3. OpenCV-Python——圖像梯度算法、邊緣檢測、圖像金字塔與輪廓檢測、直方圖與傅里葉變換

1、圖像梯度算法

一、圖像梯度-Sobel算子

 

 dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

• ddepth:圖像的深度
• dx和dy分別表示水平和豎直方向
• ksize是Sobel算子的大小

 1 # *******************圖像梯度算法**********************開始
 2 import cv2
 3 # import numpy as np
 4 
 5 img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
 6 cv2.imshow("img",img)
 7 cv2.waitKey()
 8 cv2.destroyAllWindows()
 9 
10 # 顯示圖像函數
11 def cv_show(img,name):
12     cv2.imshow(name,img)
13     cv2.waitKey()
14     cv2.destroyAllWindows()
15 
16 # Sobel算子——x軸
17 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)   # 計算水平的
18 cv_show(sobelx,'sobelx')
19 
20 # 白到黑是正數，黑到白就是負數了，全部的負數會被截斷成0，因此要取絕對值
21 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
22 sobelx = cv2.convertScaleAbs(sobelx)             # 取絕對值
23 cv_show(sobelx,'sobelx')
24 
25 # Sobel算子——y軸
26 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
27 sobely = cv2.convertScaleAbs(sobely)             # 取絕對值
28 cv_show(sobely,'sobely')
29 
30 # 求和
31 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  # 按權重計算
32 cv_show(sobelxy,'sobelxy')
33 
34 # 也有直接計算xy軸的————不推薦使用
35 # sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
36 # sobelxy = cv2.convertScaleAbs(sobelxy)
37 # cv_show(sobelxy,'sobelxy')
38 # *******************圖像梯度算法**********************結束

用lena圖像來實際操做一下：

 1 # *******************圖像梯度算法-實際操做**********************開始
 2 import cv2
 3 
 4 # 顯示圖像函數
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
11 cv_show(img,'img')
12 
13 # 分別計算x和y
14 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
15 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
16 sobelx = cv2.convertScaleAbs(sobelx)
17 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
18 sobely = cv2.convertScaleAbs(sobely)
19 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
20 cv_show(sobelxy,'sobelxy')
21 # *******************圖像梯度算法-實際操做**********************結束

      

二、圖像梯度-Scharr和Laplacian算子

（1）Scharr算子

（2）Laplacian算子

（3）不一樣算子之間的差距

 1 # *******************圖像梯度算子-Scharr+laplacian**********************開始
 2 import cv2
 3 import numpy as np
 4 
 5 #不一樣算子的差別
 6 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
 7 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
 8 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
 9 sobelx = cv2.convertScaleAbs(sobelx)
10 sobely = cv2.convertScaleAbs(sobely)
11 sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
12 
13 scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
14 scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
15 scharrx = cv2.convertScaleAbs(scharrx)
16 scharry = cv2.convertScaleAbs(scharry)
17 scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
18 
19 laplacian = cv2.Laplacian(img,cv2.CV_64F)
20 laplacian = cv2.convertScaleAbs(laplacian)
21 
22 res = np.hstack((sobelxy,scharrxy,laplacian))
23 
24 # 顯示圖像函數
25 def cv_show(img,name):
26     cv2.imshow(name,img)
27     cv2.waitKey()
28     cv2.destroyAllWindows()
29 cv_show(res,'res')
30 # *******************圖像梯度算子-Scharr+laplacian**********************結束

2、邊緣檢測

Canny邊緣檢測

• 1) 使用高斯濾波器，以平滑圖像，濾除噪聲。

• 2) 計算圖像中每一個像素點的梯度強度和方向。

• 3) 應用非極大值（Non-Maximum Suppression）抑制，以消除邊緣檢測帶來的雜散響應。

• 4) 應用雙閾值（Double-Threshold）檢測來肯定真實的和潛在的邊緣。

• 5) 經過抑制孤立的弱邊緣最終完成邊緣檢測。

一、高斯濾波器

二、梯度和方向

三、非極大值抑制

四、雙閾值檢測

 1 # *******************邊緣檢測**********************開始
 2 import cv2
 3 import numpy as np
 4 
 5 img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
 6 
 7 v1=cv2.Canny(img,80,150)  # 設置雙閾值 最小和最大
 8 v2=cv2.Canny(img,50,100)
 9 
10 res = np.hstack((v1,v2))
11 
12 # 顯示圖像函數
13 def cv_show(img,name):
14     cv2.imshow(name,img)
15     cv2.waitKey()
16     cv2.destroyAllWindows()
17 cv_show(res,'res')
18 # *******************邊緣檢測**********************結束

3、圖像金字塔

一、高斯金字塔

（1）高斯金字塔：向下採樣方法（縮小）

（2）高斯金字塔：向上採樣方法（放大）

  

 1 # *******************圖像金字塔--高斯金字塔**********************開始
 2 import cv2
 3 import numpy as np
 4 
 5 # 顯示圖像函數
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img=cv2.imread("AM.png")
12 # cv_show(img,'img')
13 print (img.shape)
14 
15 # 高斯金字塔-上採樣 （可執行屢次）
16 up=cv2.pyrUp(img)
17 # cv_show(up,'up')
18 print (up.shape)
19 
20 # 高斯金字塔-下采樣 （可執行屢次）
21 down=cv2.pyrDown(img)
22 # cv_show(down,'down')
23 print (down.shape)
24 
25 # 高斯金字塔-先上採樣再下采樣 （會損失信息-變模糊）
26 up=cv2.pyrUp(img)
27 up_down=cv2.pyrDown(up)
28 # cv_show(up_down,'up_down')
29 cv_show(np.hstack((img,up_down)),'up_down')
30 # *******************圖像金字塔--高斯金字塔**********************結束

二、拉普拉斯金字塔

 1 # *******************圖像金字塔-拉普拉斯金字塔**********************開始
 2 import cv2
 3 import numpy as np
 4 
 5 # 顯示圖像函數
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img=cv2.imread("AM.png")
12 down=cv2.pyrDown(img)
13 down_up=cv2.pyrUp(down)
14 l_1=img-down_up
15 cv_show(l_1,'l_1')
16 # *******************圖像金字塔-拉普拉斯金字塔**********************結束

4、圖像輪廓

 cv2.findContours(img,mode,method)

  mode:輪廓檢索模式

• RETR_EXTERNAL ：只檢索最外面的輪廓；
• RETR_LIST：檢索全部的輪廓，並將其保存到一條鏈表當中；
• RETR_CCOMP：檢索全部的輪廓，並將他們組織爲兩層：頂層是各部分的外部邊界，第二層是空洞的邊界;
• RETR_TREE：檢索全部的輪廓，並重構嵌套輪廓的整個層次;

  method:輪廓逼近方法

• CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，全部其餘方法輸出多邊形（頂點的序列）。
• CHAIN_APPROX_SIMPLE:壓縮水平的、垂直的和斜的部分，也就是，函數只保留他們的終點部分。

爲提升準確性，使用二值圖像。

一、輪廓檢測及繪製

 1 # *******************圖像輪廓**********************開始
 2 import cv2
 3 import numpy as np
 4 
 5 # 讀入圖像轉換爲二值圖像
 6 img = cv2.imread('contours.png')
 7 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     # 轉換爲灰度圖
 8 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 轉換成二值圖
 9 
10 # 顯示圖像函數
11 def cv_show(img,name):
12     cv2.imshow(name,img)
13     cv2.waitKey()
14     cv2.destroyAllWindows()
15 # cv_show(thresh,'thresh')
16 
17 # 輪廓檢測  第一個就是二值的結果  第二個是一堆輪廓點  第三個是層級
18 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
19 
20 # 繪製輪廓
21 draw_img = img.copy()  # 注意須要copy,要不原圖會變。。。
22 res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) # 傳入繪製圖像，輪廓，輪廓索引(-1所有)，顏色模式，線條厚度
23 # cv_show(res,'res')
24 
25 draw_img = img.copy()
26 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
27 cv_show(res,'res')
28 # *******************圖像輪廓**********************結束

二、輪廓特徵

 1 import cv2
 2 
 3 # 讀入圖像轉換爲二值圖像
 4 img = cv2.imread('contours.png')
 5 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     # 轉換爲灰度圖
 6 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 轉換成二值圖
 7 
 8 # 輪廓檢測  第一個就是二值的結果  第二個是一堆輪廓點  第三個是層級
 9 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
10 
11 # 繪製輪廓
12 draw_img = img.copy()
13 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
14 
15 # 輪廓特徵
16 cnt = contours[0]               # 獲取輪廓
17 print(cv2.contourArea(cnt))     # 計算面積
18 print(cv2.arcLength(cnt, True)) # 計算周長，True表示閉合的

三、輪廓近似

     

 1 import cv2
 2 
 3 img = cv2.imread('contours2.png')
 4 # 顯示圖像函數
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 # 二值+輪廓檢測
11 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
12 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
13 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
14 cnt = contours[0]
15 # 輪廓繪製
16 draw_img = img.copy()
17 res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
18 # cv_show(res,'res')
19 
20 # 輪廓近似
21 epsilon = 0.05*cv2.arcLength(cnt,True)
22 approx = cv2.approxPolyDP(cnt,epsilon,True)
23 
24 draw_img = img.copy()
25 res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
26 cv_show(res,'res')

（1）邊界矩形

 1 # *******************圖像輪廓-邊界矩形**********************開始
 2 import cv2
 3 
 4 # 顯示圖像函數
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 img = cv2.imread('contours.png')
11 
12 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
13 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
14 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
15 cnt = contours[0]
16 
17 # 邊界矩形
18 x,y,w,h = cv2.boundingRect(cnt)
19 img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
20 cv_show(img,'img')
21 # 輪廓面積與邊界矩形比
22 area = cv2.contourArea(cnt)
23 x, y, w, h = cv2.boundingRect(cnt)
24 rect_area = w * h
25 extent = float(area) / rect_area
26 print ('輪廓面積與邊界矩形比',extent)
27 # *******************圖像輪廓-邊界矩形**********************結束

（2）外接圓

1 # 外接圓
2 (x,y),radius = cv2.minEnclosingCircle(cnt)
3 center = (int(x),int(y))
4 radius = int(radius)
5 img = cv2.circle(img,center,radius,(0,255,0),2)
6 cv_show(img,'img')