OpenCV3计算机视觉+python(二)

不同色彩空间的转换

当前，在计算机视觉中有三种常用的色彩空间：灰度、BGR以及HSV

1.灰度色彩空间是通过去除彩色信息来将其转换为灰阶，灰度色彩空间对中间处理特别有效，比如人脸检测

2.BGR,即蓝绿红色彩空间，每一个像素点都由一个三元组来表示

3.HSV,H(Hue)是色调，S(Saturation)是饱和度，V(value)表示黑暗的程度(或光谱另一端的明亮程度)

傅里叶变换

Numpy里有快速傅里叶变换（FFT）的包，它包含了fft2()函数，该函数可以计算一副图像的离散傅里叶变换(DFT)。

下面通过傅里叶变换来介绍图像的幅度谱。图像的幅度谱是另一种图像，幅度谱图像呈现了原始图像在变化方面的一种表示：把一幅图像中最明亮的像素放到图像中央，然后逐渐变暗，在边缘上的像素最暗。这样可以发现图像中有多少亮的像素和暗的像素，以及他们分布的百分比。

高通滤波器

高通滤波器是检测图像的某个区域，然后根据像素与周围像素的亮度差来提升该像素的亮度的滤波器

以如下的核kernel为例：

[[0,-0.25,0],

[-0.25,1,-0.25],

[0,-0.25,0]]

核是指一组权重的集合，他会应用在源图像的一个区域，并由此生成目标图像的一个像素。

在计算完中央像素与周围邻近像素的亮度的差值之和以后，如果亮度变化很大，中央像素的亮度会增加，反之则不会。

高通和低通滤波器都有一个称为半径的属性，它决定了多大面积的邻近像素参与滤波运算。

这些滤波器中的所有值加起来为0

import cv2
import numpy as np
from scipy import ndimage
kernel_3X3=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
kernel_5X5=np.array([[-1,-1,-1,-1,-1],[-1,1,2,1,-1],[-1,2,4,2,-1],[-1,1,2,1,-1],[-1,-1,-1,-1,-1]])

img=cv2.imread("1.jpg",0)
k3=ndimage.convolve(img,kernel_3X3)#卷积
k5=ndimage.convolve(img,kernel_5X5)#卷积

blurred=cv2.GaussianBlur(img,(11,11),0)
g_hpf=img-blurred
#两种高通滤波的效果
cv2.imshow("3x3",k3)
cv2.imshow("5x5",k5)
#通过对图像应用低通滤波器之后，与原始图像计算差值
cv2.imshow("g_hpf",g_hpf)
cv2.waitKey()
cv2.destroyAllWindows()

低通滤波器

低通滤波器（LPF）则是在像素与周围像素的亮度的亮度差值小于一个特定值时，平滑该像素的亮度。它主要用于去噪和模糊化。比如说，高斯模糊是最常用的模糊滤波器（平滑滤波器）之一，它是一个消弱高频信号强度的低通滤波器。

边缘检测

边缘在认类视觉和计算机视觉中均起着重要的作用

OpenCV提供了许多边缘检测滤波函数，包括Laplacian()、Sobel()以及Scharr()。这些滤波函数都会将非边缘区域转换为黑色，将边缘区域转为白色或其他饱和的颜色。但是这些函数都很容易将噪声错误地识别为边缘。缓解这个问题的方法是在找到边缘之前对图像进行模糊处理。OpenCV也提供了许多模糊滤波函数，包括blur()（简单的算术平均)、medianBlur()以及GaussianBlur()。边缘检测滤波函数和模糊滤波函数的参数有很多，但总会有一个ksize参数，它是一个奇数，表示滤波核的宽和高（以像素为单位）。

这里使用medianBlur()作为模糊函数，它对去除数字化的视频噪声非常有效，特别是去除彩色图像的噪声；使用Laplacian()作为边缘检测函数，他会产生明显的边缘线条，灰度图像更是如此。在使用medianBlur()函数之后，将要使用Laplacian()函数之前，需要将图像从BRG色彩空间转换为灰色色彩空间。

在得到Laplacian()函数的结果之后，需要将其转换成黑色边缘和白色背景的图像。然后将其归一化（使其像素值在0-1之间），并乘以源图像以便能将边缘变黑

用定制内核做卷积

OpenCV预定义的许多滤波器（滤波函数）都会使用核。其实核是一组权重，它决定如何通过邻近像素点来计算新的像素点。核也称为卷积矩阵，它对一个区域的像素做调和（mix up）或卷积运算。通常基于核的滤波器（滤波函数）被称为卷积滤波器（滤波函数）。

OpenCV提供了一个非常通用的filter2D()函数，它运用由用户指定的任意核或卷积矩阵。

cv.filter2D(src,-1,kernel,dst)

第二个参数指定了目标图像每个通道的位深度，如果为负值，则表示目标图像和源图像有同样的位深度。

对于彩色图像来说，filter2D()会对每个通道都用同样的核。如果要对每个通道使用不同的核，就必须用split()函数和merge()函数

Canny边缘检测

Canny边缘检测算法非常复杂，但也很有趣：它有5个步骤，即使用高斯滤波器对图像及逆行去噪、计算梯度、在边缘上使用非最大抑制（NMS）、在检测到的边缘上使用双阈值去除假阳性，最后还会分析所有的边缘及其之间的连接，以保留真正的边缘并消除不明显的边缘。

import cv2
import numpy as np
img=cv2.imread("1.jpg",0)
c=cv2.Canny(img,200,300)
cv2.imshow("canny",c)
cv2.waitKey()
cv2.destroyAllWindows()

轮廓检测

在计算机视觉中，轮廓检测是另一个比较重要的任务，不单是用来检测图像或者视频帧中物体的轮廓，而且还有其他操作与轮廓检测有关。这些操作有：计算多边形边界、形状逼近和计算感兴趣区域。这是与图像数据交互时的简单操作，因为Numpy中的矩形区域可以使用数组切片（slice）来定义。

import cv2
import numpy as np

img=np.zeros((200,200),dtype=np.uint8)
img[50:150,50:150]=255
ret,thresh=cv2.threshold(img,127,255,0)
image,contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
color=cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
img=cv2.drawContours(color,contours,-1,(0,255,0),2)
cv2.imshow("contours",color)
cv2.waitKey()
cv2.destroyAllWindows()

这段代码首先创建了一个200X200大小的黑色空白图像，接着在图像的中央放置一个白色方块，这里用到了np数组在切片上赋值的功能。

接下来对图像进行二值化操作，然后调用了findContours()函数。该函数有三个参数：输入图像，层次类型和轮廓逼近方法。它有几个方面特别有趣：

1.这个函数会修改输入图像，因此建议使用原始图像的一份拷贝

2.由函数返回的层次树相当重要：cv2.RETR_TREE参数会得到图像中轮廓的整体层次结构，以此来建立轮廓之间的“关系”。如果只想得到最外面的轮廓，可使用cv2.RETR_EXTERNAL。这对消除包含在其他轮廓中的轮廓很有用

findContours()函数有三个返回值：修改后的图像、图像的轮廓以及他们的层次。使用轮廓来画出图像的彩色版本，并显示出来。