openCV 二 图像处理

官网：https://docs.opencv.org/3.2.0/df/d9d/tutorial_py_colorspaces.html

改变颜色空间

本教程颜色空间转换：BGR ↔ Gray and BGR ↔ HSV.

cv2.cvtColor(input_image, flag)

• input_image：输入图像
• flag：openCV标志位，决定颜色空间转换类型，如：(BGR → Gray->flags cv2.COLOR_BGR2GRAY)、(BGR → HSV->cv2.COLOR_BGR2HSV)

获取所有颜色空间转换标志

import cv2
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print(flags)

目标追踪

现在我们知道如何转换BGR图像到HSV图像，我们可以使用这个去抽取一个颜色对象。HSV比BGR颜色空间更容易去表示一个颜色，在我们的应用中，我们尝试去抽取一个蓝色的颜色对象，具体描述：

1、提取视频的每一帧

2、从BGR颜色空间转换到HSV颜色空间

3、我们为HSB图像设置一个蓝色范围的阈值

4、现在单独提取这个蓝色对象

官方示例代码：

import cv2
import numpy as np

cap = cv2.VideoCapture(0)
while (1):
    # 获取每一帧
    _, frame = cap.read()
    # Convert BGR to HSV
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    # define range of blue color in HSV
    lower_blue = np.array([110, 50, 50])
    upper_blue = np.array([130, 255, 255])
    # 将HSV图像阈值化以仅获得蓝色
    mask = cv2.inRange(hsv, lower_blue, upper_blue)
    # 按位与操作
    res = cv2.bitwise_and(frame, frame, mask=mask)
    cv2.imshow('frame', frame)
    cv2.imshow('mask', mask)
    cv2.imshow('res', res)
    k = cv2.waitKey(5) & 0xFF
    if k == 27:
        break
cv2.destroyAllWindows()

蓝色物体追踪展示：

注意：

1、在这张图片上有一些噪声，在之后的章节中我们将看到如何移除他们

2、这是物体追踪的最简单方式，一但你学习了轮廓函数，你将可以做更多的事情

如何找到要追踪的HSV值

很多常见的问题可以在stackoverflow.com，最简单的方式是使用cv2.cvtColor()函数，你可以传递一个你想要的BGR值而不是一张图片。例如：寻找绿色的HSV值：

import cv2
import numpy as np

green = np.uint8([[[0,255,0 ]]])
hsv_green = cv2.cvtColor(green,cv2.COLOR_BGR2HSV)
print(hsv_green)

图像的几何变换

目标：

　　学习对图像使用应用不同的几何变换，如：平移、旋转、放射变换等。

缩放

缩放仅仅是改变图像的大小，OpenCV自带了函数cv2.resize()来完成这个目标。图片的大小可以手动指定，也可以通过缩放因子来指定。图像所方式有很多插值方法可以使用，默认使用cv2.INTER_LINEAR。

import cv2
import numpy as np
img = cv2.imread('messi5.jpg')
res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)
#OR
height, width = img.shape[:2]
res = cv2.resize(img,(2*width, 2*height), interpolation = cv2.INTER_CUBIC)

收缩时推荐：cv2.INTER_AREA

放大时推荐：cv2.INTER_CUBIC (slow) & cv2.INTER_LINEAR

平移

import cv2
import numpy as np
img = cv2.imread('messi5.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))
cv2.imshow('img',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

警告：warpAffine的第三个参数是输出图像的大小，他的形式应该是（width,height），宽等于列的数量，高等于行的数量，关于M矩阵的信息可以参考https://blog.csdn.net/keith_bb/article/details/56331356

旋转

为了找到旋转的变换矩阵，OpenCV提供了一个函数cv2.getRotationMatrix2D。检查下面的例子，旋转90度的图像相对于中心没有任何缩放。

img = cv2.imread('messi5.jpg',0)
rows,cols = img.shape
M = cv2.getRotationMatrix2D((cols/2,rows/2),90,1)
dst = cv2.warpAffine(img,M,(cols,rows))

放射变换

在仿射变换中，原图像中的所有平行线在输出图像中仍然是平行的。为了找到变换矩阵，我们需要从输入图像中得到三个点，以及它们在输出图像中的对应位置。然后cv2。getAffineTransform将创建一个2x3矩阵，该矩阵将传递给cv2.warpaffine。

img = cv2.imread('drawing.png')
rows,cols,ch = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M = cv2.getAffineTransform(pts1,pts2)
dst = cv2.warpAffine(img,M,(cols,rows))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')

平滑图像

1、学习使用各种低通过滤器过滤图像

2、对图像使用自定义过滤器

二维卷积（图像滤波）

与一维信号一样，图像也可以用各种低通滤波器(LPF)、高通滤波器(HPF)等进行滤波。LPF有助于去除噪声，模糊图像等。HPF滤波器有助于在图像中找到边缘。

OpenCV提供了一个函数cv2.filter2D()来卷积内核与图像。例如，我们将尝试对图像进行平均滤波。一个5x5的平均滤波内核如下所示:

 

操作方法是这样的:将该内核保持在一个像素之上，将该内核之下的所有25个像素相加，取其平均值，然后用新的平均值替换中心像素。它继续对图像中的所有像素进行此操作。请尝试此代码并检查结果

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('opencv_logo.png')
kernel = np.ones((5,5),np.float32)/25
dst = cv2.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()