[人工智能]Opencv学习笔记二

最近本人在学习OpenCV，简要地记一下笔记，课后温习的同时便于日后查阅。

所用教程是唐宇迪老师的OpenCV教程，个人觉得讲解清晰易懂，附上链接：https://www.bilibili.com/video/BV1tb4y1C7j7?p=5

一、截取图像

当我们使用imread读取一张图片后，返回值是一个多维数组。

如果采用的是3通道BGR读取，那么这个数组会是一个三维的，第一个维度表示纵向的像素点，第二个维度表示横向的像素点，第三个维度表示BGR中的通道。

所以截取的时候直接使用数组切片即可。

1.所需模块与自定义函数

import cv2
import numpy as np
import matplotlib.pyplot as plt

def cv_show(name, mat):
    cv2.imshow(name, mat)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2.截取

miku = cv2.imread('C://Users//rwhite//Pictures//_20210810092934.jpg', cv2.IMREAD_COLOR)
cv_show('miku', miku)
#截取图片的一部分
cv_show('miku', miku[0:200, 0:200])
#截取图片的某个通道
cv_show('miku', miku[:,:,2])

?原图与处理得到的图片如下：

???????????

?3.直接切分通道——split

b, g, r = cv2.split(miku)
cv_show('b', b)
cv_show('g', g)
cv_show('r', r)

?处理得到的图片如下：

?

4.合并通道——merge

注意：merge传入的参数是一个元组！

m = cv2.merge((b, g, r))
cv_show('miku', m)

?运行即可再次得到原图

?二、简单处理图像

1.边界填充——copyMakeBoarder

###        函数原型
void copyMakeBorder( const Mat& src, Mat& dst,
int top, int bottom, int left, int right,
int borderType, const Scalar& value=Scalar() );

###        在python中使用
cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

• src,dst：原图与目标图像
• top,bottom,left,right：分别表示在原图四周扩充边缘的大小
• borderType：扩充边缘的类型，OpenCV中给出以下几种方式
• value：若指定为常量填充，则需要设置常量填充的值

?2.数值相加

• 直接与常数相加或者数组的值直接相加

###    数组的值直接相加
mikuu = miku + 10
mikuuu1 = miku + mikuu

cv_show('mikuu', mikuu)
cv_show('mikuuu1', mikuuu1)

?

• ?使用函数cv2.add

mikuuu2 = cv2.add(mikuu, mikuuu1)

cv_show('mikuuu2', mikuuu1)

?两者的区别：因为像素点的取值在0-255之间，如果用数组的值直接相加，每个像素点的结果都会自动对256取余。而如果使用函数add相加，则值超过255的像素点将会保留255

?3.图像融合

?图像融合前，需保证两张图片的大小一致，这就涉及一个缩放的操作

• 缩放图片

###    在python中使用
cv2.resize(InputArray src, OutputArray dst, Size, fx, fy, interpolation)

?注意：Size是必须传入的参数，传入类型是一个元组！

?插入方式具体参数如下：

• 融合

###        函数原型
void cv::addWeighted ( InputArray  src1,
		double  	alpha,
		InputArray  src2,
		double  	beta,
		double  	gamma,
		OutputArray  dst,
		int  dtype = -1 
	)
###        在python中使用
dst = cv2.addWeighted(src1, alpha, src2, beta, gamma, dst, dtype) 

?该函数可用一个公式表示：

dst = src1 * alpha + src2 * beta + gamma

?注意：alpha和beta表示两幅图像各自的权重，权重越高像素点的值越大，也就越明亮

miku = cv2.imread('C://Users//rwhite//Pictures//_20210810092934.jpg', cv2.IMREAD_COLOR)
rin = cv2.imread('C://Users//rwhite//Pictures//_20210810092925.jpg', cv2.IMREAD_COLOR)

cv_show('miku', miku)
cv_show('rin', rin)

res = cv2.addWeighted(miku, 0.6, rin, 0.4, 2)
cv_show('res', res)

?3.图像阈值——threshold

###        函数原型
double cv::threshold( InputArray  src,
		OutputArray  dst,
		double  thresh,
		double  maxval,
		int  	type 
)
###        在python中使用
	retval, dst	= cv2.threshold( src, thresh, maxval, type, dst )

type的具体设置如下：

注意：返回值有两个，第一个表示执行成功与否，第二个才是处理后的图像！

img = cv2.imread('C://Users//rwhite//Pictures//opencv//_20210511202744.jpg', cv2.IMREAD_COLOR)

ret, img1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, img2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, img3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, img4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, img5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

title = ['ORIGINAL', 'THRESH_BINARY', 'THRESH_BINARY_INV', 'THRESH_TRUNC', 'THRESH_TOZERO', 'THRESH_TOZERO_INV']
imgg = [img, img1, img2, img3, img4, img5]

for i in range(6):
    plt.subplot(2,3,i+1), plt.imshow(imgg[i])
    plt.title(title[i])
    plt.xticks([]),plt.yticks([])

plt.show()