OpenCV 功能函数介绍（二）

一，梯度处理的sobel算子函数

功能：

用于计算图像梯度（gradient）的函数

参数：

cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=None)

cv2.Sobel（输入图像，应该是灰度化后的图像

输出图像的所需深度，：-1 来表示与输入图像相同的深度

x 方向上的导数阶数，如果你想要计算 x 方向上的梯度，设置这个参数为 1；如果你不关心 x 方向上的梯度，设置这个参数为 0。

y 方向上的导数阶数，同上

Sobel 核的大小，最好是1 3 5 7 9

）

返回值：

梯度化后的图片

应用：

import cv2# 读取一张图
img = cv2.imread("./shudu.png")# 使用sobel算子
# 水平梯度
img_sobel = cv2.Sobel(img, -1, 0, 1, ksize=3)
# 垂直梯度
img_sobel_2 = cv2.Sobel(img, -1, 1, 0, ksize=3)cv2.imshow('image', img)
cv2.imshow('img_sobel', img_sobel)
cv2.imshow('img_sobel_2', img_sobel_2)cv2.waitKey(0)

二，梯度处理Laplacian算子函数

功能：

用于计算图像的拉普拉斯算子（Laplacian）

参数：

cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=None)

cv2.Laplacian（输入图像，应该是灰度化后的图像

输出图像的所需深度，

算子的大小，它必须是 1、3、5 或 7 之一

）

返回值：

处理后的图像

应用：

import cv2# 读取一张图
img = cv2.imread("./shudu.png")# 使用拉普拉斯算子
img_lap = cv2.Laplacian(img, -1, ksize=3)cv2.imshow('image', img)
cv2.imshow('img_lap', img_lap)cv2.waitKey(0)

三，Canny算子函数

功能：

用于边缘检测的函数

参数：

cv2.Canny(image, threshold1, threshold2, edges, apertureSize, L2gradient)

cv2.Canny(输入图像，它应该是一个灰度图像

第一个阈值，用于确定边缘的初始点

第二个阈值，用于确定边缘的最终点

）

返回值：

处理后的图片

应用：

import cv2img = cv2.imread("./6.png")# 灰度化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化
_, img_binary = cv2.threshold(img_gray, 127, 255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 进行高斯滤波
img_blur = cv2.GaussianBlur(img_binary, (3,3), 3)# 边缘检测
img_canny = cv2.Canny(img_blur, 10, 70)cv2.imshow('img', img)
cv2.imshow('img_canny', img_canny)
cv2.waitKey(0)

四，findContours函数

功能：

来进行寻找轮廓

参数：

cv2.findContours(image, mode, method, contour, hierarchy, offset.)

cv2.findContours（输入图像，一个二值图像

查询轮廓的方式，（

cv2.RETR_EXTERNAL：只检索最外层轮廓。

cv2.RETR_LIST：检索所有轮廓，但不创建任何父子关系。

cv2.RETR_CCOMP：检索所有轮廓，并将它们组织为两层结构，其中顶层是连通域的外边界，底层是孔的内边界。

cv2.RETR_TREE：检索所有轮廓，并重建完整的层次结构。

）

保存轮廓点坐标的方式（

v2.CHAIN_APPROX_NONE：存储所有的轮廓点，不进行任何近似。

cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线段，只保留它们的终点。

cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS：应用 Teh-Chin 链式近似算法的一种变体。

）

返回值：‌

contours‌：轮廓是由点组成的 NumPy 数组。

‌hierarchy‌ : 轮廓的层次结构信息

五，drawContours函数

功能：

用于在图像上绘制轮廓的函数

参数：

cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)

cv2.drawContours（输入图像，

这是一个 Python 列表, cv2.findContours() 函数返回的 NumPy 数组。

轮廓列表的索引值,-1表示绘制所有轮廓

颜色

轮廓线条粗细

）

返回值：

处理后的图像

应用

import cv2img = cv2.imread("./6.png")# 灰度化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化
_, img_binary = cv2.threshold(img_gray, 127, 255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 寻找轮廓
contours, hierarchy = cv2.findContours(img_binary,cv2.RETR_LIST,   # 查询轮廓的方式cv2.CHAIN_APPROX_SIMPLE  # 保存轮廓点坐标的方式)# 绘制轮廓
img_copy = img.copy()
img_draw = cv2.drawContours(img_copy, # 要绘制轮廓的图像contours, # 轮廓的顶点坐标集 列表-1, # 轮廓列表的索引值，-1表示绘制所有轮廓(0, 0, 255),  # 颜色3   # 轮廓线条粗细)cv2.imshow('image', img)
cv2.imshow('image_draw', img_draw)
cv2.waitKey(0)

通过修改drawContours 的索引值

如图

六，透视变换函数

功能、参数、返回值

详细请看OpenCV 图片矫正-CSDN博客

应用：通过边缘检测得到四个点坐标

import cv2
import numpy as np#输入数据
img = cv2.imread("./ts.png")
img_copy = img.copy()#高斯滤波img_blur = cv2.GaussianBlur(img,(3,3),1)#灰度化
img_gray = cv2.cvtColor(img_blur,cv2.COLOR_BGR2GRAY)#二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#寻找轮廓contours, _ = cv2.findContours(img_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)for cnt in contours:M = cv2.moments(cnt)if int(M['m00'])==0:continuearc_len = cv2.arcLength(cnt,True)approx = cv2.approxPolyDP(cnt,float(0.04)*arc_len,True)#返回逼近的多边形点集print(approx)if len(approx)==3:shape = 'triangle'elif len(approx) == 4:x,y,w,h=cv2.boundingRect(approx)ratio = w/hif 0.95<=ratio<=1.05:shape ="square"else:shape = 'rectangle'elif len(approx) == 5:shape = 'pentagon'else:shape = 'circle'cv2.drawContours(img_copy,[cnt],-1,(0,0,0),2)cx = int(M['m10'] / M['m00'])cy = int(M['m01'] / M['m00'])cv2.putText(img_copy,#图片shape,#添加文字字符串(cx,cy),cv2.FONT_HERSHEY_SIMPLEX,0.5,(255,255,255))points1 = np.array([[221, 132], [670, 178], [148, 385], [655, 441]],dtype=np.float32)points2 = np.array([[0, 0], [img.shape[1], 0], [0, img.shape[0]], [img.shape[1], img.shape[0]]],dtype=np.float32)M = cv2.getPerspectiveTransform(points1, points2)# 3、透视变换
img_warp = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))cv2.imshow('image',img)
cv2.imshow('image_copy',img_copy)
cv2.imshow('image_warp',img_warp)cv2.waitKey(0)

七举例轮廓的外接边界框，并对比说明

外接矩形（cv2.boundingRect()）

计算轮廓的外接矩形，是一个轴对齐的矩形，不考虑物体的旋转。

最小外接矩形（cv2.minAreaRect()）

计算一个最小面积的外接矩形，它不一定与坐标轴对齐，而是可以旋转以最小化矩形面积

import cv2
import numpy as npimg = cv2.imread("./outline.png")
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#二值
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#寻找轮廓
contours,_ = cv2.findContours(img_binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#绘制轮廓
img_draw = img.copy()
cv2.drawContours(img_draw,contours,-1,(0,255,255),2)#外接最小外接矩形
for i in contours:cv2.boundingRect(i)#获取左上坐标（x，y），宽w，高hx,y,w,h =cv2.boundingRect(i)cv2.rectangle(img_draw,[x,y],[x+w,y+h],(0,255,0),2)#二获取三个元素元组（中心坐标，长宽，旋转角度）ret =cv2.minAreaRect(i)#调用v2.boxPoints(ret)函数获取旋转矩阵的四个顶点box  =np.int32(cv2.boxPoints(ret))#绘制轮廓cv2.drawContours(img_draw,[box],-1,(0,0,255),3)# #第三 调用外接圆函数# (x,y),radius = cv2.minEnclosingCircle(i)# (x,y,radius) = np.int32((x,y,radius))# cv2.circle(img_draw,(x,y),radius,(255,0,255),3)cv2.imshow("img",img)
cv2.imshow("img_draw",img_draw)
cv2.waitKey(0)