有些公司做网站比较好的,wordpress过滤器插件6,网站开发需求文档prd模板,做网站用花生壳哪个版本文章目录 Opencv高级图像处理图像坐标二值化滤波高斯滤波中值滤波 开闭运算检测霍夫圆检测边缘检测Canny边缘检测findContours区别傅里叶变换-高/低通滤波 直线检测 相机标定视频处理视频格式 模板摄像头处理#xff08;带参调节#xff09;单图片处理#xff08;带参调节带参调节单图片处理带参调节 Opencv高级图像处理
图像坐标 rowheightPoint.y colwidthPoint.x 二值化
import cv2
import numpy as np # 打开图像
image_path your_image_path.jpg # 图片路径
image cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 以灰度模式读取图像 # 检查图像是否正确读取
if image is None: print(fCould not open or find the image: {image_path}) exit(0) # 选择二值化方法这里使用简单的阈值法
# 你可以调整阈值(127, 255)来得到不同的效果
# 第一个参数是源图像第二个参数是用于分类像素的阈值
# 第三个参数是赋予超过阈值的像素的新值第四个参数是二值化的类型
ret, binary_image cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 保存处理后的图像
output_path binary_image.jpg # 保存路径
cv2.imwrite(output_path, binary_image)滤波
高斯滤波
blurred cv2.GaussianBlur(image, (11, 11), 0)中值滤波
result cv2.medianBlur(image, 3)开闭运算
op_open cv2.morphologyEx(blurred_raw, cv2.MORPH_OPEN, k) # 开运算
op_close cv2.morphologyEx(blurred_raw, cv2.MORPH_CLOSE, k) # 闭运算检测
霍夫圆检测
函数 cv2.HoughCircles()
参数含义image原始图像method目前只支持cv2.HOUGH_GRADIENTdp图像解析的反向比例。1为原始大小2为原始大小的一半minDist圆心之间的最小距离。过小会增加圆的误判过大会丢失存在的圆param1(maxval)Canny检测器的高阈值,用于检测边缘点的阈值大于此值才被检测出来。param2(minval)检测阶段圆心的累加器阈值(thresh)。越小的话会增加不存在的圆越大的话则检测到的圆就更加接近完美的圆形,检测到圆所需要的最小边缘点数边缘点数小于此值则舍弃。minRadius检测的最小圆的半径maxRadius检测的最大圆的半径
# 霍夫圆检测
circles cv2.HoughCircles(imageraw, cv2.HOUGH_GRADIENT, dp1, minDist20, param1150, param2100,minRadius0, maxRadius0)# 绘制检测圆
if circles is not None:print(f检测到圆的个数{len(circles)})# print(f{circles})circles np.round(circles[0, :]).astype(int)for (x, y, r) in circles:cv2.circle(image, (x, y), r, (0, 255, 0), 1)
else:print(未检测到圆)边缘检测
Canny边缘检测
目的Canny边缘检测算法的目的是识别图像中的一维边缘。该算法通过多步骤过程检测图像中的边缘包括平滑图像以减少噪声、计算图像梯度以找到潜在的边缘点、应用非极大值抑制NMS以获得细边缘以及使用双阈值算法和边缘连接通过滞后阈值处理确定最终边缘。输出Canny算法输出的是一个二值图像其中边缘上的像素为白色或1其余像素为黑色或0。 edges cv2.Canny(blurred_raw, threshold110, threshold270)
# edges 是检测之后的图像原理参考链接知乎文章
findContours
目的findContours函数的目的是从二值图像中提取轮廓线。轮廓可以被视为连续的点沿着边界组成的曲线适用于形状分析和对象检测和识别。工作方式findContours通过追踪二值图像中的白色或前景部分的边缘来查找轮廓。这通常是在应用了阈值处理或边缘检测之后进行。输出该函数返回两个主要的输出轮廓本身一个点的列表这些点连续地定义了边界和每个轮廓的层级信息表示轮廓之间的父子关系。
# 边缘检测
ret, thresh cv2.threshold(srcblurred_image, thresh60, maxval255, type0)
contours, hierarchy cv2.findContours(imagethresh, modecv2.RETR_TREE, methodcv2.CHAIN_APPROX_SIMPLE)# image单通道图像矩阵可以是灰度图但更常用的是二值图像一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像# 绘制边缘
image cv2.drawContours(imageimage, contourscontours, contourIdx-1, color(0, 255, 0), thickness3)区别
应用场景Canny边缘检测主要用于边缘识别适合于图像中边缘的检测和跟踪。而findContours用于提取轮廓信息适用于更高级的形状分析和对象识别。输出类型Canny边缘检测输出一个二值图像其中包含检测到的边缘。findContours则返回轮廓点的集合这些点可以用来描述对象的形状。后续处理Canny检测出的边缘通常用作其他图像处理操作的预处理步骤比如轮廓提取。findContours通常是形状分析或对象识别流程中的一步它依赖于边缘检测的结果。
简而言之Canny边缘检测专注于识别图像中的边缘而findContours则用于基于这些边缘或其他图像特征提取和分析轮廓。在许多实际应用中这两个步骤经常连续使用首先应用Canny边缘检测来找到边缘然后使用findContours来提取这些边缘形成的轮廓。
傅里叶变换-高/低通滤波
使用傅里叶变换进行高/低通滤波。
import cv2
import numpy as np
from matplotlib import pyplot as plt def fourier_filter(image_path, output_path_lowpass, output_path_highpass, d0): # 读取图像 img cv2.imread(image_path, 0) # 进行傅里叶变换 dft cv2.dft(np.float32(img), flagscv2.DFT_COMPLEX_OUTPUT) dft_shift np.fft.fftshift(dft) # 创建低通和高通滤波器掩模 rows, cols img.shape crow, ccol rows // 2, cols // 2 mask_lowpass np.zeros((rows, cols, 2), np.uint8) mask_highpass np.ones((rows, cols, 2), np.uint8) r d0 // 2 center [crow, ccol] x, y np.ogrid[:rows, :cols] mask_area_lowpass (x - center[0]) ** 2 (y - center[1]) ** 2 r*r mask_lowpass[mask_area_lowpass] 1 mask_highpass[mask_area_lowpass] 0 # 应用滤波器并进行逆DFT fshift_lowpass dft_shift * mask_lowpass fshift_highpass dft_shift * mask_highpass f_ishift_lowpass np.fft.ifftshift(fshift_lowpass) f_ishift_highpass np.fft.ifftshift(fshift_highpass) img_back_lowpass cv2.idft(f_ishift_lowpass) img_back_highpass cv2.idft(f_ishift_highpass) img_back_lowpass cv2.magnitude(img_back_lowpass[:, :, 0], img_back_lowpass[:, :, 1]) img_back_highpass cv2.magnitude(img_back_highpass[:, :, 0], img_back_highpass[:, :, 1]) # 归一化到0-255并保存结果 img_back_lowpass cv2.normalize(img_back_lowpass, None, alpha0, beta255, norm_typecv2.NORM_MINMAX, dtypecv2.CV_8UC1) img_back_highpass cv2.normalize(img_back_highpass, None, alpha0, beta255, norm_typecv2.NORM_MINMAX, dtypecv2.CV_8UC1) # 保存图像 cv2.imwrite(output_path_lowpass, img_back_lowpass) cv2.imwrite(output_path_highpass, img_back_highpass) # 显示图像可选 plt.subplot(131), plt.imshow(img, cmapgray), plt.title(Input Image) plt.subplot(132), plt.imshow(img_back_lowpass, cmapgray), plt.title(Lowpass Filter) plt.subplot(133), plt.imshow(img_back_highpass, cmapgray), plt.title(Highpass Filter) plt.show() # 使用示例
image_path path_to_your_image.jpg # 请替换为你的图像文件路径
output_path_lowpass output_lowpass.jpg # 低通滤波后的输出文件路径
output_path_highpass output_highpass.jpg # 高通滤波后的输出文件路径
d0 60 # 滤波器的直径可根据需要调整
fourier_filter(image_path, output_path_lowpass, output_path_highpass, d0)
直线检测
# 将彩色图片灰度化
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray cv2.GaussianBlur(gray,(11, 11), 0)
# 进行Hough_line直线检测
lines cv2.HoughLines(edges, 1, np.pi / 180, 240)
print(len(lines))
print(lines)直线的绘制
# 遍历每一个r和theta
for i in range(len(lines)):r, theta lines[i, 0, 0], lines[i, 0, 1]a np.cos(theta) # cos(theta)b np.sin(theta) # sin(theta)x0 a * r # rcos(theta)y0 b * r # rsin(theta)x1 int(x0 1000 * (-b)) # rcos(theta)-1000sin(theta)y1 int(y0 1000 * (a)) # rsin(theta)1000cos(theta)x2 int(x0 - 1000 * (-b)) # rcos(theta)1000sin(theta)y2 int(y0 - 1000 * (a)) # rsin(theta)-1000cos(theta)cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 1) # 绘制直线结果相机标定
**相机标定的主要作用和目的是为了提高机器视觉系统在三维测量和识别中的应用精度。**具体来说相机标定可以解决以下问题
被测平面不确定性在实际应用中被测平面的位置可能无法精确控制而且镜头也不是理想的小孔模型因此无法直接使用简单的公式计算实际距离。镜头畸变镜头可能存在畸变这会影响图像的正确性使得无法直接使用小孔成像模型来计算距离。非理想坐标平面转换在三维空间中需要将任意坐标平面转换到理想坐标平面上并对有畸变的图像进行校正以便进行后续的尺寸和位置测量。
通过相机标定可以确定相机的内参和外参包括镜头的焦距、畸变参数、光轴中心坐标和像元尺寸等。这些参数是唯一确定的当摄像机和镜头确定时。通过这些参数的转换和校正可以实现对三维空间中任意平面上尺寸与位置的测量从而提高机器视觉系统的测量和定位精度。
# 相机标定
retval, cameraMatrix, distCoeffs, rvecs, tvecs cv2.calibrateCamera(objectPoints, imagePoints, imageSize)参数 retval:标定误差 cameraMatrix: 内在相机矩阵 distCoeffs: 镜头畸变系数。 rvecs: 为 3×1 旋转向量。向量的方向指定旋转轴向量的大小指定旋转角度。 tvecs: 3×1 平移向量。 校准因素
import cv2
import numpy as np
import globdef main():# 参数设置criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)w, h 11, 8 # 棋盘格内角点数量亲自数objp np.zeros((w * h, 3), np.float32)objp[:, :2] np.mgrid[0:w, 0:h].T.reshape(-1, 2)# 存储角点信息objpoints [] # 三维世界坐标imgpoints [] # 二维图像坐标# 加载并处理图像images glob.glob(data/d2/*.jpg)for fname in images:img cv2.imread(fname)# img cv2.resize(img, (768, 1024)) # 统一图像大小gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# gray cv2.GaussianBlur(gray, (11, 11), 0) # 滤波处理# 寻找棋盘格角点ret, corners cv2.findChessboardCorners(gray, (w, h), None)if ret:corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) # 亚像素级角点检测m [c[0] for c in corners]passobjpoints.append(objp)imgpoints.append(corners)# 可视化和保存结果cv2.drawChessboardCorners(img, (w, h), corners, True)cv2.imshow(Corners Found, img)cv2.waitKey(100)# 根据需要保存图像这里以序号命名cv2.imwrite(fresult/mm_{len(imgpoints)}.jpg, img)else:print(fCalibration failed for image: {fname})cv2.destroyAllWindows()# 相机标定ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera(objpoints, imgpoints, (768, 1024), None, None)# 输出标定结果print(Calibration Error:, ret)print(Intrinsic Matrix:\n, mtx)print(Distortion Coefficients:\n, dist.ravel())# 如果需要可以保存或进一步处理旋转向量和平移向量# print(Rotation Vectors:\n, rvecs)# print(Translation Vectors:\n, tvecs)if __name__ __main__:main()
视频处理
视频格式
code {mp4:mp4v,avi:I420,flv:FLV1}cv2.VideoWriter_fourcc(I,4,2,0)
# 这个选项是一个未压缩的YUV编码4:2:0色度子采样。这种编码广泛兼容但会产生大文件。文件扩展名应为.avi。cv2.VideoWriter_fourcc(P,I,M,1)
# 此选项为MPEG-1。文件扩展名应为.avi。cv2.VideoWriter_fourcc(X,V,I,D)
# 此选项是一个相对较旧的MPEG-4编码。如果要限制结果视频的大小这是一个很好的选择。文件扩展名应为.avi。cv2.VideoWriter_fourcc(M,J,P,G)
# 此选项为motion-jpeg视频。文件扩展名应为.avi。cv2.VideoWriter_fourcc(X,2,6,4):
# 这个选项是一种比较新的MPEG-4编码方式。如果你想限制结果视频的大小这可能是最好的选择。文件扩展名应为.mp4。cv2.VideoWriter_fourcc(H,2,6,4):
# 这个选项是传统的H264编码方式。如果你想限制结果视频的大小这可能是很好的选择。文件扩展名应为.mp4。cv2.VideoWriter_fourcc(m, p, 4, v)
# 此选项是另一个相对较旧的MPEG-4编码。如果要限制结果视频的大小这是一个很好的选择。文件扩展名应为.m4v。cv2.VideoWriter_fourcc(T,H,E,O)
# 这个选项是Ogg Vorbis。文件扩展名应为.ogv。cv2.VideoWriter_fourcc(F,L,V,1)
# 此选项为Flash视频。文件扩展名应为.flv。
模板
摄像头处理带参调节
import cv2
import tracebackdef callback(value):print(value)def detect(img, k_size, min_val, max_val):return imgif __name__ __main__:h BaslerCam(szSettingFilexxx.pfs, szNameTest_use_01)cv2.namedWindow(img)cv2.resizeWindow(img, (1024, 768))cv2.createTrackbar(k_size, img, 10, 90, callback)cv2.createTrackbar(c_minval, img, 10, 90, callback)cv2.createTrackbar(c_maxval, img, 10, 90, callback)base_size 10base_minval 10base_maxval 10while True:b, hFrames h.ReadFrames(1)try:if len(hFrames) 0:continuep hFrames[0]try:k_size cv2.getTrackbarPos(k_size, img)k_size k_size if k_size % 2 1 else k_size 1c_minval cv2.getTrackbarPos(c_minval, img)c_maxval cv2.getTrackbarPos(c_maxval, img)result detect(p.copy(), (base_size k_size, base_size k_size), base_minval c_minval,base_maxval c_maxval) # 保存结果if result is not None:cv2.imshow(img, cv2.resize(result, (1024, 768)))cv2.waitKey(1)except Exception as e:traceback.print_exc()except Exception as e:print(e)traceback.print_exc()单图片处理带参调节
import cv2
import tracebackdef callback(value):print(value)def detect(img, k_size, min_val, max_val):return imgif __name__ __main__:img_path ../data/result/img/1712817408432.jpg# 读取输入图片data/resource/img/led/1711702476703.jpgimg cv2.imread(img_path)img cv2.resize(img, (1024, 768))cv2.namedWindow(img)cv2.resizeWindow(img, (1024, 768))cv2.createTrackbar(k_size, img, 10, 90, callback)cv2.createTrackbar(c_minval, img, 10, 90, callback)cv2.createTrackbar(c_maxval, img, 10, 90, callback)base_size 10base_minval 10base_maxval 10while True:try:k_size cv2.getTrackbarPos(k_size, img)k_size k_size if k_size % 2 1 else k_size 1c_minval cv2.getTrackbarPos(c_minval, img)c_maxval cv2.getTrackbarPos(c_maxval, img)result detect(img.copy(), (base_size k_size, base_size k_size), base_minval c_minval,base_maxval c_maxval)# 保存结果# file_name img_path.split(/)[-1]# print(file_name)# cv2.imwrite(f../data/result/img/r_{file_name}, result)if result is not None:cv2.imshow(img, result)cv2.waitKey(1)except Exception as e:print(e)traceback.print_exc()
