记录下： https://blog.csdn.net/JsonD/article/details/84983702
以下所有操作都基于这三个库：
import cv2
import numpy as np
import matplotlib.pylab as plt
1、图片读取
img=cv2.imread('image/lenacolor.png',cv2.IMREAD_UNCHANGED)
原图展示
cv2.IMREAD_UNCHANGED
灰度图展示
cv2.IMREAD_GRAYSCALE
彩色图展示
cv2.IMREAD_COLOR
2、图片保存
cv2.imwrite('image/gray_test.jpg',img)
3、图片展示
cv2.imshow('original',img)
4、图片暂停展示
##num<0 按键输入消失
##num==0 或不填系数 ，一直不消失
##num>0 停滞num秒
cv2.waitKey(num)
5、 关闭所有窗口
cv2.destroyAllWindows()
6、图像赋值
1)基本操作
img[100,100]=255 #灰度图赋值
img[100,100,0]=255 #彩色图单通道赋值
img[100,100]=[255,255,255] #彩色图多通道赋值
2)numpy操作
img.item(100, 100, 2) #获得（100,100）点，2通道的值
img.itemset((100, 100, 2), 255) #设置（100,100）点2通道的值
7、获取图像属性
##获取BGR图 高、宽、深度
h，w，d=img.shape
##获得图片大小 h*w 或 h*w*d
img_size=img.size
##获得图片数据类型
img.dtype
8、感兴趣区域ROI （region of interest）
##获得面部图像
face= img[220:400, 250:350]
##粘贴脸部图像，可以跨图粘贴
img[0:180, 0:100]=face
9、通道分解合并
##通道分解方案1
b=img[:,:,0]
g=img[:,:,1]
r=img[:,:,2]
##通道分解方案2
b,g,r=cv2.split(img)
##通道合并
rgb=cv2.merge([r,g,b])
##只显示蓝色通道
b=cv2.split(a)[0]
g = np.zeros((rows,cols),dtype=a.dtype)
r = np.zeros((rows,cols),dtype=a.dtype)
m=cv2.merge([b,g,r])
10、图像加法
##超过255则为0
result1= img1 + img2
##超过255则为255
result2=cv2.add(img1, img2)
##图像带权重融合，第5个参数为偏移量
result=cv2.addWeighted(img1,0.5,img2,0.5, 0)
11、图像类型转换
##彩色图转灰度图
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
##BGR图转RGB图（重点：opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反）
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
##灰度图转BGR图,每个通道都是之前的灰度值
img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)
12、图像缩放 （宽、高）
##图片缩放->(200,100)
img2=cv2.resize(img1, (200, 100))
##按比例缩放->(0.5,1.2)
img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
##按比例缩放，参数版
img2=cv2.resize(img1, None, fx=1.2, fy=0.5)
13、图像翻转
img2=cv2.flip(img1, 0) #上下翻转
img2=cv2.flip(img1, 1) #左右翻转
img2=cv2.flip(img1, -1) #上下、左右翻转
14、图像移动、旋转、缩放
##图像移动=>(100,200)
M = np.float32([[1, 0, 100], [0, 1, 200]])
b=cv2.warpAffine(img1, M, (height, width))
##图像中心、旋转45度、缩放0.6 M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6)
img2=cv2.warpAffine(img1, M, (height, width))
##图像菱形转换
p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角
p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]])
M=cv2.getAffineTransform(p1,p2) dst=cv2.warpAffine(img,M,(cols,rows))
15、图像阈值转换 、二值化
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化，阈值127,r为返回阈值，b为二值图
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold则为0
r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold则为0
r,b=cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold
16、图像平滑处理
##均值滤波
img2=cv2.blur(img1, (5, 5)) #sum(square)/25
##normalize=1 均值滤波,normalize=0 区域内像素求和
img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)
##高斯滤波,第三个参数是方差,默认0计算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数)
img1=cv2.GaussianBlur(img, (3, 3), 0) #距离像素中心点近的权重较大，以高斯方式往四周分布
##中值滤波,效果非常好?
img1=cv2.medianBlur(img,3) #获得中心点附近像素排序后的中值
17、形态学操作
##图像腐蚀，k为全1卷积核
k=np.ones((5,5),np.uint8)
img1=cv2.erode(img, k, iterations=2)
##图像膨胀
k=np.ones((5,5),np.uint8)
img1=cv2.dilate(img, k, iterations=2)
##图像开运算 （先腐蚀后膨胀），去掉图形外侧噪点
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)
##图像闭运算（先膨胀后腐蚀） ，去掉图形内侧噪点
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)
##图像梯度运算（膨胀-腐蚀）
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)
##高帽运算 （原图-开运算），获得图形外噪点
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
##黑帽运算（闭运算-原图），获得图像内噪点
k=np.ones((10,10),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)
18、图像梯度，边缘提取
##sobel梯度边缘提取，卷积核竖向[[-1,-2,-1][0,0,0][1,2,1]]
sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #横向边缘提取
sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #竖向边缘提取
sobelx = cv2.convertScaleAbs(sobelx) # 负值取正，图像展示只能有正值
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #图像融合
##scharr梯度边缘提取，卷积核竖向[[-3,-10,-3][0,0,0][3,10,3]] ，scharr比sobel卷积核过滤出更多细节
scharrx = cv2.Scharr(o,cv2.CV_64F,1,0)
scharry = cv2.Scharr(o,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx) # 负值取正
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #图像融合
## 拉普拉斯梯度,边缘提取版本1 , 拉普拉斯图像梯度 [[0,1,0][1,-4,1][0,1,0] ]
img1 = cv2.Laplacian(img, cv2.CV_64F)
img1 = cv2.convertScaleAbs(img1)
##拉普拉斯梯度,边缘提取版本2，结果略有不同
f=np.array([[0,1,0],[1,-4,1],[0,1,0]])
img1=cv2.filter2D(img, -1, f)
19、canny边缘检测
canny边缘检测理论
sobel梯度大小：0.5|x|+0.5|y|
高斯滤波 梯度方向：arctan\(y/x\) 同方向上保留最大梯度
去噪------------------------->梯度------------------------------------->非极大值抑制---------------------------->
跟高阈值连通的线会保留
滞后阈值--------------------->out
##canny边缘检测代码
img1 = cv2.Canny(img,100,200) #参数：图片、低阈值、高阈值
20、图像金字塔
##图片向下采样，高斯滤波 1/2 删掉偶数列
img1 = cv2.pyrDown(img)
##图片向上采样 ，面积*2 高斯滤波*4 ，下采样为不可逆运算
img3=cv2.pyrUp(img2)
##计算拉普拉斯金字塔
img1 = cv2.pyrDown(img) #下采样
img2=cv2.pyrUp(img1) #上采样
img3=img-img2
21、图像轮廓标注
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度图转化
dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化
image_,contours,hierarchy=cv2.findContours(img_bin, mode=cv2.RETR_TREE, method=cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓
to_write=img.copy() #原始图像copy，否则会在原图上绘制
ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #红笔绘制图像轮廓
22、直方图
##matplotlib 绘制直方图
plt.hist(img.ravel(),256)
##用opencv计算直方图列表
hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
##掩膜提取局部直方图
pad=np.zeros(img.shape,np.uint8)
pad[200:400,200:400]=255 hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])
##opencv 交、并、补、异或操作
masked_img=cv2.bitwise_and(img,mask)
直方图均衡化原理
图像直方图->直方图归一化->累计直方图->*255 x坐标映射->对原来的像素值进行新像素值编码
##直方图均衡化调用
img1=cv2.equalizeHist(img)
##matplotlib绘制图片前通道转换
img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
##matplotlib多图绘制在一个面板上
plt.subplot('221'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original')
plt.subplot('222'), plt.imshow(img1, cmap=plt.cm.gray), plt.axis('off')
plt.subplot('223'), plt.hist(img.ravel(),256) plt.subplot('224'), plt.hist(img1.ravel(), 256)
23、图像傅里叶变换（空间域=>频域）
##图像傅里叶变换 （转化为虚数，实部为幅度，虚部为频率）
fft=np.fft.fft2(img)
fft_center=np.fft.fftshift(fft)
fft_flect=20*np.log(np.abs(fft_center))
##图像傅里叶逆变换
fft_left=np.fft.ifftshift(fft_center)
ifft=np.fft.ifft2(fft_left)
img_f=np.abs(ifft)
##高通滤波
h_c,w_c=round(h/2),round(w/2)
fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0 #原图操作，低频信号归0
##opencv 傅里叶变换
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
fft_center=np.fft.fftshift(dft)
##opencv 低通滤波
mask=np.zeros((h,w,2),dtype=np.uint8) #定义掩膜
h_c,w_c=round(h/2),round(w/2) R=20
mask[h_c-R:h_c+R,w_c-R:w_c+R]=1
dshift=fft_center*mask #点乘，保留低频信号
##opencv 傅里叶反变换
fft_left=np.fft.ifftshift(dshift)
ifft=cv2.idft(fft_left)
img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2）