OpenCV圖像預處理常用函數(shù)及流程

1.OpenCV環(huán)境配置

在PyCharm終端中，運行如下命令

pip install opencv-python   # 安裝opencv包
pip install opencv-contrib-python  # 安裝opencv輔助包

由于默認使用的為外網(wǎng)資源，下載速度和穩(wěn)定性較差，具體看網(wǎng)絡狀態(tài)。如下命令為使用清華鏡像下載安裝相應的包

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple  # 安裝opencv包
pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple  # 安裝opencv輔助包

在終端中運行命令時，Windows10系統(tǒng)可能會存在如下報錯：無法加載激活文件，因此在此系統(tǒng)上禁止運行腳本。此情況是因為windows新的權(quán)限執(zhí)行策略的改變，需要在PowerShell中進行權(quán)限的更改?？赏ㄟ^開始菜單欄找到Windows PowerShell。注意使用以管理員身份運行，否則無法更改執(zhí)行策略。

在PowerShell中執(zhí)行如下命令：

Get-ExecutionPolicy

如果輸出值為

Restricted

則表明目前系統(tǒng)上禁止運行沒有數(shù)字簽名的腳本。需要運行如下命令，將執(zhí)行策略更改為remotesigned模式

Set-ExecutionPolicy Bypass

之后重啟Pycharm，重新執(zhí)行OpenCV的安裝命令即可。

2.圖像預處理流程及對應函數(shù)

OpenCV英文官方文檔鏈接：OpenCV: OpenCV-Python Tutorials

OpenCV中文文檔：OpenCV官方文檔_w3cschool

OpenCV中文文檔：OpenCV中文官方文檔 (woshicver.com)

（1）圖像讀取與顏色空間轉(zhuǎn)換

img_bgr = cv2.imread("1.jpg")  # 讀取彩色圖像，在OpenCV中，圖像以BGR形式存儲
img_gray = cv2.imread("1.jpg", cv2.IMREAD_GRAYSCALE)  # 讀取灰度圖像

img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)  # 顏色空間的轉(zhuǎn)換，從BGR轉(zhuǎn)換為HSV
img_gray1 = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)  # 顏色空間的轉(zhuǎn)換，從BGR轉(zhuǎn)換為GRAY

（2）圖像的顯示

cv2.imshow("img_bgr", img_bgr)  # 顯示圖像，參數(shù)分別為窗口名稱以及圖像變量
cv2.waitKey(0)  # 圖像顯示時長，0表示等待鍵盤操作
cv2.destroyAllWindows()  # 顯示結(jié)束，銷毀窗口

（3）圖像基本屬性

# 圖像的高度和寬度
img_bgr.shape   # (1106, 656, 3)  返回結(jié)果時一個tuple類型，第一個數(shù)字表示圖像的高度，第二個數(shù)字表示圖像的寬度，第三個數(shù)字表示圖像的通道數(shù)，BGR為3個通道，GRAY為2個通道
h,w = img_bgr.shape[:2]  # (1106, 656)

# 獲取圖像的圖層信息
img_b = img_bgr[:, :, 0]  # B通道
img_g = img_bgr[:, :, 1:2]  # G通道
img_r = img_bgr[:, :, 2:3]  # R通道

# 圖像的size
img_bgr.size   # 2176608   即1106*656*3

# 直接獲取圖像的局部信息
img_bgr[0:100,0:500]  # 沿h方向0到100，沿w方向0到500的范圍

# 在做預處理的時候，通常會使用到numpy模塊，用來創(chuàng)建數(shù)組（圖像）
np.zeros((100, 200), dtype=np.uint8)  # 表示創(chuàng)建沿h=100，w=200的全黑圖像

（4）圖像濾波

常用濾波算法包含如下幾類：均值濾波、中值濾波、高斯濾波、雙邊濾波等文章來源地址http://www.zghlxwxcb.cn/news/detail-446842.html

# medianBlur(src, ksize, dst=None): 中值濾波可有效去除椒鹽噪聲，且能夠保證圖像的細節(jié)信息，不改變圖像邊緣線條的粗細
# src:待濾波圖像，ksize:濾波核，為int類型數(shù)據(jù)
img_median_blur = cv2.medianBlur(img_bgr, 3)

# blur(src, ksize, dst=None, anchor=None, borderType=None):  均值濾波在去除噪聲的同時，會使得圖像信息模糊
# src:待濾波圖像，ksize:濾波核，為tuple類型數(shù)據(jù)
img_blur = cv2.blur(img_bgr, (3, 3))

# GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)  高斯濾波則可以有效去除高斯噪聲，會使圖像在一定程度上模糊
# src:待濾波圖像，ksize:濾波核，為tuple類型數(shù)，sigmax:沿x方向的高斯標準差
img_gaussian = cv2.GaussianBlur(img_blur, (3, 3), sigmaX=1)

# bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)  雙邊濾波是對高斯濾波的改進算法，主要去除高斯噪聲，同時較好的保留了圖像的邊緣信息
# src:待濾波圖像
# d:濾波時選取的空間距離參數(shù)，表示濾波時使用像素的鄰域直徑，如果是非正數(shù)，則會從sigmaSpace中計算得出。相當于高斯濾波中的濾波核。通常選取d=5，如果d過大，會導致濾波速度較慢
# sigmaColor：顏色空間標準差，代表濾波處理時選取的顏色差值范圍，值越大表示鄰域內(nèi)參與到的濾波的像素值越多
# sigmaSpace：坐標空間標準差，代表濾波處理時選取的坐標范圍，值越大，表示越遠區(qū)域內(nèi)的像素值差不多的像素能夠互相影響。
img_bilater = cv2.bilateralFilter(img, 5, 75, 75)

（5）圖像二值化

# threshold(src, thresh, maxval, type, dst=None):
# src：待二值化圖像，thresh：閾值
# maxval：使用THRESH_BINARY 和 THRESH_BINARY_INV 二值化方法時，將超過閾值部分的像素值設置為maxval所表示的像素值
# type：二值化所使用的方法包含THRESH_BINARY 和 THRESH_BINARY_INV，THRESH_OTSU,THRESH_TRIANGLE,THRESH_TRUNC，具體用法可參見官方文檔
_, img_threshold = cv2.threshold(img_gray, 100, 255, cv2.THRESH_BINARY)

# 這里需要注意，threshold()函數(shù)主要用來處理二通道的圖像， 即灰度圖

（6）圖像形態(tài)學處理

# 形態(tài)學處理即對圖形進行腐蝕和膨脹處理，隨之帶來的概念有開運算和閉運算。一下以二值化圖像為例
# 腐蝕：黑色區(qū)域變多，而白色區(qū)域變少
# 膨脹：與腐蝕相反，白色區(qū)域變多，黑色區(qū)域變少
# 開運算：先腐蝕再膨脹
# 閉運算：先膨脹再腐蝕

# erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
# src：待腐蝕的圖像，kernel：腐蝕使用的核，iterations：腐蝕次數(shù)

# dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
# src：待膨脹的圖像，kernel：膨脹使用的核，iterations：膨脹次數(shù)

# morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):
# src：待處理的圖像，kernel：處理時使用的核，iterations：次數(shù)
# op：MORPH_ERODE 腐蝕、MORPH_DILATE 膨脹、MORPH_OPEN 開運算、MORPH_CLOSE 閉運算

kernel = np.ones((3, 3))  # 定義一個全1的腐蝕核
cv2.erode(img_bgr, kernel, iterations=2)  # 對img_bgr進行腐蝕，腐蝕兩次
cv2.dilate(img_bgr, kernel, iterations=2)  # 對img_bgr進行膨脹，膨脹兩次
cv2.morphologyEx(img_bgr, cv2.MORPH_OPEN, kernel, iterations=2)  # 進行兩次開運算
cv2.morphologyEx(img_bgr, cv2.MORPH_CLOSE, kernel, iterations=2)  # 進行兩次閉運算

（7）圖像的邊緣提取

# Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None):
# image：待處理的圖像
# threshold1，threshold2：我們就可以設置兩個閾值，一個低閾值，一個高閾值。低閾值用來過濾噪聲和突變不明顯的線條，高閾值用來保留輪廓線。在低閾值和高閾值之間，且和輪廓線相鄰的線條可保留，否則舍棄

canny = cv2.Canny(img_bgr, 100, 200)

（8）圖像的輪廓提取

# findContours(image, mode, method, contours=None, hierarchy=None, offset=None):
# image:待處理圖像
# mode：輪廓的檢索模式，包含cv2.RETR_EXTERNAL表示只檢測外輪廓，cv2.RETR_TREE建立一個等級樹結(jié)構(gòu)的輪廓，cv2.RETR_LIST檢測的輪廓不建立等級關(guān)系，cv2.RETR_CCOMP建立兩個等級的輪廓，具體參見官網(wǎng)
# method：輪廓的近似辦法， cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標

contours, _ = cv2.findContours(img_threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cv2.drawContours(img_bgr, contours, -1, (255, 0, 0), 2)

# 這里需要注意的是，findContours()主要針對二通道圖像，灰度圖

（9）仿射變換

# getPerspectiveTransform(src, dst, solveMethod=None):   求取變換矩陣
# src：原圖上選取的點，dst：轉(zhuǎn)換后對應的坐標點，返回值為一個二維矩陣

# warpPerspective(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None):  進行仿射變換
# src：要進行仿射變換的圖像，M：變換矩陣，dsize：變換后圖像的尺寸

src = np.float32([[748, 120], [750, 1300], [115, 1280], [110, 121]])  # 確定原圖上的四個點，這里隨意選取的點
dst = np.float32([[660, 0], [660, 1110], [0, 1110], [0, 0]])  # 確定仿射變換后對應的四個點，
M = cv2.getPerspectiveTransform(src, dst)  # 確定放射變換矩陣
img_p = cv2.warpPerspective(img_bgr, M, (660, 1110))  # 進行透視變換

（10）霍夫圓變換

# HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None):
# image：要檢測的圓的圖像，minDist：檢測到的圓之間的最小中心距離，minRadius、maxRadius檢測到圓的最小半徑和最大半徑
# method：檢測方法，當前有cv2.HOUGH_GRADIENT和cv2.HOUGH_GRADIENT_ALT 2種方法，后者是前者的改進方法
# dp：檢測圓心的累加器精度和圖像精度比的倒數(shù)，比如dp=1時累加器和輸入圖像有相同的分辨率，dp=2時累加器是輸入圖像一半大的寬高；method=cv2.HOUGH_GRADIENT_ALT時推薦設置dp=1.5
# param1：特定方法參數(shù)，和method配合；當method=cv2.HOUGH_GRADIENT或method=cv2.HOUGH_GRADIENT_ALT時，該參數(shù)是canny檢測的高閾值，低閾值是該參數(shù)的一半；method=cv2.HOUGH_GRADIENT_ALT時，內(nèi)部使用Scharr計算圖像梯度，這個值通常要設置得更大。
# param2：特定方法參數(shù)，和method配合；當method=cv2.OUGH_GRADIENT，它表示檢測階段圓心的累加器閾值，越小就會檢測到更多的圓，越大能通過檢測的圓就更加精確。當method=cv2.HOUGH_GRADIENT_ALT時，該參數(shù)可以看做是圓的“完美性”度量，它越接近1算法選擇的圓形形狀越好，一般可以設置在0.9。如果想要更好地檢測小圓，可以設置在0.85、0.8甚至更小，通過限制搜索范圍[minRadius，maxRadius]可以避免出現(xiàn)許多假圓。
# 具體可參考官方文檔，及如下博文：https://blog.csdn.net/juzicode00/article/details/122263456

cv2.HoughCircles(img_bgr, cv2.HOUGH_GRADIENT, 1, 100, param1=150, param2=200, minRadius=50, maxRadius=80)  # 檢測圓的最大半徑80，最小半徑50，檢測到的兩個圓之間的距離最小為100，內(nèi)置canny算法的高閾值為150，低閾值為75

（11）霍夫直線檢測

# HoughLines(image, rho, theta, threshold, lines=None, srn=None, stn=None, min_theta=None, max_theta=None):
# image：要檢測直線的圖像，rho累加器的距離分辨率，以像素為單位，theta：以弧度表示的參數(shù)的分辨率，threshold：閾值，被認為是一條直線的最低投票數(shù)

cv2.HoughLines(img_bgr, 1, np.pi / 180, 100, min_theta=np.pi / 6, max_theta=np.pi / 3)  # 檢測角度在30°到60°之間的直線

到了這里，關(guān)于OpenCV圖像預處理常用函數(shù)及流程的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！