opencv如何用坐标的方式获得水平方向的投影呢

前言

计算机视觉基础首先是处理图像、视频这些非结构化的数据，

而图像处理库比较常用和强大的有 PIL、opencv 模块，

本项目主要讲述 OpenCV 的具体用法

内容目录

主要介绍了opencv模块在图像处理方面的一些常用操作。

* 图像文件操作

* 图像基本操作

* 绘图功能

* 轨迹栏做调色板

* 图像阈值

* 图像平滑

* 边缘检测

* 轮廓检测

* 颜色空间转换及目标追踪

* 图像增强

PS：需要本文项目的完整代码以及数据集的朋友，关注<数据算法时代>，在评论区私信小编即可分享给你，希望对读者朋友有所帮助！

pip install -i opencv-python

Requirement already satisfied: opencv-python in /opt/conda/lib

Requirement already satisfied: numpy>=1.11.3 in /opt/conda/lib (from opencv-python)

导入模块

import cv2 import numpy as np import pandas as pd import warnings import seaborn as sns import ma as plt warnings.filterwarnings('ignore') %matplotlib inline

Matplotlib is building the font cache using fc-list. This may take a moment.

# 定义图像路径

path = '../work/CV; path2 = '../work/CV;

图像文件操作

### 1.读取图像

im = cv2.imread(path) # print(im)

im = cv2.imread(path) # print(im)

### 2.显示图像

cv2.imwrite(';, im)

### 3.保存图像

cv2.imwrite(';, im)

True

图像基本操作

### 1.图像属性查看

im.shape 返回(行数、列数、通道数)

im.size 返回像素总值 = 行数 x 列数 x 通道数

im.dtype 返回类型

print(">>>图像维度：", im.shape) print(">>>图像像素总数：", im.size) print(">>>图像数据类型：", im.dtype)

>>>图像维度： (200, 200, 3)

>>>图像像素总数： 120000

>>>图像数据类型： uint8

### 2.截取ROI(感兴趣)区域

# 一般都是rgb，opencv默认是bgr # 分割 b, g, r = cv2.split(im) b, g, r

3.通道分割合并及像素直方图分析

#### 3.1.分割与合并

# 一般都是rgb，opencv默认是bgr # 分割 b, g, r = cv2.split(im) b, g, r

(array([[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

...,

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255]], dtype=uint8),

array([[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

...,

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255]], dtype=uint8),

array([[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

...,

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255],

[255, 255, 255, ..., 255, 255, 255]], dtype=uint8))

# 合并 im = cv2.merge((b, g, r)) im

array([[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]],

[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]],

[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]],

...,

[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]],

[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]],

[[255, 255, 255],

[255, 255, 255],

[255, 255, 255],

...,

[255, 255, 255],

[255, 255, 255],

[255, 255, 255]]], dtype=uint8)

#### 3.2.像素直方图分析

像素直方图分析可以观察像素分布情况，对观察与去除噪声有很大帮助。

bb = b.flatten() # 二维展平为一维 gg = g.reshape(1, -1) # 二维展平为一维 rr = g.reshape(1, -1) # 二维展平为一维 imim = im.flatten()

# 单一通道直方图统计 (figsize=(12, 5)) (1,3,1) ("b passageway") (bb) (1,3,2) ("g passageway") (gg) (1,3,3) ("r passageway") (rr)

# 三个通道直方图统计

("bgr passageway")

(imim)

绘图功能

### 1.画线

cv2.line()画线

@params1: im 图像

@params2: 线的起始坐标 (0,10)

@params3: 线的终点坐标 (30,40)

@params4: 线的颜色(R,G,B)

@params5: 线的厚度

imline = cv2.line(im, (0,10), (30,40), (255,0,0), 2) (imline)

### 2.画矩形

""" cv2.rectangle()画矩形 @params1: im 图像 @params2: 左上角坐标 (30,16) @params3: 右下角坐标 (160,190) @params4: 线的颜色(R,G,B) @params5: 线的厚度 """ imline = cv2.rectangle(im, (30,16), (160,190), (255,0,0), 2) (imline)

### 3.画圆圈

""" cv2.circle()画圆圈 @params1: im 图像 @params2: 圆的中心坐标 (100,100) @params3: 圆的半径 80 @params4: 线的颜色(R,G,B) @params5: 线的厚度 -1(实心) """ imcircle = cv2.circle(im, (100,100), 80, (0,0,200), 3) (imline)

### 4.在图像中添加文本

""" cv2.putText()在图片上写文本内容 @params1: im 图像 @params2: 文本内容 @params3: 文本内容的起始坐标 @params4: 字体 @params5: 字体大小 @params6: 字体颜色 @params7: 字体厚度 @params8: 字体的线型 """ font = cv2.FONT_HERSHEY_SIMPLEX imputText = cv2.putText(im, 'Hello', (0,170), font, 1, (0,200,255), 2, cv2.LINE_AA) (imputText)

轨迹栏作为调色板

""" 您有一个显示颜色的窗口，以及三个用于指定B、G、R颜色的跟踪栏。 滑动轨迹栏，并相应地更改窗口颜色。默认情况下，初始颜色将设置为黑色。 cv2.createTrackbar()创建轨迹栏 @params1: 轨迹栏名称； @params2: 窗口名称； @params3: 调色板起始值或默认值0； @params4: 调色板最大值； @params5: 执行回调函数每次跟踪栏值的更改。 cv2.getTrackbarPos()移动调节轨迹栏 @params1: 轨迹栏名称； @params2: 窗口名称； """ # import numpy as np # import cv2 as cv # def nothing(x): # pass # # 创建一个黑色的图像，一个窗口 # img = np.zeros((300,512,3), np.uint8) # cv.namedWindow('image') # # 创建颜色变化的轨迹栏 # cv.createTrackbar('R','image',0,255,nothing) # cv.createTrackbar('G','image',0,255,nothing) # cv.createTrackbar('B','image',0,255,nothing) # # 为 ON/OFF 功能创建开关 # switch = '0 : OFF \n1 : ON' # cv.createTrackbar(switch, 'image',0,1,nothing) # while(1): # cv.imshow('image',img) # k = cv.waitKey(1) & 0xFF # if k == 27: # break # # 得到四条轨迹的当前位置 # r = cv.getTrackbarPos('R','image') # g = cv.getTrackbarPos('G','image') # b = cv.getTrackbarPos('B','image') # s = cv.getTrackbarPos(switch,'image') # if s == 0: # img[:] = 0 # else: # img[:] = [b,g,r] # cv.destroyAllWindows()

'\n您有一个显示颜色的窗口，以及三个用于指定B、G、R颜色的跟踪栏。\n滑动轨迹栏，并相应地更改窗口颜色。默认情况下，初始颜色将设置为黑色。\n\ncv2.createTrackbar()创建轨迹栏\n@params1: 轨迹栏名称；\n@params2: 窗口名称；\n@params3: 调色板起始值或默认值0；\n@params4: 调色板最大值；\n@params5: 执行回调函数每次跟踪栏值的更改。\n\ncv2.getTrackbarPos()移动调节轨迹栏\n@params1: 轨迹栏名称；\n@params2: 窗口名称；\n\n'

图像阈值

学习两个函数：cv.threshold()、cv.adaptiveThreshold()

""" cv2.threshold()图像阈值 @params1：原图像； @params2：阈值，用于二值化分类； @params3：分配大于阈值的像素点的最大值； @params4：阈值类型。 """ img = cv2.imread(path) ret, threshold1 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY) ret, threshold2 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY_INV) ret, threshold3 = cv2.threshold(img, 100, 205, cv2.THRESH_TRUNC) ret, threshold4 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO) ret, threshold5 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO_INV) titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] imgs = [img, threshold1, threshold2, threshold3, threshold4, threshold5] for i in range(6): (2,3,i+1) (imgs[i], cmap='gray') (titles[i]) ([]),([])

图像平滑

### 1.2D卷积过滤

""" cv2.filter2D(im, -1, (1, 1)) @params1：原始图像 @params2：-1 @params3：卷积内核大小 """ conv2d_1 = cv2.filter2D(im, -1, (1, 1)) kernel = np.ones((5, 5)) / 25 conv2d_2 = cv2.filter2D(im, -1, kernel) () (figsize=(12, 5)) (1,3,1) ("origin") (im) (1,3,2) ("conv2d_1") (conv2d_1) (1,3,3) ("conv2d_2") (conv2d_2)

### 2.图像模糊

""" cv2.blur(im, (3,3)) 将图像与归一化滤镜进行卷积完成滤波 cv2.GaussianBlur(im, (5, 5), 0) 高斯滤波，0 是指根据窗口大小来计算高斯函数标准差 median = cv2.medianBlur(im, 5) 中位滤波 bf = cv2.bilateralFilter(im, 9, 75, 75) 双边滤波 """ blur = cv2.blur(im, (3,3)) # 平均 gaussian = cv2.GaussianBlur(im, (5, 5), 0) median = cv2.medianBlur(im, 5) bf = cv2.bilateralFilter(im, 9, 75, 75) () (figsize=(12, 5)) (1,4,1) ("blur") (blur) (1,4,2) ("GaussianBlur") (gaussian) (1,4,3) ("medianBlur") (median) (1,4,4) ("bilateralFilter") (bf)

## 边缘检测

""" cv2.Canny(im, 100, 200, 3) @params1：原始图像； @params2：最小像素值； @params3：最大像素值； @params4：查找图像渐变内核大小。 """ edges = cv2.Canny(im, 100, 200, 3) (edges)

轮廓检测

### 1.寻找及绘制轮廓

"""cv2.findContours() @params1: 寻找轮廓的图像； @params2: 表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）： cv2.RETR_EXTERNAL表示只检测外轮廓 cv2.RETR_LIST检测的轮廓不建立等级关系 cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。 cv2.RETR_TREE建立一个等级树结构的轮廓。 @params3: 轮廓的近似办法 cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1 cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息 cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法 @return: 一个是轮廓本身，还有一个是每条轮廓对应的属性 cv2.drawContours(img,contours,-1,(0,255,0),3) @params1: 源图像； @params2: 该作为Python列表传递的轮廓； @params3: 轮廓的索引（在绘制单个轮廓时有用。要绘制所有轮廓，请传递-1）； @params4: 其余参数是颜色； @params5: 厚度。 寻找轮廓的步骤： 1. 原始图像； 2. 图像灰度化； 3. 图像二值化阈值处理； 4. 寻找轮廓； 5. 绘制轮廓。 """ im = cv2.imread(path) () (figsize=(12, 5)) # 1.原始图像处理 # 为了 plt 显示正常原始图像，将 opencv 默认的 bgr 转换成 plt 支持的 rgb im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB) (141) ("origin") (im_rgb, cmap='gray') # 2.图像灰度化处理 im_gray = cv2.cvtColor(im_rgb, cv2.COLOR_BGR2GRAY) (142) ("gray") (im_gray, cmap='gray') # 3.二值化阈值处理 ret, im_thresh = cv2.threshold(im_gray, 150, 200, cv2.THRESH_BINARY) (143) ("threshold") (im_thresh, cmap='gray') # 4.寻找轮廓 contours, hierarchy = cv2.findContours(im_thresh, # 寻找轮廓的图像 cv2.RETR_TREE, # 检索模式 cv2.CHAIN_APPROX_SIMPLE) # 轮廓的近似办法 print(">>>大大小小的轮廓数量：", len(contours)) # 5.绘制轮廓 cv2.drawContours(im_rgb, # 源图像 contours, # 该作为Python列表传递的轮廓 -1, # 轮廓的索引，-1代表绘制所有 (255,0,0), # 颜色 5) # 厚度 (144) ("findContours") (im_rgb)

>>>大大小小的轮廓数量： 34

### 2.轮廓处理

cnt = contours[9] # 特征矩 m = cv2.moments(cnt) print(">>>特征矩", m) # 边界矩形框 # (x,y)矩形左上角点坐标，w、h矩形宽度和高度 x, y, w, h = cv2.boundingRect(cnt) print(">>>边界矩形框", x, y, w, h) # 轮廓面积 # 可以在不同应用场景，去除轮廓面积太小的轮廓 for i, cnt in enumerate(contours): area = cv2.contourArea(cnt) print(">>>轮廓 %d 的面积：%.2f" % (i+1, area))

>>>特征矩 {'m00': 2.0, 'm10': 306.0, 'm01': 250.0, 'm20': 46818.33333333333, 'm11': 38250.0, 'm02': 31250.333333333332, 'm30': 7163307.0, 'm21': 5852291.666666667, 'm12': 4781301.0, 'm03': 3906375.0, 'mu20': 0.3333333333284827, 'mu11': 0.0, 'mu02': 0.3333333333321207, 'mu30': 1.862645149230957e-09, 'mu21': 9.167706593871117e-10, 'mu12': 1.8553691916167736e-10, 'mu03': 4.656612873077393e-10, 'nu20': 0.08333333333212067, 'nu11': 0.0, 'nu02': 0.08333333333303017, 'nu30': 3.2927225399135965e-10, 'nu21': 1.6206368751137233e-10, 'nu12': 3.279860342492059e-11, 'nu03': 8.2391e-11}

>>>边界矩形框 152 124 3 3

>>>轮廓 1 的面积：39601.00

>>>轮廓 2 的面积：8.00

>>>轮廓 3 的面积：4.00

>>>轮廓 4 的面积：2.00

>>>轮廓 5 的面积：2.00

>>>轮廓 6 的面积：2.00

>>>轮廓 7 的面积：7.00

>>>轮廓 8 的面积：4.00

>>>轮廓 9 的面积：4.00

>>>轮廓 10 的面积：2.00

>>>轮廓 11 的面积：4.00

>>>轮廓 12 的面积：8.00

>>>轮廓 13 的面积：4.00

>>>轮廓 14 的面积：28.50

>>>轮廓 15 的面积：4.00

>>>轮廓 16 的面积：2.00

>>>轮廓 17 的面积：4.00

>>>轮廓 18 的面积：41.50

>>>轮廓 19 的面积：29.00

>>>轮廓 20 的面积：7.00

>>>轮廓 21 的面积：2.00

>>>轮廓 22 的面积：2.00

>>>轮廓 23 的面积：4.00

>>>轮廓 24 的面积：15.00

>>>轮廓 25 的面积：45.00

>>>轮廓 26 的面积：2.00

>>>轮廓 27 的面积：10.00

>>>轮廓 28 的面积：11234.00

>>>轮廓 29 的面积：0.00

>>>轮廓 30 的面积：0.00

>>>轮廓 31 的面积：0.00

>>>轮廓 32 的面积：0.00

>>>轮廓 33 的面积：1.50

>>>轮廓 34 的面积：259.50

颜色空间转换

### 1.颜色转换基础

cv2.cvtColor(im, cv2.COLOR_BGR2RGB)

* @params1: 原图像

* @params2: 图像转换参数

im = cv2.imread(path) () (figsize=(12, 5)) # 1.原始图像处理 # 为了 plt 显示正常原始图像，将 opencv 默认的 bgr 转换成 plt 支持的 rgb im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB) (151) ("origin") (im_rgb, cmap='gray') # 2.bgr 转换到 hsv 颜色空间 im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV) (152) ("im_hsv") (im_hsv, cmap='gray') # hsv 通道分割 h, s, v = cv2.split(im_hsv) (153) ("h passageway") (h, cmap='gray') (154) ("s passageway") (s, cmap='gray') (155) ("s passageway") (s, cmap='gray')

应用：对象追踪及检测

橙色瓶盖追踪及检测，详见后期单独例子。

## 图像增强

**图像增强主要作用：**

* 提高图像质量，比如光照亮度、各种滤镜；

* 扩展图像数据量，通过不同角度旋转、截取等来生成新的图像数据；

* .....

## 参考资料

[1] OpenCV中文官方文档

[2] HSV颜色空间介绍，

PS：需要本文项目的完整代码以及数据集的朋友，关注<数据算法时代>，在评论区私信小编即可分享给你，希望对读者朋友有所帮助！