OpenCV部分操作介绍

文章目录

- 一、图像尺寸调整与轮廓检测
- - [1.1 图像尺寸调整基础](#1.1 图像尺寸调整基础)
  - [1.2 轮廓检测实战](#1.2 轮廓检测实战)
- 二、直方图处理技术
- - [2.1 直方图基础与计算](#2.1 直方图基础与计算)
  - [2.2 彩色图像直方图分析](#2.2 彩色图像直方图分析)
  - [2.3 掩膜(Mask)的应用](#2.3 掩膜(Mask)的应用)
  - [2.4 直方图均衡化](#2.4 直方图均衡化)
- 三、图像金字塔技术
- - [3.1 高斯金字塔](#3.1 高斯金字塔)
  - [3.2 拉普拉斯金字塔](#3.2 拉普拉斯金字塔)

一、图像尺寸调整与轮廓检测

1.1 图像尺寸调整基础

在图像处理中，经常需要对图像进行缩放操作。OpenCV提供了灵活的尺寸调整功能：

python 复制代码

import numpy as np
import cv2

# 绘图展示函数
def cv_show(name, image):
    cv2.imshow(name, image)
    cv2.waitKey(0)

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]  # 获取原始图像的高度和宽度
    if width is None and height is None:
        return image
    if width is None:
        # 仅指定高度，按比例计算宽度
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        # 仅指定宽度，按比例计算高度
        r = width / float(w)
        dim = (width, int(h * r))
    # 执行实际的缩放操作
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

方法参数详解：

image：输入的原始图像
width：目标宽度（可选）
height：目标高度（可选）
inter：插值方法，默认为cv2.INTER_AREA（面积插值）
- cv2.INTER_AREA：适用于图像缩小，能保持较好的视觉效果
- cv2.INTER_LINEAR：双线性插值，适用于图像放大
- cv2.INTER_CUBIC：三次插值，质量更高但速度较慢

1.2 轮廓检测实战

轮廓检测是图像分析的重要环节，用于识别物体的边界：

python 复制代码

# 读取输入图像
image = cv2.imread('fapiao.jpg')
cv_show('image', image)

# 图片过大，进行缩小处理
ratio = image.shape[0] / 500.0  # 计算缩小比率
orig = image.copy()
image = resize(orig, height=500)
cv_show('1', image)

# 轮廓检测
print("STEP 1：轮廓检测")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图

# 自动阈值二值化
edged = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 查找轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[-2]
# 绘制所有轮廓
image_contours = cv2.drawContours(image.copy(), cnts, -1, (0, 0, 255), 1)
cv_show('image_contours', image_contours)

# 获取最大轮廓
print("STEP 2：获取最大轮廓")
# 按面积排序，获取最大轮廓
screenCnt = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
print(screenCnt.shape)

# 计算轮廓周长
peri = cv2.arcLength(screenCnt, True)
# 轮廓近似，简化轮廓点
screenCnt = cv2.approxPolyDP(screenCnt, 0.05 * peri, True)
print(screenCnt.shape)

# 绘制近似后的轮廓
image_contour = cv2.drawContours(image.copy(), [screenCnt], -1, (0, 255, 0), 2)
cv2.imshow('image_contour', image_contour)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键函数解析：

cv2.findContours()：查找图像中的轮廓
- RETR_LIST：检测所有轮廓，不建立层次关系
- CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线段，只保留端点
cv2.arcLength()：计算轮廓周长
cv2.approxPolyDP()：轮廓多边形近似，用于简化轮廓

二、直方图处理技术

2.1 直方图基础与计算

直方图是图像处理中分析像素分布的重要工具：

python 复制代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取灰度图像
pic = cv2.imread('picture_1.jpg', cv2.IMREAD_GRAYSCALE)
# 将图像转换为一维数组
a = pic.ravel()
# 绘制直方图
plt.hist(a, bins=256)
plt.show()

# 使用OpenCV计算直方图
pic_hist = cv2.calcHist([pic], [0], None, [16], [0, 256])
plt.plot(pic_hist)  # 使用calcHist的值绘制曲线图
plt.show()

cv2.calcHist()参数详解：

images：输入图像列表，用方括号括起来
channels：要统计的通道索引，灰度图为[0]，彩色图可为[0],[1],[2]（对应B,G,R）
mask：掩膜图像，指定统计区域，None表示统计整幅图像
histSize：直方图的区间数（BINS数量）
ranges：像素值范围，通常为[0,256]

2.2 彩色图像直方图分析

python 复制代码

img = cv2.imread('picture_1.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    histr = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(histr, color=col)
plt.show()

2.3 掩膜(Mask)的应用

掩膜用于限制图像处理操作的区域：

python 复制代码

pic = cv2.imread('picture_1.jpg', cv2.IMREAD_GRAYSCALE)
pic = cv2.resize(img, None, fx=0.4, fy=0.4)
cv2.imshow('pic', pic)
cv2.waitKey(0)

# 创建掩膜
mask = np.zeros(pic.shape[:2], np.uint8)  # 创建全黑图像
mask[50:350, 100:470] = 255  # 设置感兴趣区域为白色
cv2.imshow('mask', mask)
cv2.waitKey(0)

# 应用掩膜
Pic_mask = cv2.bitwise_and(pic, pic, mask=mask)
cv2.imshow('pic_mask', Pic_mask)
cv2.waitKey(0)

# 计算掩膜区域的直方图
pic_list_mask = cv2.calcHist([pic], [0], mask, [256], [0, 256])
plt.plot(pic_list_mask)
plt.show()

cv2.bitwise_and()函数：

对两个图像进行按位与操作
mask参数：指定操作的有效区域，mask为0的位置结果也为0

2.4 直方图均衡化

直方图均衡化通过重新分布像素值来增强图像对比度：

python 复制代码

black = cv2.imread('black.jpg', cv2.IMREAD_GRAYSCALE)
plt.hist(black.ravel(), bins=256)
plt.show()

# 全局直方图均衡化
black_equalize = cv2.equalizeHist(black)
plt.hist(black_equalize.ravel(), bins=256)
plt.show()

# 对比显示
res = np.hstack((black, black_equalize))
cv2.imshow('black_equalize', res)
cv2.waitKey(0)

# 自适应直方图均衡化（局部处理）
clae = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))
black_clae = clae.apply(black)
res = np.hstack((black, black_equalize, black_clae))
cv2.imshow('black_equalize', res)
cv2.waitKey(0)

cv2.destroyAllWindows()

自适应直方图均衡化参数：

clipLimit：对比度限制阈值，防止局部对比度过高
tileGridSize：局部处理的窗口大小

三、图像金字塔技术

3.1 高斯金字塔

高斯金字塔用于图像的多尺度分析：

python 复制代码

import cv2

pic = cv2.imread(r'picture_1.jpg', cv2.IMREAD_GRAYSCALE)
pic = cv2.resize(pic, (640, 640))
cv2.imshow('picture_1.jpg', pic)
cv2.waitKey(0)

# 向下采样（缩小）
pic_down_1 = cv2.pyrDown(pic)  # G1层
cv2.imshow('down_1', pic_down_1)
cv2.waitKey(0)
pic_down_2 = cv2.pyrDown(pic_down_1)  # G2层
cv2.imshow('down_2', pic_down_2)
cv2.waitKey(0)

# 向上采样（放大）
pic_up_1 = cv2.pyrUp(pic)  # G1'层
cv2.imshow('up_1', pic_up_1)
cv2.waitKey(0)
pic_up_2 = cv2.pyrUp(pic_up_1)  # G2'层
cv2.imshow('up_2', pic_up_2)
cv2.waitKey(0)

# 下采样后再上采样的效果
pic_down_1_up = cv2.pyrUp(pic_down_1)
pic_down_2_up = cv2.pyrUp(pic_down_2)
cv2.imshow('down_1_up', pic_down_1_up)
cv2.imshow('down_2_up', pic_down_2_up)
cv2.waitKey(0)

3.2 拉普拉斯金字塔

拉普拉斯金字塔用于图像重建和边缘检测：

python 复制代码

# 统一调整到目标尺寸
target_shape = (640, 640)
pic_down_1_resized = cv2.resize(pic_down_1, target_shape)
pic_down_2_up_resized = cv2.resize(pic_down_2_up, target_shape)

# 计算拉普拉斯金字塔层
L1 = pic_down_1_resized - pic_down_2_up_resized
L0 = pic - pic_down_1_up

# 图像重建
fuyuan = pic_down_1_up + L0
cv2.imshow('L0', L0)
cv2.imshow('L1', L1)
cv2.waitKey(0)
cv2.imshow('fuyuan', fuyuan)
cv2.waitKey(0)
cv2.destroyAllWindows()

拉普拉斯金字塔原理：

每一层拉普拉斯图像是高斯金字塔相邻两层的差值
包含了图像的细节信息（边缘、纹理等）
可用于图像的无损重建：原始图像 = 上采样图像 + 拉普拉斯图像

通过这些系统的图像处理技术，我们可以实现从基础的图像操作到高级的特征分析，为计算机视觉应用奠定坚实基础。