矩阵
M = cv2.getPerspectiveTransform(src_points, dst_points)

# 2. 应用透视变换
height, width = dst_points[2][1], dst_points[1][0]
warped_image = cv2.warpPerspective(color_image, M, (width, height))

# 显示处理后的图像
cv2.imshow('Original Image', color_image)
cv2.imshow('Warped Image', warped_image)

cv2.waitKey(0)
cv2.destroyAllWindows()

四、编程题（共10分）‌

请编写一段Python代码，使用OpenCV库对一张图像进行以下处理：

将图像转换为灰度图。
使用高斯滤波器平滑图像，内核大小为5x5，标准差为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。

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

# 读取图像
image_path = 'your_image.jpg'  # 替换为你的图像路径
image = cv2.imread(image_path)

# 1. 将图像转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 2. 使用高斯滤波器平滑图像，内核大小为5x5，标准差为1
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 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
edges = cv2.Canny(blurred_image, 50, 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
# 为了在原始图像上绘制轮廓，我们需要先找到边缘的轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 创建一个用于绘制轮廓的图像副本
image_with_contours = image.copy()

# 绘制轮廓
cv2.drawContours(image_with_contours, contours, -1, (0, 0, 255), 2)

# 显示处理后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Gray Image', gray_image)
cv2.imshow('Blurred Image', blurred_image)
cv2.imshow('Edges Detected', edges)
cv2.imshow('Image with Contours', image_with_contours)

# 等待按键并关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

交通信号灯识别‌：

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‌：

读取包含交通信号灯的图像。
转换图像到HSV颜色空间。
分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。

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
# 读取图像
image = cv2.imread('demo111.png')

# 转换图像到HSV颜色空间
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 定义HSV范围
red_lower = (0, 100, 100)
red_upper = (10, 255, 255)
yellow_lower = (15, 100, 100)
yellow_upper = (30, 255, 255)
green_lower = (40, 40, 40)
green_upper = (90, 255, 255)

# 创建掩膜
mask_red = cv2.inRange(hsv, red_lower, red_upper)
mask_yellow = cv2.inRange(hsv, yellow_lower, yellow_upper)
mask_green = cv2.inRange(hsv, green_lower, green_upper)

# 轮廓检测函数
def detect_contours(mask, color):
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for contour in contours:
        if cv2.contourArea(contour) > 100:
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(image, (x, y), (x+w, y+h), color, 2)

# 对每个掩膜进行轮廓检测
detect_contours(mask_red, (0, 0, 255))  # 红色用红色框
detect_contours(mask_yellow, (0, 255, 255))  # 黄色用黄色框
detect_contours(mask_green, (0, 255, 0))  # 绿色用绿色框

# 显示结果
cv2.imshow('Detected Traffic Lights', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

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‌：

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

复制代码

```python
import cv2
import numpy as np

# 设定黄色HSV范围
yellow_lower = (15, 100, 100)
yellow_upper = (30, 255, 255)

# 读取待检测产品的图像
image = cv2.imread('duck.png')

# 转换图像到HSV颜色空间
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 创建黄色掩膜
mask_yellow = cv2.inRange(hsv, yellow_lower, yellow_upper)

# 使用轮廓检测找到掩膜中的所有轮廓
contours, _ = cv2.findContours(mask_yellow, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 设定面积阈值
min_area = 500  # 根据实际情况调整

# 遍历所有轮廓，剔除面积过小的轮廓
filtered_contours = [cnt for cnt in contours if cv2.contourArea(cnt) >= min_area]

# 检查是否有符合面积要求的黄色区域
if filtered_contours:
    print("Detected yellow duck toy with sufficient area.")
else:
    print("No yellow duck toy detected or yellow area is too small.")

# 可选：绘制轮廓和显示结果
cv2.drawContours(image, filtered_contours, -1, (0, 255, 0), 3)
cv2.imshow('Original Image with Contours', image)
cv2.imshow('Yellow Mask', mask_yellow)
cv2.waitKey(0)
cv2.destroyAllWindows()
```

![](https://i-blog.csdnimg.cn/direct/ab164a413ea146de98fc6049b5fd7e99.png)

图像预处理与特征提取‌

将图像转换为灰度图
对灰度图进行二值化处理
使用形态学变换去除噪声【开运算】
检测图像中的边缘
查找并绘制图像中的轮廓

逐一遍历轮廓，输出所有四边形的周长和面积。

python 复制代码

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_your_image.jpg')

# 1. 将图像转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 2. 对灰度图进行二值化处理
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 3. 使用形态学变换去除噪声【开运算】
kernel = np.ones((5, 5), np.uint8)
opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 4. 检测图像中的边缘
edges = cv2.Canny(opened, 50, 150)

# 5. 查找并绘制图像中的轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 创建一个用于绘制轮廓的图像副本
image_contours = image.copy()
cv2.drawContours(image_contours, contours, -1, (0, 255, 0), 2)

# 6. 逐一遍历轮廓，输出所有四边形的周长和面积
for contour in contours:
    # 计算轮廓的周长
    perimeter = cv2.arcLength(contour, True)
    # 使用多边形逼近来获取近似的四边形轮廓
    approx = cv2.approxPolyDP(contour, 0.02 * perimeter, True)
    
    # 仅处理四边形
    if len(approx) == 4:
        # 计算面积
        area = cv2.contourArea(approx)
        print(f'四边形周长: {perimeter:.2f}, 面积: {area:.2f}')
        
        # 绘制四边形轮廓
        cv2.drawContours(image_contours, [approx], -1, (255, 0, 0), 2)

# 显示处理结果
cv2.imshow('Gray Image', gray)
cv2.imshow('Binary Image', binary)
cv2.imshow('Opened Image', opened)
cv2.imshow('Edges Image', edges)
cv2.imshow('Contours Image', image_contours)

# 等待按键按下后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

车牌识别预处理‌

假设你正在开发一个车牌识别系统，首先需要从图像中识别出车牌区域。请描述并编写代码实现以下步骤：

读取一张包含车牌的图像。
将图像转换为灰度图以简化处理。
使用高斯滤波器平滑图像，减少噪声干扰。
应用Canny边缘检测算法检测图像中的边缘。
查找图像中的轮廓。
逐一遍历轮廓。
设定一个面积双阈值，只保留面积在该阈值的轮廓。

计算这些轮廓的长宽比，长宽比ratio在2到5.5之间的，在原图上用矩形框标出，这些轮廓可能是车牌的候选区域。

python 复制代码

import cv2
import numpy as np

# 1. 读取包含车牌的图像
image_path = 'path_to_your_car_image.jpg'  # 请替换为你的图像文件路径
image = cv2.imread(image_path)

# 2. 将图像转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 3. 使用高斯滤波器平滑图像
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)

# 4. 应用Canny边缘检测算法
edges = cv2.Canny(blurred_image, 50, 150)

# 5. 查找图像中的轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 设定面积双阈值
min_area = 1000  # 最小面积阈值，根据实际情况调整
max_area = 15000  # 最大面积阈值，根据实际情况调整

# 6. 逐一遍历轮廓
for contour in contours:
    # 7. 只保留面积在阈值范围内的轮廓
    area = cv2.contourArea(contour)
    if min_area < area < max_area:
        # 获取轮廓的外接矩形
        x, y, w, h = cv2.boundingRect(contour)
        
        # 8. 计算长宽比，并筛选出可能的车牌候选区域
        ratio = w / h
        if 2 < ratio < 5.5:
            # 在原图上绘制矩形框
            cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示处理后的图像
cv2.imshow('Car Image with Possible License Plate Regions', image)

# 等待按键并关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()