Conceptos básicos de procesamiento de imágenes de OpenCV

OpenCV ofrece funciones ricas de procesamiento de imágenes y visión por computadora, incluyendo lectura de imágenes, visualización, conversión de espacio de color, filtrado, detección de bordes, detección de contornos, etc.

En este capítulo presentaremos los conceptos básicos y las funciones comunes de OpenCV.

Representación y procesamiento de imágenes

OpenCV utilizamatrices NumPypara representar los datos de imagen. Cada imagen es una matriz multidimensional, donde cada elemento corresponde a un píxel de la imagen. Las dimensiones y el modo de color de la imagen también se pueden representar mediante la forma del arreglo.

Propiedades básicas de la imagen:

  • Dimensiones de la imagen (Ancho, Alto): se pueden obtener medianteimg.shapela forma (shape).
  • Canales de color (Channels): generalmente RGB (tres canales), también puede ser una imagen en escala de grises (un solo canal).
  • Tipo de datos (Data type): los más comunes sonuint8(rango 0-255), también puede serfloat32u otros.

Leer imagen:

import cv2
img = cv2.imread('image.jpg')
  • cv2.imread()Lee un archivo de imagen y devuelve una matriz NumPy.

  • Si la ruta de la imagen es incorrecta o el archivo no existe, devuelveNone。

Mostrar imagen:

# 显示图像
cv2.imshow("Display Window", image)

# 等待按键输入
cv2.waitKey(0)

# 关闭所有窗口
cv2.destroyAllWindows()

cv2.imshow()Se utiliza para mostrar la imagen,cv2.waitKey(0)espera un evento de tecla,cv2.destroyAllWindows()cierra todas las ventanas.

Guardar imagen:

# 保存图像
cv2.imwrite("output_image.jpg", image)

cv2.imwrite()Guarda la imagen en la ruta especificada.

Operaciones básicas de imágenes

1. Acceder y modificar valores de píxeles

# 获取像素值 (BGR 格式)
pixel_value = image[100, 100]  # 获取 (100, 100) 处的像素值

# 修改像素值
image[100, 100] = [255, 255, 255]  # 将 (100, 100) 处的像素设置为白色

2. ROI de imagen (Región de Interés)

# 获取 ROI
roi = image[50:150, 50:150]  # 获取 (50,50) 到 (150,150) 的区域

# 修改 ROI
image[50:150, 50:150] = [0, 255, 0]  # 将 ROI 区域设置为绿色

3. Separación y fusión de canales de imagen

# 分离通道
b, g, r = cv2.split(image)

# 合并通道
merged_image = cv2.merge([b, g, r])

4. Escalado, rotación, traslación y volteo de imágenes

# 缩放
resized_image = cv2.resize(image, (new_width, new_height))

# 旋转
rotation_matrix = cv2.getRotationMatrix2D((center_x, center_y), angle, scale)
rotated_image = cv2.warpAffine(image, rotation_matrix, (width, height))

# 平移
translation_matrix = np.float32([[1, 0, tx], [0, 1, ty]])  # tx, ty 为平移距离
translated_image = cv2.warpAffine(image, translation_matrix, (width, height))

# 翻转
flipped_image = cv2.flip(image, flip_code)  # flip_code: 0 (垂直翻转), 1 (水平翻转), -1 (双向翻转)

Operaciones aritméticas de imágenes

1. Suma de imágenes

result = cv2.add(image1, image2)

2. Resta de imágenes

result = cv2.subtract(image1, image2)

3. Mezcla de imágenes

result = cv2.addWeighted(image1, alpha, image2, beta, gamma)

alphaybetaes el peso,gammaes el valor escalar.

Umbralización de imágenes

1. Umbralización simple

ret, thresholded_image = cv2.threshold(image, thresh, maxval, cv2.THRESH_BINARY)

threshes el umbral,maxvales el valor máximo.

2. Umbralización adaptativa

thresholded_image = cv2.adaptiveThreshold(image, maxval, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, block_size, C)

3. Binarización de Otsu

ret, thresholded_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

Suavizado de imágenes

1. Filtro de media

blurred_image = cv2.blur(image, (kernel_size, kernel_size))

2. Filtro gaussiano

blurred_image = cv2.GaussianBlur(image, (kernel_size, kernel_size), sigmaX)

3. Filtro de mediana

blurred_image = cv2.medianBlur(image, kernel_size)

4. Filtro bilateral

blurred_image = cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace)

Espacio de color y conversión de imágenes

OpenCV admite la conversión entre múltiples espacios de color, como de RGB a escala de grises, HSV, etc.

La conversión del espacio de color de imágenes es muy importante en muchas tareas de procesamiento de imágenes.

Convertir de RGB a escala de grises:

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

Convertir de BGR a HSV:

hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

Convertir de RGB a YUV:

yuv_img = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)

La conversión del espacio de color es una operación básica en el procesamiento de imágenes, utilizada para diferentes algoritmos y efectos visuales.

Redimensionamiento y recorte de imágenes

OpenCV proporciona múltiples formas de redimensionar imágenes y recortar regiones de la imagen.

Redimensionar imagen:

resized_img = cv2.resize(img, (width, height))

Recortar imagen:

cropped_img = img[y1:y2, x1:x2]

Se puede recortar una región específica de la imagen mediante operaciones de segmentación (slicing).

Suavizado y eliminación de ruido de imágenes (desenfoque)

El suavizado de imágenes puede reducir el ruido. Los algoritmos de desenfoque comunes incluyen el desenfoque gaussiano, el desenfoque de media, etc.

Desenfoque gaussiano:

blurred_img = cv2.GaussianBlur(img, (5, 5), 0)

Desenfoque de media:

blurred_img = cv2.blur(img, (5, 5))

Desenfoque de mediana:

blurred_img = cv2.medianBlur(img, 5)

Detección de bordes de imágenes

La detección de bordes es una técnica común de procesamiento de imágenes utilizada para detectar bordes en una imagen. El método más utilizado es la detección de bordes Canny.

Detección de bordes Canny:

edges = cv2.Canny(img, 100, 200)

El algoritmo Canny encuentra los bordes mediante el cálculo de gradientes de la imagen, devolviendo una imagen binaria donde los bordes son blancos y el resto de las áreas son negras.

Operador Sobel:

sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)

Operador Laplaciano:

laplacian = cv2.Laplacian(image, cv2.CV_64F)

Operaciones morfológicas

Las operaciones morfológicas se utilizan comúnmente en el procesamiento de imágenes binarias. Las operaciones comunes incluyen erosión, dilatación, apertura, cierre, etc.

Erosión (Erosion):Contrae las regiones blancas de la imagen.

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
eroded_img = cv2.erode(img, kernel, iterations=1)

Dilatación (Dilation):Expande las regiones blancas de la imagen.

dilated_img = cv2.dilate(img, kernel, iterations=1)

Apertura y cierre:

  • Apertura (primero erosión, luego dilatación): se utiliza para eliminar objetos pequeños.
  • Cierre (primero dilatación, luego erosión): se utiliza para rellenar pequeños agujeros en la imagen.
opening_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

Detección de contornos de imágenes

OpenCV proporciona potentes funciones de detección de contornos, que se pueden utilizar en aplicaciones como reconocimiento de objetos, segmentación de imágenes, etc.

Detectar contornos:

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, threshold_img = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(threshold_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

Dibujar contornos:

cv2.drawContours(img, contours, -1, (0, 255, 0), 3)

Procesamiento de video

OpenCV también admite el procesamiento de video, puede leer archivos de video, capturar flujos de video y realizar procesamiento en tiempo real.

Leer video:

Ejemplos

cap = cv2.VideoCapture('video.mp4')
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    # Procesar cada fotograma
    cv2.imshow('Video', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()
Otras extensiones