|
翻译原文
转换完成，然后是分析，然后是任何覆盖
img = cv2.imread(‘watch.jpg’,cv2.IMREAD_GRAYSCALE)
cv2.imshow(‘image’,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
plt.imshow(img, cmap = ‘gray’, interpolation = ‘bicubic’)
plt.xticks([]), plt.yticks([])
to hide tick values on X and Y
axisplt.plot([200,300,400],[100,200,300],‘c’, linewidth=5)
plt.show()
cv2.imwrite(‘watchgray.png’,img)
二、加载视频源
cap = cv2.VideoCapture(0)
while(True):
ret, frame = cap.read() ret是一个代表是否有返回的布尔值，frame是每个返回的帧。 如果没有帧，你不会得到错误，你会得到None。
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
cv2.imshow(‘frame’,gray)
if cv2.waitKey(1) & 0xFF == ord(‘q’): 这个语句每帧只运行一次。 基本上，如果我们得到一个按键，那个键是q，我们将退出while循环，然后运行：
break
cap.release()
cv2.destroyAllWindows()
cap = cv2.VideoCapture(1)
fourcc = cv2.VideoWriter_fourcc(*‘XVID’)
out = cv2.VideoWriter(‘output.avi’,fourcc, 20.0, (640,480))
while(True):
ret, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
out.write(frame)
cv2.imshow(‘frame’,gray)
if cv2.waitKey(1) & 0xFF == ord(‘q’):
break
cap.release()
out.release()
cv2.destroyAllWindows()
图像绘制
cv2.line(img,(0,0),(150,150),(255,255,255),15)
cv2.rectangle(img,(15,25),(200,150),(0,0,255),15)
cv2.circle(img,(100,63), 55, (0,255,0), -1)
四、图像操作
px = img[55,55]
print(px)
引用 ROI，图像区域：
px = img[100:150,100:150]
print(px)
我们可以引用我们的图像的特定特征：
print(img.shape)
print(img.size)
print(img.dtype)
五、图像算术和逻辑运算
img1 = cv2.imread(‘3D-Matplotlib.png’)
img2 = cv2.imread(‘mainsvmimage.png’)
add = img1+img2
cv2.imshow(‘add’,add)
cv2.waitKey(0)
cv2.destroyAllWindows()
add = cv2.add(img1,img2)
weighted = cv2.addWeighted(img1, 0.6, img2, 0.4, 0)
img1 = cv2.imread(‘3D-Matplotlib.png’)
img2 = cv2.imread(‘mainlogo.png’)
I want to put logo on top-left corner, So I create a ROI
rows,cols,channels = img2.shape
roi = img1[0:rows, 0:cols ]
Now create a mask of logo and create its inverse
maskimg2gray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
add a threshold
ret, mask = cv2.threshold(img2gray, 220, 255, cv2.THRESH_BINARY_INV) 在第一个图像中将这个区域遮住，然后将空白区域替换为图像 2 的内容。
mask_inv = cv2.bitwise_not(mask)
Now black-out the area of logo in ROI
img1_bg = cv2.bitwise_and(roi,roi,mask = mask_inv)
Take only region of logo from logo
image.img2_fg = cv2.bitwise_and(img2,img2,mask = mask)
dst = cv2.add(img1_bg,img2_fg)
img1[0:rows, 0:cols ] = dst
cv2.imshow(‘res’,img1
)cv2.waitKey(0)
cv2.destroyAllWindows()
六、阈值
retval, threshold = cv2.threshold(img, 10, 255, cv2.THRESH_BINARY)
因为这是低光照的图片，所以我们选择低的数字。 通常 125-150 左右的东西可能效果最好。
grayscaled = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
retval, threshold = cv2.threshold(grayscaled, 10, 255, cv2.THRESH_BINARY)
cv2.imshow(‘original’,img)cv2.imshow(‘threshold’,threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()
但是我们仍然在这里忽略了很多背景。 接下来，我们可以尝试自适应阈值，这将尝试改变阈值，并希望弄清楚弯曲的页面
th = cv2.adaptiveThreshold(grayscaled, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 115, 1)
cv2.imshow(‘original’,img)
cv2.imshow(‘Adaptive threshold’,th)
七、颜色过滤
将你的颜色转换为 HSV，即“色调饱和度纯度”
，这可以帮助你根据色调和饱和度范围，使用变化的值确定一个更具体的颜色。
cap = cv2.VideoCapture(0)
while(1):
_, frame = cap.read()
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) 首先要把帧转换成 HSV
lower_red = np.array([30,150,50])
upper_red = np.array([255,255,180])
mask = cv2.inRange(hsv, lower_red, upper_red) 我们使用inRange函数，为我们的特定范围创建掩码。
res = cv2.bitwise_and(frame,frame, mask= mask) 通过执行按位操作来“恢复”我们的红色
cv2.imshow(‘frame’,frame)
cv2.imshow(‘mask’,mask)
cv2.imshow(‘res’,res)
k = cv2.waitKey(5) & 0xFF
if k == 27:
break
cv2.destroyAllWindows()
cap.release()
典型的红色仍然会有一些绿色和蓝色分量，所以我们必须允许一些绿色和蓝色，但是我们会想要几乎全红。 这意味着我们会在这里获得所有颜色的低光混合。
我们在这里还是有一些“噪音”。东西有颗粒感，红色中的黑点很多，还有许多其他的小色点。我们可以做一些事情，试图通过模糊和平滑来缓解这个问题
八、模糊和平滑
过滤器中消除噪声，例如简单的阈值，或者甚至我们以前的特定的颜色过滤器
kernel = np.ones((15,15),np.float32)/225
smoothed = cv2.filter2D(res,-1,kernel)
cv2.imshow(‘Original’,frame)
cv2.imshow(‘Averaging’,smoothed
k = cv2.waitKey(5) & 0xFF
if k == 27:
break
cv2.destroyAllWindows()
cap.release()
这个很简单，但是结果牺牲了很多粒度。 接下来，让我们尝试一些高斯模糊：
blur = cv2.GaussianBlur(res,(15,15),0)
cv2.imshow(‘Gaussian Blurring’,blur)
另一个选项是中值模糊：
median = cv2.medianBlur(res,15)
cv2.imshow(‘Median Blur’,median)
最后一个选项是双向模糊：
bilateral = cv2.bilateralFilter(res,15,75,75)
cv2.imshow(‘bilateral Blur’,bilateral)
九、形态变换
腐蚀是我们将“腐蚀”边缘。 它的工作方式是使用滑块（核）。 我们让滑块滑动，如果所有的像素是白色的，那么我们得到白色，否则是黑色。 这可能有助于消除一些白色噪音。
另一个版本是膨胀，它基本上是相反的：让滑块滑动，如果整个区域不是黑色的，就会转换成白色。 这是一个例子：
cap = cv2.VideoCapture(0)
while(1):
_, frame = cap.read()
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
lower_red = np.array([30,150,50])
upper_red = np.array([255,255,180])
mask = cv2.inRange(hsv, lower_red, upper_red)
res = cv2.bitwise_and(frame,frame, mask= mask)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(mask,kernel,iterations = 1)
dilation = cv2.dilate(mask,kernel,iterations = 1)
cv2.imshow(‘Original’,frame)
cv2.imshow(‘Mask’,mask)
cv2.imshow(‘Erosion’,erosion)
cv2.imshow(‘Dilation’,dilation)
k = cv2.waitKey(5) & 0xFF
if k == 27:
breakcv2.
destroyAllWindows()
cap.release()
下一对是“开放”和“关闭”。 开放的目标是消除“假阳性”。 有时在背景中，你会得到一些像素“噪音”。
“关闭”的想法是消除假阴性。 基本上就是你检测了你的形状，例如我们的帽子，但物体仍然有一些黑色像素。 关闭将尝试清除它们。
opening = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
两个选项是tophat和blackhat，
It is the difference between input image and Opening of the image
cv2.imshow(‘Tophat’,tophat)
It is the difference between the closing of the input image and input
image. cv2.imshow(‘Blackhat’,blackhat)
十、边缘检测和渐变
图像渐变可以用来测量方向的强度，边缘检测
laplacian = cv2.Laplacian(frame,cv2.CV_64F)
sobelx = cv2.Sobel(frame,cv2.CV_64F,1,0,ksize=5)
sobely = cv2.Sobel(frame,cv2.CV_64F,0,1,ksize=5)
虽然我们可以使用这些渐变转换为纯边缘，但我们也可以使用 Canny 边缘检测！
edges = cv2.Canny(frame,100,200)
注意阴影导致了边缘被检测到。 其中最明显的是蓝狗窝发出的阴影。
十一、模板匹配
给出一定的阈值，找到匹配我们提供的模板图像的相同区域
我们确实要选择一个阈值，其中某种东西可能是 80% 匹配，那么我们说这就匹配。 所以，我们将开始加载和转换图像：
img_rgb = cv2.imread(‘opencv-template-matching-python-tutorial.jpg’)
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread(‘opencv-template-for-matching.jpg’,0)
w, h = template.shape[::-1]
对于主要图像，我们只有彩色版本和灰度版本。 我们加载模板并记下尺寸。
res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED) 在这里，我们用img_gray（我们的主图像），模板和我们要使用的匹配方法， 调用matchTemplate，并将返回值称为res。
threshold = 0.8 我们指定一个阈值，这里是 80%。
loc = np.where( res >= threshold) 然后我们使用逻辑语句，找到res大于或等于 80% 的位置。
最后，我们使用灰度图像中找到的坐标，标记原始图像上的所有匹配：
for pt in zip(*loc[::-1]):
cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,255,255), 2)
cv2.imshow(‘Detected’,img_rgb)
十二、GrabCut 前景提取
找到前景，并删除背景。 这很像绿屏
img = cv2.imread(‘opencv-python-foreground-extraction-tutorial.jpg’)
mask = np.zeros(img.shape[:2],np.uint8)
bgdModel = np.zeros((1,65),np.float64)
fgdModel = np.zeros((1,65),np.float64) 然后我们加载图像，创建一个掩码，指定算法内部使用的背景和前景模型。
rect = (161,79,150,150) 真正重要的部分是我们定义的矩形。 这是rect = (start_x, start_y, width, height)。
cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT) 输入图像，然后是掩码，然后是主要对象的矩形，背景模型，前景模型，要运行的迭代量以及使用的模式。
mask2 = np.where((mask2)|(mask0),0,1).astype(‘uint8’) 改变了掩码，使得所有像素 0 和 2 转换为背景，而像素 1 和 3 现在是前景。
img = img*mask2[:,:,np.newaxis]
plt.imshow(img)
plt.colorbar()
plt.show()
十三、角点检测
img = cv2.imread(‘opencv-corner-detection-sample.jpg’)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
corners = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10) 参数是图像，检测到的最大角点数量，品质和角点之间的最小距离。
corners = np.int0(corners)
如前所述，我们在这里的锯齿问题将允许找到许多角点，所以我们对其进行了限制。 下面：
for corner in corners:
x,y = corner.ravel()
cv2.circle(img,(x,y),3,255,-1) 现在我们遍历每个角点，在我们认为是角点的每个点上画一个圆。
cv2.imshow
十四、特征匹配（单映射）暴力
在这里，我们的模板图像在模板中，比在我们要搜索的图像中要小一些。 它的旋转也不同，阴影也有些不同。
现在我们将使用一种“暴力”匹配的形式。 我们将在这两个图像中找到所有特征。 然后我们匹配这些特征。 然后，我们可以绘制我们想要的，尽可能多的匹配。 但是要小心。 如果你绘制 500 个匹配，你会有很多误报。 所以只绘制绘制前几个。
img1 = cv2.imread(‘opencv-feature-matching-template.jpg’,0)
img2 = cv2.imread(‘opencv-feature-matching-image.jpg’,0)
用于特征的检测器
orb = cv2.ORB_create()
使用orb探测器找到关键点和他们的描述符。
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
BFMatcher对象
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
创建描述符的匹配，然后根据它们的距离对它们排序
img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None, flags=2)
plt.imshow(img3)
plt.show()
十五、MOG 背景减弱
如何通过检测运动来减弱图像的背景
有两个图像，一个没有你想要追踪的人物/物体，另一个拥有人物/物体
cap = cv2.VideoCapture(‘people-walking.mp4’)
fgbg = cv2.createBackgroundSubtractorMOG2()
while(1):
ret, frame = cap.read()
fgmask = fgbg.apply(frame)
cv2.imshow(‘fgmask’,frame)
cv2.imshow(‘frame’,fgmask)
k = cv2.waitKey(30) & 0xff
if k == 27:
break
cap.release()
cv2.destroyAllWindows()
想法是从静态背景中提取移动的前景。 你也可以使用这个来比较两个相似的图像，并立即提取它们之间的差异
十六、Haar Cascade 面部检测
讨论 Haar Cascades 对象检测。我们将从脸部和眼睛检测来开始。为了使用层叠文件进行对象识别/检测，首先需要层叠文件
从导入cv2和numpy开始，然后加载我们的脸部和眼部的层叠
while 1:
ret, img = cap.read()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
下一步就是先去拆分面部，然后才能到达眼睛
for (x,y,w,h) in faces:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w] 我们找到了面部，它们的大小，绘制矩形，并注意 ROI
接下来，我们找了一些眼睛：
eyes = eye_cascade.detectMultiScale(roi_gray)
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
|