亲宝软件园·资讯

展开

python opencv边缘提取 python+opencv边缘提取与各函数参数解析

宇~ 人气:0

前情提要:作为刚入门机器视觉的小伙伴,第一节课学到机器视觉语法时觉得很难理解,

很多人家的经验,我发现都千篇一律,功能函数没解析,参数不讲解,就一个代码,所以在此将搜集的解析和案例拿出来汇总!!!

一、opencv+python环境搭建

其实能写python的就能写opencv,但是工具很总要,代码提示也很重要,你可能会用submit     vs等工具,submit编码个人觉得不够智能,vs的话过完年我学的方向不一致,所以没用

推荐 pycharm ,在项目setting中的项目解释器中安装 opencv-python 即可进行编码。python环境搭建也灰常方便。

二、边缘提取案例

import cv2
def edge_demo(image):
  #GaussianBlur图像高斯平滑处理
  blurred = cv2.GaussianBlur(image, (3, 3), 0)
  #(3, 3)表示高斯矩阵的长与宽都是3,意思就是每个像素点按3*3的矩阵在周围取样求平均值,,标准差取0
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  #颜色模式转换成cv2.COLOR_BGR2GRAY模式下的灰度图像
  
  edge_output = cv2.Canny(gray, 50, 150)
  #提取上一步中处理好的图像边缘,50和150分别代表低阈值和高阈值,高阈值用来将物体与背景区分开来,低的用于平滑连接高阈值产生的片段,使图像成一个整体
  cv2.imshow("canny edge", edge_output)#输出灰度图像
  #原图与灰度图像与运算,按照灰度图剪切加和的原图
  dst = cv2.bitwise_and(image, image, mask=edge_output)  cv2.imshow("color edge", dst)#输出带颜色边缘图像


if __name__ == '__main__':
  img = cv2.imread("cat.jpg")
  # cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE)
  cv2.imshow("input image", img)
  edge_demo(img)

  cv2.waitKey(0)#等待键盘输入,不输入 则无限等待
  cv2.destroyAllWindows()#清除所以窗口

三、解释功能函数

其实上面的代码也是用的别人的,但绝大多数都没有解释,对于像我这种新手不是很友好

高斯处理

图像处理中,常用的滤波算法有均值滤波、中值滤波以及高斯滤波等。

三种滤波器的对比:

滤波器种类 基本原理 特点

均值滤波 使用模板内所有像素的平均值代替模板中心像素灰度值 易收到噪声的干扰,不能完全消除噪声,只能相对减弱噪声

中值滤波 计算模板内所有像素中的中值,并用所计算出来的中值体改模板中心像素的灰度值 对噪声不是那么敏感,能够较好的消除椒盐噪声,但是容易导致图像的不连续性

高斯滤波 对图像邻域内像素进行平滑时,邻域内不同位置的像素被赋予不同的权值 对图像进行平滑的同时,同时能够更多的保留图像的总体灰度分布特征

意思就是使你的图像灰度分布更均匀,每个点的像素均为周围 按3*3的矩阵在周围取样求平均值,,标准差取0来处

 blurred = cv2.GaussianBlur(image, (3, 3), 0)
#GaussianBlur图像高斯平滑处理
#(3, 3)表示高斯矩阵的长与宽都是3,意思就是每个像素点按3*3的矩阵在周围取样求平均值,,标准差取0

灰度转换----》也叫做二值化处理

故名思意就是转换成黑白图像,后面的参数中    cv2.COLOR_BGR2GRAY  其实就是色彩模式,所以函数名为 cvtColor(色彩模式转换)

cvtColor()用于将图像从一个颜色空间转换到另一个颜色空间的转换(目前常见的颜色空间均支持),并且在转换的过程中能够保证数据的类型不变, 即转换后的图像的数据类型和位深与源图像一致

 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  #颜色模式转换成cv2.COLOR_BGR2GRAY模式下的灰度图像

边缘识别提取

这一步是将二值化后的图像提取边缘,50和150分别代表低阈值和高阈值,高阈值用来将物体与背景区分开来,低的用于平滑连接高阈值产生的片段,使图像成一个整体

简明而言就是,小的用于细小的地方处理,大的宏观处理----》大阈值用于分离背景与轮廓,晓得用于拼接细小的轮廓,即可形成一个整体

edge_output = cv2.Canny(gray, 50, 150)
  #提取上一步中处理好的图像边缘,50和150分别代表低阈值和高阈值,高阈值用来将物体与背景区分开来,低的用于平滑连接高阈值产生的片段,使图像成一个整体

输出即可,小面的函数只是对比学习而已,可以不用

(对于dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow("color edge", dst)#输出带颜色边缘图像

)

加载全部内容

相关教程
猜你喜欢
用户评论