Python版本opencv1

OpenCV 中的图像边框填充（cv.copyMakeBorder()） cv.copyMakeBorder() 是 OpenCV 中处理图像边界的关键函数，在图像处理中扮演着重要角色，特别是在以下场景：

​​卷积操作​​：在进行滤波、边缘检测等操作时，需要处理图像边界 ​​特征提取​​：某些特征描述符需要处理边界像素 ​​图像增强​​：为图像添加相框效果 ​​几何变换​​：在旋转、缩放等操作前扩展图像

dst = cv.copyMakeBorder(
    src,          # 源图像
    top,          # 顶部填充像素数
    bottom,       # 底部填充像素数
    left,         # 左侧填充像素数
    right,        # 右侧填充像素数
    borderType,   # 边框类型
    value=None    # 边框颜色（仅用于BORDER_CONSTANT）
)

cv.BORDER_CONSTANT - 恒定颜色边框

# 添加灰色边框（value=[128,128,128]）
[..........]
[..abcdefgh..]
[..........]

cv.BORDER_REFLECT - 镜像边框

fedcba|abcdefgh|hgfedcb
 ^^^^^         ^^^^^^^
 左边框         右边框

cv.BORDER_REFLECT_101 - 镜像边框(最常用)

gfedcb|abcdefgh|gfedcba
 ^^^^^         ^^^^^^^
 左边框         右边框

cv.BORDER_REPLICATE - 复制边框

aaaaaa|abcdefgh|hhhhhhh
 ^^^^^         ^^^^^^^
 左边框         右边框

cv.BORDER_WRAP - 循环边框

# 循环边框
cdefgh|abcdefgh|abcdefg
 ^^^^^         ^^^^^^^
 左边框         右边框

图像上的算术运算

图像加法 您可以通过OpenCV函数cv.add()或仅通过numpy操作res = img1 + img2添加两个图像。两个图像应具有相同的深度和类型，或者第二个图像可以只是一个标量值。

>>> x = np.uint8([250])
>>> y = np.uint8([10])
>>> print( cv.add(x,y) ) # 250+10 = 260 => 255
[[255]]
>>> print( x+y )          # 250+10 = 260 % 256 = 4
[4]

二者作用不一样，opencv是最大就是最大，进行饱和运算；而np是会取模的

图像融合

也是图像加法，但是给了特定的权重

img1 = cv.imread('ml.png')
img2 = cv.imread('opencv-logo.png')
dst = cv.addWeighted(img1,0.7,img2,0.3,0)
cv.imshow('dst',dst)
cv.waitKey(0)
cv.destroyAllWindows()

图像位运算

对两个图像的每个像素进行二进制操作，可以实现图像的逻辑运算、位运算等。 ​​mask参数​​: 8位单通道图像（二值图像） 只在mask不为0的位置执行操作 例如在cv.bitwise_and()中：dst = src1 ∧ src2 if mask ≠ 0 这包括按位 AND、 OR、NOT 和 XOR 操作

cv.bitwise_and(src1, src2[, dst[, mask]])
cv.bitwise_or(src1, src2[, dst[, mask]])
cv.bitwise_not(src[, dst[, mask]])
cv.bitwise_xor(src1, src2[, dst[, mask]])

cv.getTickCount函数返回从参考事件（如打开机器的那一刻）到调用此函数那一刻之间的时钟周期数。因此，如果在函数执行之前和之后调用它，则会获得用于执行函数的时钟周期数。

cv.getTickFrequency函数返回时钟周期的频率或每秒的时钟周期数

OpenCV中的默认优化 许多 OpenCV 函数都是使用 SSE2、 AVX 等进行优化的。 它还包含未优化的代码。因此，如果我们的系统支持这些特性，我们就应该利用它们(几乎所有现代的处理器都支持它们)。在编译时默认启用它。因此，如果启用了 OpenCV，它将运行优化的代码，否则它将运行未优化的代码。你可以使用 cvUseoptimized 检查是否启用 / 禁用和 cvSetuseoptimized 以启用 / 禁用它。让我们看一个简单的例子。

改变颜色空间

cvtColor(input_image, flag)，其中flag决定转换的类型。 对于BGR→灰度转换，我们使用标志cv.COLOR_BGR2GRAY。类似地，对于BGR→HSV，我们使用标志cv.COLOR_BGR2HSV。

图像缩放

cv2.warpAffine(src, M, dsize, dst, flags, borderMode, borderValue) → dst 仿射变换 用途：执行仿射变换（线性变换+平移） 参数要求：需要2×3变换矩阵 支持变换类型：缩放、平移、旋转、仿射变换 ​​cv.warpPerspective()​​ 用途：执行透视变换 参数要求：需要3×3变换矩阵 特点：直线在变换后仍保持直线

cv.resize(img, dsize=None, fx=scale_x, fy=scale_y, interpolation=)

cv.INTER_AREA：缩小图像时推荐（区域插值） cv.INTER_CUBIC：放大时使用（效果更好但较慢） cv.INTER_LINEAR：默认方法（平衡速度和质量） 平移 平移是物体位置的移动。如果您知道在(x,y)方向上的位移，则将其设为(tx,ty)，则可以对图像进行平移。 M=[[1,0,tx],[0,1,ty]] 如下所示：

对于这个函数的实现 一、平移变换的数学基础 平移变换的本质是：​​在二维平面上，所有点沿特定方向移动固定距离​​

数学表达式： x’ = x + t_x y’ = y + t_y 其中： (x, y) 是原坐标 (x’, y’) 是新坐标 t_x 是x方向位移 t_y 是y方向位移 二、齐次坐标：解决平移问题的关键 在标准二维坐标系统中，平移无法用简单的矩阵乘法表示（因为平移不是线性变换）。​​齐次坐标​​解决了这个问题： 将二维点 (x, y) 表示为三维向量： [x, y, 1]^T 平移变换矩阵扩展为3×3形式： [1 0 t_x] [0 1 t_y] [0 0 1 ] 变换计算： [x’] [1 0 t_x] [x] [y’] = [0 1 t_y] [y] [1 ] [0 0 1 ] [1] 展开： x’ = 1x + 0y + t_x1 = x + t_x y’ = 0x + 1y + t_y1 = y + t_y 1 = 0x + 0y + 1 * 1 = 1

​​旋转变换 M = cv.getRotationMatrix2D(center, angle, scale) 可以以不同的点作为旋转点 center：旋转中心坐标，是一个元组参数(col, row)

angle：旋转角度，旋转方向，负号为逆时针，正号为顺时针

scale：旋转后图像相比原来的缩放比例，1为等比例缩放

图像阈值

cv.threshold和cv.adaptiveThreshold cv.threshold(src, thresh, maxval, type) 第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值，这由函数的第四个参数给出。

enum ThresholdTypes {
    THRESH_BINARY     = 0,#大于阈值的像素设为最大值(通常为255)，其余设为0
    THRESH_BINARY_INV = 1,#大于阈值的像素设为0，其余设为最大值
    THRESH_TRUNC      = 2,#大于阈值的像素被截断为阈值，其余保持不变
    THRESH_TOZERO     = 3,#小于或等于阈值的像素设为0，其余保持不变
    THRESH_TOZERO_INV = 4,#大于阈值的像素设为0，其余保持不变
    THRESH_MASK       = 7,
    THRESH_OTSU       = 8,
    THRESH_TRIANGLE   = 16
};

自适应阈值

cv.adaptiveThreshold

cv.adaptiveThreshold(
    src,                # 输入图像（单通道，8位）
    maxValue,           # 超过阈值时分配的最大值（通常为255）
    adaptiveMethod,     # 自适应方法（见下文）
    thresholdType,      # 阈值类型（见下文）
    blockSize,          # 邻域大小（奇数，大于1）
    C                   # 常量（从计算值中减去的值）
)

Otsu的二值化 在全局阈值化中，我们使用任意选择的值作为阈值。相反，Otsu的方法避免了必须选择一个值并自动确定它的情况。

考虑仅具有两个不同图像值的图像（双峰图像），其中直方图将仅包含两个峰。一个好的阈值应该在这两个值的中间。类似地，Otsu的方法从图像直方图中确定最佳全局阈值。

thresh,ig2 = cv2.threshold(ig1,140,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)

图像平滑

图像滤波处理，做卷积操作 cv.blur()或cv.boxFilter() 操作就是卷积取平均值，区别是boxFilter是用方框，可以不用标准化，blur是用标准化的方框 高斯模糊 在这种情况下，代替盒式滤波器，使用了高斯核。这是通过功能cv.GaussianBlur() 完成的。我们应指定内核的宽度和高度，该宽度和高度应为正数和奇数。我们还应指定X和Y方向的标准偏差，分别为sigmaX和sigmaY。如果仅指定sigmaX，则将sigmaY与sigmaX相同。如果两个都为零，则根据内核大小进行计算。高斯模糊对于从图像中去除高斯噪声非常有效。

如果需要，可以使用函数cv.getGaussianKernel() 创建高斯内核。

形态学转换

cv.erode()和cv.dilate() 侵蚀 cv.erode() 侵蚀的基本思想就像土壤侵蚀一样，它侵蚀前景物体的边界(尽量使前景保持白色)。它是做什么的呢?内核滑动通过图像(在2D卷积中)。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1，否则它就会被侵蚀(变成0)。 需要传入kernel参数，以及对应的图像还有迭代次数 dilate跟erode在参数上是一样的，但dilate是扩张的意思，它会扩张前景物体的边界(使前景变黑色)，可以看作是erode的逆操作。 开放只是侵蚀然后扩张的另一个名称。如上文所述，它对于消除噪音很有用。在这里，我们使用函数cv.morphologyEx()

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

闭运算与开运算相反，先扩张然后再侵蚀。在关闭前景对象内部的小孔或对象上的小黑点时很有用。

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

形态学梯度

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

扩展的部分 顶帽 它是输入图像和图像开运算之差。

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

黑帽 它是图像闭运算和输入图像之差。

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

sobel算子 右减左，上减下 水平梯度矩阵G=[[-1,0,1],[-2,0,2],[-1,0,1]] 垂直梯度矩阵G=[[-1,-2,-1],[0,0,0],[1,2,1]]

sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=3)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=3)

img需要为灰度图，​​cv.CV_64F​为图像深度，​dx = 1, dy = 0：计算 x 方向（水平）导数 → 检测垂直边缘 dx = 0, dy = 1：计算 y 方向（垂直）导数 → 检测水平边缘Sobel 核的大小：5×5 的核 可选值：-1 (3×3 Scharr 核)、1、3、5、7

scharr算子 x方向：[[-3,0,3],[-10,0,10],[-3,0,3]] y方向：[[-3,-10,-3],[0,0,0],[3,10,3]]

整体计算跟sobel一样，但是使用scharr核，更敏感 laplacian算子 Laplacian算子也是用来计算图像梯度的，作用也是提取边界。它与上面两种算子的不同是： sobel算子和scharr算子一般先算一个水平梯度，再算一个垂直方向梯度，然后把两个结果按照0.5的权重进行图像融合以得到完整的边界。

但Laplacian算子则不同，它本身就是一个二阶的算子，它的运算规则就是在水平方向运算两次，垂直方向运算两次，两个结果相叠加替换中心点（锚点）的像素值（灰度值）

kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],np.float32)
laplacian = cv.Laplacian(img,cv.CV_64F)

Canney边缘检测

Canny边缘检测是一种基于图像梯度的边缘检测算法。 ·1)使用高斯滤波器，以平滑图像，滤除噪声。 ·2)计算图像中每个像素点的梯度强度和方向。 ·3)应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应。 .4)应用双闽值(Double-Threshold)检测来确定真实的和潜在的边缘。 .5)通过抑制孤立的弱边缘最终完成边缘检测。 edges = cv.Canny(img,100,200)

非极大值抑制

顾名思义，抑制不是最大值的其他值 线性插值法 取一条线经过两条边，产生两个交点，如果中间的点的梯度小于这两个交点，就会被抑制 简化计算就是一个像素点的梯度发散到他的八个方向上 +—–+—–+—–+ | ↖ | ↑ | ↗ | → 离散的8个方向 +—–+—–+—–+ | ← | ● | → | ● 中心像素(当前处理点) +—–+—–+—–+ | ↙ | ↓ | ↘ | ← 通过箭头判断比较方向 +—–+—–+—–+ Step 1️⃣：确定中心像素的梯度方向​​ 如图中红点表示的当前像素 ​​Step 2️⃣：找出梯度方向线上的相邻像素​​ 例如： 若梯度方向→，则比较左右像素 若梯度方向↗，则比较右上和左下像素 ​​Step 3️⃣：抑制非极大值​​ if 中心像素梯度值 < 相邻像素1的梯度值 or 中心像素梯度值 < 相邻像素2的梯度值: 将中心像素值设为0(抑制) else: 保留中心像素值(这是真实边缘)

双阈值检测

他有两个梯度阈值maxval和minval 如果梯度值大于maxval，那么则处理为边界 如果梯度值小于maxval大于minval，如果连接边界则保留，没有则舍弃 小于minval则舍弃 canny边缘检测就是使用双阈值检测

edges = cv.Canny(img,100,200)