©2020-2024 ioDraw All rights reserved
一、图像梯度
1.1 Sobel算子
Sobel算子
dst=cv2.Sobel(src,ddepth,ds,dy,ksize)
释义：
ddepth:图像的深度(-1)
dx和dy分别表示水平和竖直方向
ksize：是Sobel算子的大小（3×3...）
def cv_show(img,name): cv2.imshow(name,img) cv2.waitKey(0)
cv2.destroyAllWindows() #cv2.CV_64F：位数更多，可以是负数了 #x=1，y=0 ：算水平的(左右结构)右减左
soblex=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) #convertScaleAbs:算负数的绝对值
soblex=cv2.convertScaleAbs(soblex) cv_show(soblex,'test')
#cv2.CV_64F：位数更多，可以是负数了 #x=0，y=1 ：算竖直的(上下结构)下减上
sobley=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) #convertScaleAbs:算负数的绝对值
sobley=cv2.convertScaleAbs(sobley) cv_show(sobley,'test') #图像融合显示
soblexy=cv2.addWeighted(soblex,0.5,sobley,0.5,0)
soblexy=cv2.convertScaleAbs(soblexy) cv_show(soblexy,'test')
同时计算水平和竖直
不建议直接计算，不如分开计算再融合效果好
soblexy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
soblexy=cv2.convertScaleAbs(soblexy) cv_show(soblexy,'test')
1.2 Scharr算子
整体计算方式与Sobel算子一致，只不过核中数变大，边缘检测更细
1.3 laplacian算子
二阶导（一阶导的变化率），对变化更敏感，对噪音点敏感，但噪音点不是边界。
1.4 三个算子差异对对比
#三个算子差异对比 scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)
scharry=cv2.Scharr(img,cv2.CV_64F,0,1) scharrx=cv2.convertScaleAbs(scharrx)
scharry=cv2.convertScaleAbs(scharry)
scharrxy=cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
laplacian=cv2.Laplacian(img,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)
res=np.hstack((soblexy,scharrxy,laplacian)) cv_show(res,'test')
#Scharr算子区分的边缘比Soble算子更多，laplacian算子检测出的噪音点更多
Scharr算子区分的边缘比Soble算子更多，laplacian算子检测出的噪音点更多
1.5 Canny边缘检测
使用高斯滤波器，平滑图像，滤除噪声
计算图像中每个像素点的梯度强度和方向
应用非极大值抑制，以消除边缘检测带来的杂散效应
应用双阈值检测来确定真实的和潜在的边缘（对边界候选值再进行过滤，找到真实的边界）
通过抑制孤立的弱边缘最终完成边缘检测（抛弃弱边缘，留主边缘）
1.5.1 高斯滤波器
1.5.2 梯度和方向（采用的Sobel算子）
1.5.3 非极大值抑制
方法一：
方法二：
1.5.4 双阈值检测
代码实现：
#minvalues,maxvalues分别为两个阈值，阈值越大，过滤的边缘越多，展示的越少 canny1=cv2.Canny(img,80,150)
canny2=cv2.Canny(img,50,100) res=np.hstack((canny1,canny2)) cv_show(res,'test')
二、图像金字塔
2.1 高斯金字塔
2.1.1 向下采样（缩小）
2.1.2 向上采样（放大）
代码实现：
#下采样 down=cv2.pyrDown(img) cv_show(down,'down') #上采样 up=cv2.pyrUp(img)
cv_show(up,'up') print(up.shape)
2.2 拉普拉斯金字塔
原始图像-（原始图像.Down）.Up
代码实现：
#拉普拉斯金字塔 #原始图像-（原始图像.Down）.Up down=cv2.pyrDown(img) down_up=cv2.pyrUp(down)
lapla=img-down_up lapla_inv=img-lapla cv_show(lapla,'lapla')
三、图像轮廓
cv2.findContours(img,mode,method)
mode:轮廓检索模式
RETR_EXTERNAL：只检测最外面的轮廓
RETR_LIST：检索所有轮廓，并将其保存到一条链表中
RETR_CCOMP：检索所有轮廓，并将它们组织为两层，顶层是各部分的外部边界，二层是空洞的边界
RETR_TREE（最常用，最好用）：检索所有轮廓，并重构嵌套轮廓的整个层次
method：轮廓逼近方法
CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）
CHAIN_APPROX_SIMPLE：压缩水平的，垂直和斜的部分，也就是，函数只保留它们的终点部分
3.1 绘制轮廓
#先将图像转换成灰度图 img=cv2.imread('pic.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转为二值图 #图像阈值：超过127取255，否则取0
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY) cv_show(thresh,'test')
#三个返回值分别是：之前版本openCV返回值有img，最新版没有了，只有两个返回值 #contours：轮廓(array)
hierarchy：轮廓之间的关系(列表)(层级)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
print(contours[0])#打印出第一个轮廓的所有点的坐标， 更改此处的0，为0--（总轮廓数-1），可打印出相应轮廓所有点的坐标
print(hierarchy) #打印出相应轮廓之间的关系
#绘制轮廓（注：注意复制原图，drawContours会保存图像）(新版openCV修改了此BUG) new_thresh=thresh.copy()
#传入参数，图像、轮廓坐标、索引（-1为所有轮廓坐标）、颜色模式、线条厚度
res=cv2.drawContours(new_thresh,contours,-1,(0,0,255),5) cv_show(res,'res')
3.1 轮廓特征
3.1.1 面积
#轮廓特征 #面积 cnt=contours[0] cv2.contourArea(cnt)
3.1.2 周长
#周长(True表示闭合的) cv2.arcLength(cnt,True)
3.2 轮廓近似
#轮廓近似 img=cv2.imread('pic.jpg') gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt=contours[0] draw_img=img.copy()
res=cv2.drawContours(draw_img,[cnt],-1,(0,0,255),5) cv_show(res,'res')
#近似值，一般为周长的十分之一 epsilon=0.1*cv2.arcLength(cnt,True)
#近似后新轮廓坐标，cnt：原轮廓坐标，epslion：近似值 approx=cv2.approxPolyDP(cnt,epsilon,True)
draw_img=img.copy() res=cv2.drawContours(draw_img,[approx],-1,(0,0,255),5)
cv_show(res,'res')
3.3 外接矩形
#外接矩形 #通过原始轮廓信息计算返回一个四个值：x,y,w,h x,y,w,h=cv2.boundingRect(cnt)
#cv2.rectangle:通过x,y,w,h绘制轮廓的函数
img=cv2.rectangle(draw_img,(x,y),(x+w,y+h),(0,255,0),2) cv_show(img,'test')
#原轮廓面积与外接矩形占比 area=cv2.contourArea(cnt)#原轮廓面积 new_area=w*h
extent=float(area)/new_area
3.4 外接圆
#外接圆 #通过原始轮廓计算返回外接圆的参数 x,y,radius=cv2.minEnclosingCircle(cnt) #设置圆心坐标
center=(int(x),int(y)) #转成int型 radius=int(radius) #绘制
img=cv2.circle(draw_img,center,radius,(0,255,0),2) cv_show(img,'img')