Основы обработки изображений OpenCV

OpenCV предоставляет богатые возможности обработки изображений и компьютерного зрения, включая чтение изображений, отображение, преобразование цветового пространства, фильтрацию, обнаружение краев, обнаружение контуров и многое другое.

В этой главе мы познакомимся с основными концепциями и распространенными функциями OpenCV.

Представление и обработка изображений

OpenCV используетмассивы NumPyдля представления данных изображения. Каждое изображение — это многомерный массив, где каждый элемент соответствует пикселю изображения. Размер и цветовой режим изображения также можно представить через форму массива.

Основные свойства изображения:

  • Размер изображения (Ширина, Высота): может бытьimg.shapeполучить.
  • Цветовые каналы (Channels): обычно RGB (три канала), или оттенки серого (один канал).
  • Тип данных (Data type): обычно используютсяuint8(диапазон 0-255), также может бытьfloat32или другие.

Чтение изображения:

import cv2
img = cv2.imread('image.jpg')
  • cv2.imread()Прочитать файл изображения и вернуть массив NumPy.

  • Если путь к изображению неверен или файл не существует, возвращаетNone。

Отображение изображения:

# 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()Используется для отображения изображения,cv2.waitKey(0)ожидает события нажатия клавиши,cv2.destroyAllWindows()закрывает все окна.

Сохранение изображения:

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

cv2.imwrite()Сохранить изображение по указанному пути.

Базовые операции с изображениями

1. Доступ к значениям пикселей и их изменение

# 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 изображения (область интереса)

# 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. Разделение и объединение каналов изображения

# 分离通道
b, g, r = cv2.split(image)

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

4. Масштабирование, поворот, сдвиг и отражение изображения

# 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)

Арифметические операции над изображениями

1. Сложение изображений

result = cv2.add(image1, image2)

2. Вычитание изображений

result = cv2.subtract(image1, image2)

3. Смешивание изображений

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

alphaиbeta— это вес,gamma— это скалярная величина.

Пороговая обработка изображения

1. Простая пороговая обработка

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

thresh— это пороговое значение,maxval— это максимальное значение.

2. Адаптивная пороговая обработка

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

3. Бинаризация Оцу

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

Сглаживание изображения

1. Средняя фильтрация

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

2. Гауссова фильтрация

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

3. Медианная фильтрация

blurred_image = cv2.medianBlur(image, kernel_size)

4. Двусторонняя фильтрация

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

Цветовые пространства изображения и преобразование

OpenCV поддерживает преобразование между множеством цветовых пространств, например из RGB в оттенки серого, HSV и т.д.

Преобразование цветового пространства очень важно во многих задачах обработки изображений.

Преобразование из RGB в оттенки серого:

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

Преобразование из BGR в HSV:

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

Преобразование из RGB в YUV:

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

Преобразование цветового пространства — базовая операция в обработке изображений, используемая для различных алгоритмов и визуальных эффектов.

Изменение размера и обрезка изображения

OpenCV предоставляет несколько способов изменения размера изображений и обрезки областей изображения.

Изменение размера изображения:

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

Обрезка изображения:

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

Определённую область изображения можно обрезать с помощью операций среза.

Сглаживание и шумоподавление изображения (размытие)

Сглаживание изображения позволяет уменьшить шум. Распространённые алгоритмы размытия включают размытие по Гауссу, среднее размытие и т. д.

Размытие по Гауссу:

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

Среднее размытие:

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

Медианное размытие:

blurred_img = cv2.medianBlur(img, 5)

Обнаружение краёв изображения

Обнаружение краёв — распространённая техника обработки изображений, используемая для обнаружения краёв на изображении. Наиболее часто используемый метод — обнаружение краёв Canny.

Обнаружение границ Canny:

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

Алгоритм Canny находит границы путем вычисления градиентов на изображении и возвращает бинарное изображение, в котором границы белые, а остальные области черные.

Оператор Собеля:

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

Оператор Лапласа:

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

Морфологические операции

Морфологические операции часто используются при обработке бинарных изображений. К распространенным операциям относятся эрозия, дилатация, размыкание, замыкание и т. д.

Эрозия:Сжимает белые области на изображении.

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

Дилатация:Расширяет белые области на изображении.

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

Операции размыкания и замыкания:

  • Размыкание (эрозия с последующей дилатацией): используется для удаления мелких объектов.
  • Замыкание (дилатация с последующей эрозией): используется для заполнения мелких отверстий на изображении.
opening_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

Обнаружение контуров изображения

OpenCV предоставляет мощные возможности обнаружения контуров, которые можно использовать в таких приложениях, как распознавание объектов и сегментация изображений.

Обнаружение контуров:

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)

Рисование контуров:

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

Обработка видео

OpenCV также поддерживает обработку видео. Она может читать видеофайлы, захватывать видеопотоки и выполнять обработку в реальном времени.

Чтение видео:

Примеры

cap = cv2.VideoCapture('video.mp4')
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    # Обработать каждый кадр
    cv2.imshow('Video', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()
Другие расширения