[人工智能]OpenCv：图像处理基础(一)

本文会告诉大家一些图像处理的基础，包括图像的基本表示方法，图像处理的基础操作，图像运算。色彩空间转换会放到图像处理基础(二)里单独讲。
这里选下面这张图片来为下面的操作进行演示。

图像的读取与属性信息

读取

使用cv2.imread(filename[, flags])来读取图片。
注意事项：读取的图片名称不能为中文

参数filename是包括了后缀在内的图片路径加名字
flags为读取标记，可以为原图，也可以为灰度等等

属性信息

imread()读取完事是一堆数组，所以可以直接拿到他们的属性信息。
shape为图像行数，列数，色彩通道数，size是像素点的个数，dtype为图片的数据格式。

示例

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

result = cv2.imread('./Ying.jpg')#读取
print("shape",result.shape,'\nsize',result.size,'\ndtype',result.dtype)

\n是换行符

shape (715, 464, 3)
size 995280
dtype uint8

plt.imshow(result)

gray = cv2.cvtColor(result,cv2.COLOR_BGR2GRAY)
ret,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)
titles = ['gray','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [gray,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()
# cv2.THRESH_BINARY（黑白二值）
# cv2.THRESH_BINARY_INV（黑白二值反转）
# cv2.THRESH_TRUNC （得到的图像为多像素值，即大于阈值部分设为阈值，否则不变）
# cv2.THRESH_TOZERO（大于阈值部分不改变，否则设为0）
# cv2.THRESH_TOZERO_INV（上面的反转）

图像保存

gray是原图片的灰度图片

gray.shape#输出为(715, 464)

cv2.imwrite('C:/Users/Lyb/Desktop/Ying.jpg',gray)#保存成功显示True

图像通道处理的基本操作

一般图片为三颜色通道，即RGB三颜色通道，但是使用imread()读取的图片通道为B,R,G

titles = ['B','G','R']
for i in range(3):
    plt.subplot(1,3,i+1),plt.imshow(result[:,:,i])
    plt.title(titles[i])
plt.show()

拆分通道和显示图像

拆分：除了上面的方法可以分离通道，还有cv2.split()可以拆分通道
显示：namedWindow()函数用来创建指定的窗口，格式如下：

None = cv2.namedWindow(window)

window是窗口的名字，句程序会新建一个名字为image的窗口。
imshow()函数用来显示图像，格式如下：

None = cv2.imshow(window, image)

window是窗口的名字。image是要显示的图像。

waitKey()函数用来等待按键，当有键被按下时，该语句会被执行。格式如下：

retval= cv2.waitKey([delay])

retval是返回值。delay表示等待键盘触发的时间，单位是ms。当该值为负数或0时表示无限等待，默认值为0。

destroyAllWindows函数用来释放所有窗口，格式如下：

None = cv2. destroyAllWindows ()

b, g, r = cv2.split(result)
cv2.imshow('b',b)
cv2.imshow('g',g)
cv2.imshow('r',r)
cv2.imshow('ying',result)
cv2.waitKey(0)
cv2.destroyAllWindows()

此时程序在运行这里，因为设置的delay为0，按下任意键即可退出。

np.unique(result[:,:,0] == b)#输出为array([ True])

split()分割出来的B通道和imread读取图片的第一个通道是一样的。

合并

通道合并是通道拆分的逆过程，可以将三个通道的灰度图像合并为一张彩色图像。OpenCV中提供了merge()函数来实现图像通道的合并，基本格式为：

imagebgr = cv2.merge([b, g, r])

imagebgr是合并后的图像。b、g、r分别是B通道、G通道、R通道的图像信息。

image_merge = cv2.merge([b,g,r])
plt.imshow(image_merge)

图像运算

加法运算

运算符“+”

OpenCV中有两种方法可以实现图像的加法运算。一种是通过运算符“+”对图像进行加法运算，另一种是通过cv2.add()函数来实现对图像的加法运算。
因为计算机一般使用8个比特来表示灰度图像，所以像素值的范围是0～255。当像素值的和超过255时，这两种加法方式的处理方法是不一样的。下面进行具体的介绍。
在使用运算符“+”对两个图像的像素进行加法运算时，其具体规则如下：

上式中，a和b表示两幅图像的像素值，mod(a+b,256) 表示“a+b的和除以256取余”。

#  +
print((g+b).shape)
plt.imshow(g+b)

cv2.add()函数

在使用cv2.add()函数实现图像加法运算时，其一般格式为：

result = cv2.add(a, b)

result表示计算的结果。a和b表示需要进行加法计算的两个像素值。
使用cv2.add()函数进行图像加法运算时，会得到像素值的最大值。规则如下：

上式中，当像素a和像素b的和超过255时，会将其截断，取范围内的最大值，这是与运算符“+”的不同之处。

r1 = cv2.add(g,b)
print(r1.shape)
plt.imshow(r1)

np.unique(r1 == (g+b))#输出：array([False,  True])

可以直观的看到两种加法是不同的

减法运算

运算符“-”

规则如下：

上式中，a和b表示两幅图像的像素值，mod(a-b,255)+1表示“a-b的差除以255取余后加1”。

#  -
print((g-b).shape)
plt.imshow(g-b)

cv2.subtract()函数

在使用cv2. subtract()函数实现图像减法运算时，其一般格式为：

result = cv2. subtract (a, b)

result表示计算的结果。a和b表示需要进行减法计算的两个像素值。
使用cv2. subtract ()函数进行图像减法运算时，规则如下：

上式中，当像素a和像素b的差值小于0时，会将其截断，这是与运算符“-”的不同之处。

r1 = cv2.subtract(g,b)
print(r1.shape)
plt.imshow(r1)

乘法运算

图像乘法运算有矩阵乘法和矩阵的点乘两种。Python的OpenCV提供了cv2. mutiply()函数进行矩阵的点乘运算，Python的numpy为矩阵的乘法运算提供了dot()函数。

矩阵乘法

矩阵乘法的一般格式为：

result = np.dot(a, b)

result表示计算的结果。 a和b表示需要进行矩阵乘法计算的两个像素值矩阵。
在进行矩阵乘法运算时必须满足其行列维数的规则。

矩阵的点乘

矩阵点乘运算的一般格式为：

result = cv2.multiply (a, b)

result表示计算的结果。a和b表示需要进行矩阵点乘的两个像素值矩阵。

r1 = cv2.multiply(g,b)
print(r1.shape)
plt.imshow(r1)

可以看到，矩阵点乘运算的结果大多是255，这是由于，在结果大于255时，类似于加法运算，计算机会截断数据，取最大值。

除法运算

除法运算应用在图像中即为矩阵的点除运算，Python的OpenCV提供了cv2. divide()函数来进行像素矩阵的点除运算。其一般格式如下：

result = cv2.divide(a, b)

result表示计算的结果。a和b表示需要进行矩阵点除的两个像素值矩阵。

r1 = cv2.divide(g,b)
print(r1.shape)
plt.imshow(r1)

按位与

按位与：全为真时，结果才为真，反之为假。

result = cv2.bitwise_and(src1, src2[, mask])

src1表示第一个输入值。 src2表示第二个输入值。mask表示可选操作掩码。下面同理。
首先来构造一个掩模图像。

#按位与
image = np.zeros(b.shape,dtype=np.uint8)#构造一个掩模图像
image[:600,150:] = 255
plt.imshow(image)

再来计算按位与，来达到“截图”的效果

r1 = cv2.bitwise_and(b,image)
plt.imshow(r1)

按位或

按位或：有一个为真，即为真。

result = cv2.bitwise_or(src1, src2[, mask])

#按位或
r1 = cv2.bitwise_or(b,image)
print(r1.shape)#输出为(715, 464)
plt.imshow(r1)

按位非

按位非是取反操作

result = cv2.bitwise_not(src[, mask])

#按位非
r1 = cv2.bitwise_not(b)
print(r1.shape)#(715, 464)
plt.subplot(121)
plt.imshow(r1)
plt.title('B_bitwise_not')
plt.subplot(122)
plt.imshow(b)
plt.title('B')

不太明显，那咱们拿上面的二值图像来操作

r1 = cv2.bitwise_not(thresh1)
plt.subplot(121)
plt.imshow(r1)
plt.title('former_thresh1')
plt.subplot(122)
plt.imshow(thresh1)
plt.title('later_thresh1')

从图像上可以看出来是像素值全部取反的结果。

按位异或

按位异或操作类似于半加运算

result = cv2.bitwise_and(src1, src2[, mask])

这里选取的图片是雷神的二值图像，和二值图像的取反，经过按位异或操作应该是一个全为255的矩阵。因为一个是1(255)，一个是0，结果为1(255)

#按位异或
r1 = cv2.bitwise_xor(thresh1,thresh2)
print(r1.shape)
plt.imshow(r1)