Python OpenCV学习总结Day 3.1 图像处理（上篇） 颜色处理与二值化，滤波去噪，形态学腐蚀膨胀，边缘检测

前言

按照OpenCV官方doc顺序来进行学习回忆和总结，本次的内容是opencv中的图像处理核心技术(imgproc.hpp)，包括

• 颜色处理与二值化
• 滤波去噪
• 形态学操作
• 边缘检测

Day3.1 OpenCV图像处理核心技术（上篇） 颜色处理与二值化

图像处理常用的颜色空间有RGB、HSV、YCbCr、GRAY等

颜色空间转换

使用cv2.cvtColor(img, type)进行颜色空间的转换，需要注意的是imread默认读取图片为BGR

import cv2
import numpy as np

if __name__ == '__main__':
    img = cv2.imread('starry_night.png')
    img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    cv2.imshow('img', img)
    cv2.imshow('img_hsv', img_hsv)
    cv2.imshow('img_gray', img_gray)
    cv2.waitKey(0)

阈值二值化

使用cv2.threshold()进行图像二值化，

需要注意，src必须是单通道图，thresh是阈值，二值化后像素值为{0, maxval}，常用的type有 cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_OTSU

	# ret, dst = cv2.threshold(src, thresh, maxval, type)
    cv2.threshold(img_gray, 100, 255, cv2.THRESH_BINARY)

此外，还有自适应阈值二值化方法，

	# cv2.adaptiveThreshold(src, maxval, method, type, blocksize, C)
	dst = cv2.adaptiveThreshold(src, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 3, 10)

blocksize是分割计算的区域大小，必须是奇数 C表示每个区域计算出阈值后，减去这个常数作为这个区域的最终阈值

颜色阈值筛选

使用cv2.inRange()进行颜色阈值筛选，其中lowerthres和upperthres分别表示长度与图片通道数相同的阈值数组

	# mask = cv2.inRange(img, lowerthres, upperthres)
    mask = cv2.inRange(img_hsv, np.array([100, 40, 40]), np.array([120, 240, 240]))

输入RGB： 转到HSV空间： HSV空间颜色提取：

滤波去噪

常用的图像滤波方法包括均值滤波，中值滤波，高斯滤波，双边滤波等 均值滤波将中心附近像素累计平均后作为中心值，滤波后图像变模糊 中值滤波取中心附近像素值的中值，适合去除椒盐噪声 高斯滤波采用高斯核进行加权平均，适合去除高斯噪声 双边滤波在滤波时能保持边缘的清晰度

	# 均值滤波cv2.blur(img, Ksize)
    img_blur = cv2.blur(img, (3, 3))
    # 中值滤波cv2.medianBlur(img, Ksize)
    img_median_blur = cv2.medianBlur(img, 3)
    # 高斯滤波cv2.GaussianBlur(img, Ksize, Sigma)
    img_gauss_blur = cv2.GaussianBlur(img, (3, 3), 0)
    # 双边滤波cv2.bilateralFilter(img, d, sigmaColor, sigmaSpace)
    img_bliteral_blur = cv2.bilateralFilter(img, 9, 20, 45)

形态学操作

在图像处理，如二值化、颜色筛选后，目标图案被截断需要截断时，可以通过形态学操作进行填充和削减

腐蚀膨胀

主要针对二值图像，腐蚀是将图像中黑色区域进一步“吞噬”白色区域，膨胀则是让白色区域“吞噬”黑色区域。

在形态学操作前，首先要获得“吞噬”的模板，即核的形状，可选的形状有 cv2.MORPH_RECT cv2.MORPH_CROSS cv2.MORPH_ELLIPSE 也可以通过numpy数组自定义核形状

	# 获得核 cv2.getStructuringElement(type, Ksize)
	kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
	# or 自定义核形状
	kernel_np = np.ones([3, 3], np.uint8)
	# 腐蚀 cv2.erode(img, kernel, iterations=None)
	img_erode = cv2.erode(img, kernel)	
	# 膨胀 cv2.dilate(img, kernel)
	img_dilate = cv2.dilate(img, kernel)

开运算与闭运算

先腐蚀将图像中相连的部分截断，再膨胀的操作是开运算 先膨胀将图像中断开的部分连接，再腐蚀的操作是闭运算

	kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
	# 开运算
	img_open = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)
	# 闭运算
	img_close = cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)

边缘检测

传统边缘检测算法主要采用一阶微分算子Sobel，Roberts，Prewitt等以及二阶算子Canny，Laplace等

Sobel算子

def edge_Sobel(img):
    # Sobel 算子
    x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
    y = cv2.Sobel(img, cv2.CV_16S, 0, 1)

    # 转 uint8 ,图像融合
    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_sobel = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_sobel

Roberts算子

def edge_Roberts(img):
    # Roberts 算子
    kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
    kernely = np.array([[0, -1], [1, 0]], dtype=int)

    x = cv2.filter2D(img, cv2.CV_16S, kernelx)
    y = cv2.filter2D(img, cv2.CV_16S, kernely)

    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_roberts = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_roberts

Prewitt算子

def edge_Prewitt(img):
    # Prewitt 算子
    kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
    kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)

    x = cv2.filter2D(img, cv2.CV_16S, kernelx)
    y = cv2.filter2D(img, cv2.CV_16S, kernely)

    # 转 uint8 ,图像融合
    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_prewitt = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_prewitt

Canny算子

def edge_canny(img):
    # Canny
    dst = cv2.Canny(img, 45, 90)
    img_canny = dst
    return img_canny

Laplace算子

def edge_laplace(img):
    # Laplacian
    dst = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
    img_laplace = cv2.convertScaleAbs(dst)
    return img_laplace

边缘检测测试代码

import cv2
import numpy as np


def edge_Roberts(img):
    # Roberts 算子
    kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
    kernely = np.array([[0, -1], [1, 0]], dtype=int)

    x = cv2.filter2D(img, cv2.CV_16S, kernelx)
    y = cv2.filter2D(img, cv2.CV_16S, kernely)

    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_roberts = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_roberts


def edge_Prewitt(img):
    # Prewitt 算子
    kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
    kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)

    x = cv2.filter2D(img, cv2.CV_16S, kernelx)
    y = cv2.filter2D(img, cv2.CV_16S, kernely)

    # 转 uint8 ,图像融合
    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_prewitt = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_prewitt


def edge_Sobel(img):
    # Sobel 算子
    x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
    y = cv2.Sobel(img, cv2.CV_16S, 0, 1)

    # 转 uint8 ,图像融合
    X = cv2.convertScaleAbs(x)
    Y = cv2.convertScaleAbs(y)
    img_sobel = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
    return img_sobel


def edge_laplace(img):
    # Laplacian
    dst = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
    img_laplace = cv2.convertScaleAbs(dst)
    return img_laplace


def edge_canny(img):
    # Canny
    dst = cv2.Canny(img, 45, 90)
    img_canny = dst
    return img_canny


if __name__ == "__main__":
    img = cv2.imread('distorted.png')
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, img_thres = cv2.threshold(img_gray, 100, 255, cv2.THRESH_BINARY)
    img_thres = img_gray

    img_roberts = edge_Roberts(img_thres)
    img_prewitt = edge_Prewitt(img_thres)
    img_sobel = edge_Sobel(img_thres)
    img_laplace = edge_laplace(img_thres)
    img_canny = edge_canny(img_thres)
    cv2.imshow('img_roberts', img_roberts)
    cv2.imshow('img_prewitt', img_prewitt)
    cv2.imshow('img_sobel', img_sobel)
    cv2.imshow('img_laplace', img_laplace)
    cv2.imshow('img_canny', img_canny)
    cv2.waitKey(0)

输入： Roberts： Prewitt: Sobel: Laplace: Canny:

结语

本次总结回顾了OpenCV图像处理中的核心操作，包括颜色处理，滤波去噪，腐蚀膨胀开闭运算，边缘检测算子。下次将继续学习轮廓操作、霍夫变换和直方图操作。