以下所有操作都基於這三個庫：
import cv2
import numpy as np
import matplotlib.pylab as plt
1、圖片讀取
img=cv2.imread('image/lenacolor.png',cv2.IMREAD_UNCHANGED)
##原圖展示
cv2.IMREAD_UNCHANGED
##灰度圖展示
cv2.IMREAD_GRAYSCALE
##彩色圖展示
cv2.IMREAD_COLOR
2、圖片保存
cv2.imwrite('image/gray_test.jpg',img)
3、圖片展示
cv2.imshow('original',img)
4、圖片暫停展示
cv2.waitKey(num)
##按鍵輸入消失
num<0
##0或不填系數 ，一直不消失
num==0
##停滯num秒
num>0
5、 關閉所有窗口
cv2.destroyAllWindows()
6、圖像賦值
1)基本操作
img[100,100]=255 #灰度圖賦值
img[100,100,0]=255 #彩色圖單通道賦值
img[100,100]=[255,255,255] #彩色圖多通道賦值
2)numpy操作
img.item(100, 100, 2) #獲得（100,100）點，2通道的值
img.itemset((100, 100, 2), 255) #設置（100,100）點2通道的值
7、獲取圖像屬性
##獲取BGR圖 高、寬、深度
h，w，d=img.shape
##獲得圖片大小 h*w 或 h*w*d
img_size=img.size
##獲得圖片數據類型
img.dtype
8、感興趣區域ROI （region of interest）
##獲得面部圖像
face= img[220:400, 250:350]
##粘貼臉部圖像，可以跨圖粘貼
img[0:180, 0:100]=face
9、通道分解合並
##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)
##通道合並
rgb=cv2.merge([r,g,b])
##只顯示藍色通道
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、圖像加法
##超過255則為0
result1= img1 + img2
##超過255則為255
result2=cv2.add(img1, img2)
##圖像帶權重融合，第5個參數為偏移量
result=cv2.addWeighted(img1,0.5,img2,0.5, 0)
11、圖像類型轉換
##彩色圖轉灰度圖
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
##BGR圖轉RGB圖（重點：opencv的通道是 藍、綠、紅跟計算機常用的紅、綠、藍通道相反）
img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
##灰度圖轉BGR圖,每個通道都是之前的灰度值
img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)
12、圖像縮放 （寬、高）
##圖片縮放->(200,100)
img2=cv2.resize(img1, (200, 100))
##按比例縮放->(0.5,1.2)
img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
##按比例縮放，參數版
img2=cv2.resize(img1, None, fx=1.2, fy=0.5)
13、圖像翻轉
img2=cv2.flip(img1, 0) #上下翻轉
img2=cv2.flip(img1, 1) #左右翻轉
img2=cv2.flip(img1, -1) #上下、左右翻轉
14、圖像移動、旋轉、縮放
##圖像移動=>(100,200)
M = np.float32([[1, 0, 100], [0, 1, 200]])
b=cv2.warpAffine(img1, M, (height, width))
##圖像中心、旋轉45度、縮放0.6
M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6)
img2=cv2.warpAffine(img1, M, (height, width))
##圖像菱形轉換
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、圖像閾值轉換 、二值化
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #圖像二值化，閾值127,r為返回閾值，b為二值圖
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #圖像反二值化
r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY) #低於threshold則為0
r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY_INV) #高於threshold則為0
r,b=cv2.threshold(a,127,255,cv2.THRESH_TRUNC) #截斷=>高於threshold則為threshold
16、圖像平滑處理
##均值濾波
img2=cv2.blur(img1, (5, 5)) #sum(square)/25
##normalize=1 均值濾波,normalize=0 區域內像素求和
img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)
##高斯濾波,第三個參數是方差,默認0計算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷積核只能是奇數)
img1=cv2.GaussianBlur(img, (3, 3), 0) #距離像素中心點近的權重較大，以高斯方式往四周分布
##中值濾波,效果非常好?
img1=cv2.medianBlur(img,3) #獲得中心點附近像素排序后的中值
17、形態學操作
##圖像腐蝕，k為全1卷積核
k=np.ones((5,5),np.uint8)
img1=cv2.erode(img, k, iterations=2)
##圖像膨脹
k=np.ones((5,5),np.uint8)
img1=cv2.dilate(img, k, iterations=2)
##圖像開運算 （先腐蝕后膨脹），去掉圖形外側噪點
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)
##圖像閉運算（先膨脹后腐蝕） ，去掉圖形內側噪點
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)
##圖像梯度運算（膨脹-腐蝕）
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)
##高帽運算 （原圖-開運算），獲得圖形外噪點
k=np.ones((5,5),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
##黑帽運算（閉運算-原圖），獲得圖像內噪點
k=np.ones((10,10),np.uint8)
img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)
18、圖像梯度，邊緣提取
##sobel梯度邊緣提取，卷積核豎向[[-1,-2,-1][0,0,0][1,2,1]]
sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #橫向邊緣提取
sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #豎向邊緣提取
sobelx = cv2.convertScaleAbs(sobelx) # 負值取正，圖像展示只能有正值
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #圖像融合
##scharr梯度邊緣提取，卷積核豎向[[-3,-10,-3][0,0,0][3,10,3]] ，scharr比sobel卷積核過濾出更多細節
scharrx = cv2.Scharr(o,cv2.CV_64F,1,0)
scharry = cv2.Scharr(o,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx) # 負值取正
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #圖像融合
## 拉普拉斯梯度,邊緣提取版本1 , 拉普拉斯圖像梯度 [[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,邊緣提取版本2，結果略有不同
f=np.array([[0,1,0],[1,-4,1],[0,1,0]])
img1=cv2.filter2D(img, -1, f)
19、canny邊緣檢測
##canny邊緣檢測理論
sobel梯度大小：0.5|x|+0.5|y|
高斯濾波 梯度方向：arctan(y/x) 同方向上保留最大梯度
去噪------------------------->梯度------------------------------------->非極大值抑制---------------------------->
跟高閾值連通的線會保留
滯后閾值--------------------->out
##canny邊緣檢測代碼
img1 = cv2.Canny(img,100,200) #參數：圖片、低閾值、高閾值
20、圖像金字塔
##圖片向下采樣，高斯濾波 1/2 刪掉偶數列
img1 = cv2.pyrDown(img)
##圖片向上采樣 ，面積*2 高斯濾波*4 ，下采樣為不可逆運算
img3=cv2.pyrUp(img2)
##計算拉普拉斯金字塔
img1 = cv2.pyrDown(img) #下采樣
img2=cv2.pyrUp(img1) #上采樣
img3=img-img2
21、圖像輪廓標注
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度圖轉化
dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值圖轉化
image_,contours,hierarchy=cv2.findContours(img_bin,mode=cv2.RETR_TREE,
method=cv2.CHAIN_APPROX_SIMPLE) #獲得圖像輪廓
to_write=img.copy() #原始圖像copy，否則會在原圖上繪制
ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #紅筆繪制圖像輪廓
22、直方圖
##matplotlib 繪制直方圖
plt.hist(img.ravel(),256)
##用opencv計算直方圖列表
hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
##掩膜提取局部直方圖
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、並、補、異或操作
masked_img=cv2.bitwise_and(img,mask)
##直方圖均衡化原理
圖像直方圖->直方圖歸一化->累計直方圖->*255 x坐標映射->對原來的像素值進行新像素值編碼
##直方圖均衡化調用
img1=cv2.equalizeHist(img)
##matplotlib繪制圖片前通道轉換
img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
##matplotlib多圖繪制在一個面板上
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、圖像傅里葉變換（空間域=>頻域）
##圖像傅里葉變換 （轉化為虛數，實部為幅度，虛部為頻率）
fft=np.fft.fft2(img)
fft_center=np.fft.fftshift(fft)
fft_flect=20*np.log(np.abs(fft_center))
##圖像傅里葉逆變換
fft_left=np.fft.ifftshift(fft_center)
ifft=np.fft.ifft2(fft_left)
img_f=np.abs(ifft)
##高通濾波
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 #原圖操作，低頻信號歸0
##opencv 傅里葉變換
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
fft_center=np.fft.fftshift(dft)
##opencv 低通濾波
mask=np.zeros((h,w,2),dtype=np.uint8) #定義掩膜
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 #點乘，保留低頻信號
##opencv 傅里葉反變換
fft_left=np.fft.ifftshift(dshift)
ifft=cv2.idft(fft_left)
img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2）
————————————————
版權聲明：本文為CSDN博主「黑暗騎士V」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/JsonD/article/details/84983702