一、图像梯度处理
1 图像边缘提取
cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
功能：用于对图像进行卷积操作。卷积是图像处理中的一个基本操作，它通过一个称为卷积核（或滤波器）的小矩阵在图像上滑动，并对每个位置进行加权求和，从而得到新的图像。
参数：
src：输入图像，可以是灰度图像或彩色图像。
ddepth：输出图像的所需深度。对于输入图像和输出图像具有相同深度的情况，该值通常设置为 -1。否则，你可以选择一个特定的深度，如 cv2.CV_8U、cv2.CV_16U、cv2.CV_32F 等。
kernel：卷积核，一个二维数组或矩阵。卷积核的大小通常是奇数，如 3x3、5x5 等。卷积核中的每个元素都是一个权重，用于在卷积过程中与图像像素相乘。
dst：输出图像（可选）。
anchor：卷积核的锚点（可选）。
delta：一个可选的附加值，它将被加到卷积结果上。这可以用于调整结果的亮度或对比度。
borderType：边界填充。
import cv2
import numpy as np
img = cv2.imread('../1iamge/shudu.png')
#进行水平梯度处理
kernel_x = np.array([[-1,-2,-1],[0,0,0],[1,2,1]])
img_filterx = cv2.filter2D(img,-1,kernel_x)
cv2.imshow("img_filterx",img_filterx)#进行垂直梯度处理
kernel_y = np.array([[-1,0,1],[-2,0,2],[-1,0,1]])
img_filtery = cv2.filter2D(img,-1,kernel_y)
cv2.imshow("img_filtey",img_filtery)
cv2.imshow('img',img)
cv2.waitKey(0)
2 Sobel算子
cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=None)
功能：用于计算图像梯度（gradient）的函数
参数：
src: 输入图像，它应该是灰度图像。
ddepth: 输出图像的所需深度（数据类型）。通常，你可以使用 -1 来表示与输入图像相同的深度，或者使用如 cv2.CV_64F 等来指定特定的深度。由于梯度计算可能产生负值，因此建议使用能够包含负数的数据类型。
dx: x 方向上的导数阶数。如果你想要计算 x 方向上的梯度，设置这个参数为 1；如果你不关心 x 方向上的梯度，设置这个参数为 0。
dy: y 方向上的导数阶数。如果你想要计算 y 方向上的梯度，设置这个参数为 1；如果你不关心 y 方向上的梯度，设置这个参数为 0。通常，你不会同时设置 dx 和 dy 都为 0。
ksize: Sobel 核的大小。它必须是 1、3、5、7 或 9 之一。这个参数决定了用于计算梯度的滤波器的大小。大小为 1 时表示使用最小的滤波器，但通常你会使用更大的滤波器来平滑梯度计算。
scale: 可选参数，表示计算梯度时的缩放因子。默认值为 1，表示不进行缩放。你可以通过调整这个参数来放大或缩小梯度的结果。
delta: 可选参数，表示在将结果存储到目标图像之前要添加到结果中的可选增量值。默认值为 0，表示不添加增量。
borderType: 像素外推方法，例如 cv2.BORDER_DEFAULT、cv2.BORDER_REFLECT 等。这个参数决定了在图像边界处如何处理像素外推。
import cv2
import numpy as np
img = cv2.imread('../1iamge/shudu.png')
#进行水平梯度处理
img_Sobelx = cv2.Sobel(img,-1,0,1,2)
cv2.imshow("img_Sobelx",img_Sobelx)
#进行垂直梯度处理
img_Sobely = cv2.Sobel(img,-1,1,0,3)
cv2.imshow("img_Sobely",img_Sobely)
cv2.imshow('img',img)
cv2.waitKey(0)3 Laplacian算子
cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=None)
功能：用于计算图像的拉普拉斯算子（Laplacian）
参数：
src: 输入图像，它应该是灰度图像。
ddepth: 输出图像的所需深度。这个参数决定了输出图像的深度（数据类型）。通常，你可以使用 -1 来表示与输入图像相同的深度，或者使用 cv2.CV_64F 等来指定特定的深度。由于拉普拉斯算子可能产生负值，因此通常建议使用能够包含负数的数据类型，如 cv2.CV_64F。
ksize: 算子的大小。它必须是 1、3、5 或 7 之一。这个参数决定了用于计算拉普拉斯算子的滤波器的大小。大小为 1 时表示使用 4 邻域拉普拉斯算子，其他大小则使用更大的滤波器。
scale: 可选参数，表示计算拉普拉斯算子时的缩放因子。默认值为 1，表示不进行缩放。你可以通过调整这个参数来放大或缩小拉普拉斯算子的结果。
delta: 可选参数，表示在将结果存储到目标图像之前要添加到结果中的可选增量值。默认值为 0，表示不添加增量。
borderType: 像素外推方法，例如 cv2.BORDER_DEFAULT、cv2.BORDER_REFLECT 等。这个参数决定了在图像边界处如何处理像素外推。当 ksize 大于 1 时，这个参数才有意义。
import cv2
img = cv2.imread('../1iamge/shudu.png')
img_laplacian = cv2.Laplacian(img,-1,ksize = 5)
cv2.imshow("img_laplacian",img_laplacian)
cv2.imshow('img',img)
cv2.waitKey(0)二、图像边缘化检测
步骤：
- 1、灰度化
- 2、二值化
- 3、滤波
- 4、边缘检测
cv2.Canny(image, threshold1, threshold2, edges, apertureSize, L2gradient)
功能：用于边缘检测的函数
参数：
image： 输入图像，它应该是一个灰度图像（单通道）。
threshold1： 第一个阈值，用于边缘检测的滞后过程。这个值较低，用于确定边缘的初始点。
threshold2： 第二个阈值，用于边缘检测的滞后过程。这个值较高，用于确定边缘的最终点。如果某个像素点的梯度值高于这个阈值，它被认为是边缘；如果低于这个值但高于threshold1，并且与高于threshold2的像素点相连，它也被认为是边缘。
edges： 输出图像，与输入图像大小相同，但通常是二值图像（即只包含边缘和非边缘的像素）。
apertureSize（可选，默认为3）： Sobel算子的大小，它决定了梯度计算的邻域大小。它必须是1、3、5或7之一。
L2gradient（可选，默认为False）： 一个布尔值，指示是否使用更精确的L2范数进行梯度计算。如果为True，则使用L2范数（即欧几里得距离）；如果为False，则使用L1范数（即曼哈顿距离）。L2范数通常更精确，但计算成本也更高。
import cv2
img = cv2.imread('../1iamge/picture.png')
#灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
#高斯滤波
img_blur = cv2.GaussianBlur(img_binary,(3,3),150)
#边缘检测
img_canny= cv2.Canny(img_blur,10,70)
cv2.imshow('img',img)
cv2.imshow("img_canny",img_canny)
cv2.waitKey(0)三、图像轮廓查找和绘制
步骤：
- 灰度
- 二值化
- 寻找轮廓
- 绘制轮廓
cv2.findContours(image, mode, method, contour, hierarchy, offset.)
功能：用于检测图像轮廓的函数
参数:
image (必需): 输入图像，通常是一个二值图像（即只包含黑白两种颜色的图像），其中白色部分代表要检测的对象，黑色部分代表背景。也可以是非二值图像，但通常需要先进行某种形式的预处理，如阈值分割或边缘检测。
mode (可选，某些版本中必需): 轮廓检索模式。它决定了函数如何检测轮廓。常见的模式有：
cv2.RETR_EXTERNAL：(external)只检索最外层轮廓。
cv2.RETR_LIST：检索所有轮廓，但不创建任何父子关系。
cv2.RETR_CCOMP：(ccomp)检索所有轮廓，并将它们组织为两层结构，其中顶层是连通域的外边界，底层是孔的内边界。
cv2.RETR_TREE：检索所有轮廓，并重建完整的层次结构。
method (可选，某些版本中必需): 轮廓近似方法。它决定了轮廓的近似程度。常见的方法有：
cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，不进行任何近似。
cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线段，只保留它们的终点。
cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS：应用 Teh-Chin 链式近似算法的一种变体。
contours (某些版本中作为返回值): 在某些 OpenCV 版本中，这个参数是用来存储检测到的轮廓的。它是一个 Python 列表，其中每个元素都是一个轮廓，轮廓是由点组成的 NumPy 数组。
hierarchy (某些版本中作为返回值): 轮廓的层次结构信息。这是一个 NumPy 数组，包含了关于轮廓之间关系的信息（例如，哪个轮廓是另一个轮廓的父轮廓或子轮廓）。
offset (可选，默认为 (0, 0)): 轮廓点的偏移量。这个参数允许你在原始图像坐标系的基础上对轮廓点进行平移。
cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
功能：用于在图像上绘制轮廓的函数
参数：
image (必需): 这是要在其上绘制轮廓的输入图像。它应该是一个三通道图像（例如，彩色图像）或单通道图像（例如，灰度图像），但通常是三通道图像，以便可以使用不同的颜色来绘制轮廓。
contours (必需): 这是一个 Python 列表，包含要绘制的所有轮廓。每个轮廓都是一个点集，通常是由 cv2.findContours() 函数返回的 NumPy 数组。
contourIdx (可选，默认为 -1): 指定要绘制的轮廓的索引。如果为 -1，则绘制所有轮廓。否则，只绘制指定索引处的轮廓。
color (可选，默认为 (0, 255, 0)): 轮廓的颜色。它是一个三元组，表示 BGR（蓝、绿、红）颜色空间中的颜色。例如，(0, 255, 0) 表示绿色。
thickness (可选，默认为 1): 轮廓的厚度。如果为正数，则轮廓将被绘制为指定厚度的线条。如果为负数（例如 -1），则轮廓内部将被填充。
lineType (可选，默认为 cv2.LINE_8): 线条的类型。它决定了轮廓线条的平滑度。cv2.LINE_8 表示 8-连通线，cv2.LINE_4 表示 4-连通线，cv2.LINE_AA 表示抗锯齿线。
hierarchy (可选，默认为 None): 轮廓的层次结构信息。这是一个 NumPy 数组，通常由 cv2.findContours() 函数返回。它包含了关于轮廓之间关系的信息，例如哪个轮廓是另一个轮廓的父轮廓或子轮廓。在绘制所有轮廓时，这个参数通常不需要。
maxLevel (可选，默认为 INT_MAX): 用于控制绘制轮廓的层次深度。当 contourIdx 参数为 -1 时，这个参数才有效。它决定了要绘制的轮廓的最大层次深度。
offset (可选，默认为 (0, 0)): 轮廓点的偏移量。这个参数允许你在原始图像坐标系的基础上对轮廓点进行平移。
import cv2
img = cv2.imread('../1iamge/outline.png')
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)
#灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
#寻找轮廓
contours,_ = cv2.findContours(img_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#绘制轮廓
img_copy = img.copy()
img_draw = cv2.drawContours(img_copy,contours,-1,(255,255,0),3)cv2.imshow("img",img)
cv2.imshow("img_canny",img_draw)
cv2.waitKey(0)三、透视变换
import cv2
import numpy as np# 1、输入数据
img = cv2.imread("../1iamge/4.png")
img_copy = img.copy()# 2、高斯滤波
img_blur = cv2.GaussianBlur(img, (3, 3), 1)# 3、灰度化
img_gray = cv2.cvtColor(img_blur, cv2.COLOR_BGR2GRAY)# 4、二值化 —— 阈值的选择 和 二值化类型的选择都对寻找轮廓有影响
_, img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 5、寻找轮廓
contours, _ = cv2.findContours(img_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]arc_len = cv2.arcLength(cnt, # 轮廓True # 是否闭合)
approx = cv2.approxPolyDP(cnt, # 轮廓float(0.04)*arc_len, # 这是从原始轮廓到近似多边形的最大距离，它决定了逼近的精度。True # 是否闭合) # 返回逼近的多边形的 坐标点集if len(approx) == 4:# 绘制轮廓img_draw = cv2.drawContours(img_copy, # 要绘制轮廓的图像[approx], # 轮廓的顶点坐标集 列表-1, # 轮廓列表的索引值，-1表示绘制所有轮廓(0, 0, 255), # 颜色3 # 轮廓线条粗细)# 获取透视矩阵# 找到原图中的四个点 —— 可以手动设置，也可以在后面学完轮廓之后筛选自动获取points1 = np.float32(approx).reshape(-1, 2)# 设置原图中的四个点 在 目标图中 的四个位置points2 = np.float32([[min(points1[:, 0]), min(points1[:, 1])], # 左上角[min(points1[:, 0]), max(points1[:, 1])], # 左下角[max(points1[:, 0]), max(points1[:, 1])], # 右下角[max(points1[:, 0]), min(points1[:, 1])] # 右上角])# 获取矩阵M = cv2.getPerspectiveTransform(points1, points2)# 进行透视变换img_Perspective = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))cv2.imshow('image', img)cv2.imshow('image_draw', img_draw)cv2.imshow('img_Perspective', img_Perspective)cv2.waitKey(0)
举例轮廓的外接边界框
import cv2
import numpy as npimg = cv2.imread("../1iamge/outline.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)
# 寻找轮廓
contours, _ = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
img_draw = img.copy()
cv2.drawContours(img_draw, contours, -1, (0, 0, 255), 2)# 给所有轮廓都绘制 外接
for i in contours:# 第一种：调用外接矩形函数，获取当前轮廓点的左上角的坐标(x, y) 宽w 高hx, y, w, h = cv2.boundingRect(i)# 画矩形cv2.rectangle(img_draw, [x, y], [x+w, y+h], (0, 255, 0), 2)# 第二种：调用最小面积外接矩形函数，获取包含三个元素的元组（中心点坐标、长宽、旋转角度）# ((center_x, center_y), (width, height), angle)ret = cv2.minAreaRect(i)# 调用cv2.boxPoints(ret)可以获取旋转矩阵的四个顶点box = np.int32(cv2.boxPoints(ret))# 绘制轮廓cv2.drawContours(img_draw, [box], -1, (255, 255, 0), 3)# 第三种：调用最小外接圆函数，获取圆心坐标 和 半径(x, y), radius = cv2.minEnclosingCircle(i)(x, y, radius) = np.int32((x, y, radius))# 画圆cv2.circle(img_draw, (x, y), radius, (255, 0, 255), 3)cv2.imshow('image', img)
cv2.imshow('image_draw', img_draw)
cv2.waitKey(0)