OpenCV这么简单为啥不学——1.1、图像处理(灰度图、模糊图片、GaussianBlur函数、提取边缘、边缘膨胀、边缘细化)
OpenCV这么简单为啥不学——1.1、图像处理(灰度图、模糊图片、GaussianBlur函数、提取边缘、边缘膨胀、边缘细化)
目录
OpenCV这么简单为啥不学——1.1、图像处理(灰度图、模糊图片、GaussianBlur函数、提取边缘、边缘膨胀、边缘细化)
前言
计算机视觉市场巨大而且持续增长，且这方面没有标准API，如今的计算机视觉软件大概有以下三种：
1、研究代码（慢，不稳定，独立并与其他库不兼容）
2、耗费很高的商业化工具（比如Halcon, MATLAB+Simulink）
3、依赖硬件的一些特别的解决方案（比如视频监控，制造控制系统，医疗设备）这是如今的现状，而标准的API将简化计算机视觉程序和解决方案的开发，OpenCV致力于成为这样的标准API。
OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（Integrated Performance Primitives）得到更快的处理速度。
故而我们选择学习OpenCV，我们来一步步的学习OpenCV。
环境
在这里我们不仅仅需要cv2的环境，还需要numpy的环境，故而需要我们单独安装一下：
pip install numpy
win的环境与CentOS的有些区别，是库的区别，我本地是华为的库，CentOS是CSDN库，都能用。
灰度图
这里需要引入numpy做计算，也就是kernel的卷积核。
import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 卷积核：一般用一个5行5列的全是1的数组
kernel = np.ones((5, 5), np.uint8)
# 生成灰度图
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 展示
cv2.imshow("Gray Image", imgGray)
cv2.waitKey(0)
实际效果：灰度
模糊图片
代码：可以修改模糊的强度，是一个奇数，取值范围建议1~151的奇数，不然就啥也看不清了。
import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 模糊图
imgBlur = cv2.GaussianBlur(img, (151, 151), 5)
# 展示
cv2.imshow("Gray Image", imgBlur)
cv2.waitKey(0)
模糊效果
GaussianBlur函数
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
语法：
dst=GaussianBlur(src,ksize,sigmaX [,dst [,sigmaY [,borderType]]])
参数：
src：图片
ksize：高斯内核大小。 ksize.width和ksize.height可以不同，但它们都必须为正数和奇数，也可以为零，然后根据sigma计算得出。
sigmaX：X方向上的高斯核标准偏差。
sigmaY：Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigmaY。
import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 模糊图
imgBlur = cv2.GaussianBlur(img, (151, 151), 3, 17)
# 展示
cv2.imshow("Gray Image", imgBlur)
cv2.waitKey(0)
添加高斯核标准差效果：
提取边缘
代码：
import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.waitKey(0)
有些像描边，可以用于扣除祛斑啥的这种单独的点点。
边缘膨胀
代码：
import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
kernel = np.ones((5, 5), np.uint8)
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 膨胀边缘
imgDialation = cv2.dilate(imgCanny, kernel, iterations=1)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.imshow("imgDialation", imgDialation)
cv2.waitKey(0)
边缘膨胀，也就是强化了边缘。
边缘细化
代码：
import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
kernel = np.ones((5, 5), np.uint8)
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 膨胀边缘
imgDialation = cv2.dilate(imgCanny, kernel, iterations=1)
# 边缘细化
imgEroded = cv2.erode(imgDialation, kernel, iterations=1)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.imshow("imgDialation", imgDialation)
cv2.imshow("imgEroded", imgEroded)
cv2.waitKey(0)
实际效果：
整体对照
总结
很多参数细节都是需要我们自己来根据实际需求来调整的，包括后期的AI循环也是一个参数一个参数的调整出来的结果，搞这个东西要细心与耐心缺一不可。
- 点赞
- 收藏
- 关注作者
评论（0）