走进OpenCV

介绍

OpenCV是一个基于BSD许可&＃xff08;开源&＃xff09;发行的跨平台计算机视觉和机器学习软件库&＃xff0c;可以运行在Linux、Windows、Android和Mac OS操作系统上。 [1] 它轻量级而且高效——由一系列 C 函数和少量 C&＃43;&＃43; 类构成&＃xff0c;同时提供了Python、Ruby、MATLAB等语言的接口&＃xff0c;实现了图像处理和计算机视觉方面的很多通用算法。

OpenCV用C&＃43;&＃43;语言编写&＃xff0c;它具有C &＃43;&＃43;&＃xff0c;Python&＃xff0c;Java和MATLAB接口&＃xff0c;并支持Windows&＃xff0c;Linux&＃xff0c;Android和Mac OS&＃xff0c;OpenCV主要倾向于实时视觉应用&＃xff0c;并在可用时利用MMX和SSE指令&＃xff0c; 如今也提供对于C#、Ch、Ruby&＃xff0c;GO的支持

如今深度学习的快速发展给计算机视觉注入了前所未有的新活力&＃xff01;其中在计算机图形学和计算机视觉里面最流行的一个库就是 OpenCV。OpenCV 在自动驾驶和仿生机器人当中的应用非常广泛。

而在 2018 年 11 月份&＃xff0c;OpenCV 通过 GITHUB 正式发布了 OpenCV 又一个重要里程碑版本 OpenCV 4.0。今天&＃xff0c;就主要介绍一下OpenCV在Python里常用的运用。

环境安装

python版的OpenCV 相对于其他开发语言而言要简单很多&＃xff0c;今天就介绍及其简单的安装方式&＃xff0c;这种方式也只需要三步就可以完成。

1. 安装 MiniConda
   MiniConda的地址https://conda.io/miniconda.html
2. 创建虚拟环境并激活

$ conda create python &＃61; 3.6 - n gasyori 100
$ source actiavte gasyori 100


3. 执行安装包

$ pip install -r requirement.txt


注意&＃xff1a;requirement.txt 文件在项目根目录下&＃xff0c;下载至命令行所在目录直接运行上述命令即可

下面就简单介绍opencv常用的视觉图像处理算法&＃xff1a;

常用图像处理算法

接触过图像处理算法的人大概都知道下面几种常见的图像处理算法。

关于这方面的算法实在是太多了&＃xff0c;今天&＃xff0c;就主要讲解俩种&＃xff0c;一种稍微简单一点的&＃xff0c;一种比较复杂一点的。

1. 读取图像并按 BGR 顺序更改 RGB

import cv2# Read image
img &＃61; cv2.imread("imori.jpg")
b &＃61; img[:, :, 0].copy()
g &＃61; img[:, :, 1].copy()
r &＃61; img[:, :, 2].copy()# RGB > BGR
img[:, :, 0] &＃61; r
img[:, :, 1] &＃61; g
img[:, :, 2] &＃61; b# Save result
cv2.imwrite("out.jpg", img)
cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()


这是原图

好了&＃xff0c;执行看一下效果。

接下来看一个稍微复杂的例子。

2. Canny边缘强度检测

import cv2
import numpy as np
import matplotlib.pyplot as plt# Read image
img &＃61; cv2.imread("imori.jpg").astype(np.float32)
H, W, C &＃61; img.shape# Gray
gray &＃61; 0.2126 * img[..., 2] &＃43; 0.7152 * img[..., 1] &＃43; 0.0722 * img[..., 0]# Gaussian Filter
K_size &＃61; 5
sigma &＃61; 1.4## Zero padding
pad &＃61; K_size // 2
gau &＃61; np.zeros((H &＃43; pad*2, W &＃43; pad*2), dtype&＃61;np.float32)
#gau[pad:pad&＃43;H, pad:pad&＃43;W] &＃61; gray.copy().astype(np.float32)
gau &＃61; np.pad(gray, (pad, pad), &＃39;edge&＃39;)
tmp &＃61; gau.copy()## Kernel
K &＃61; np.zeros((K_size, K_size), dtype&＃61;np.float32)
for x in range(-pad, -pad&＃43;K_size):for y in range(-pad, -pad&＃43;K_size):K[y&＃43;pad, x&＃43;pad] &＃61; np.exp( -(x**2 &＃43; y**2) / (2* (sigma**2)))
K /&＃61; (sigma * np.sqrt(2 * np.pi))
K /&＃61; K.sum()for y in range(H):for x in range(W):gau[pad&＃43;y, pad&＃43;x] &＃61; np.sum(K * tmp[y:y&＃43;K_size, x:x&＃43;K_size])## Sobel vertical
KSV &＃61; np.array(((-1., -2., -1.), (0., 0., 0.), (1., 2., 1.)), dtype&＃61;np.float32)
## Sobel horizontal
KSH &＃61; np.array(((-1., 0., 1.), (-2., 0., 2.), (-1., 0., 1.)), dtype&＃61;np.float32)gau &＃61; gau[pad-1:H&＃43;pad&＃43;1, pad-1:W&＃43;pad&＃43;1]
fy &＃61; np.zeros_like(gau, dtype&＃61;np.float32)
fx &＃61; np.zeros_like(gau, dtype&＃61;np.float32)
K_size &＃61; 3
pad &＃61; K_size // 2for y in range(H):for x in range(W):fy[pad&＃43;y, pad&＃43;x] &＃61; np.sum(KSV * gau[y:y&＃43;K_size, x:x&＃43;K_size])fx[pad&＃43;y, pad&＃43;x] &＃61; np.sum(KSH * gau[y:y&＃43;K_size, x:x&＃43;K_size])fx &＃61; fx[pad:pad&＃43;H, pad:pad&＃43;W]
fy &＃61; fy[pad:pad&＃43;H, pad:pad&＃43;W]# Non-maximum suppression
edge &＃61; np.sqrt(np.power(fx, 2) &＃43; np.power(fy, 2))
fx[fx &＃61;&＃61; 0] &＃61; 1e-5
tan &＃61; np.arctan(fy / fx)
## Angle quantization
angle &＃61; np.zeros_like(tan, dtype&＃61;np.uint8)
angle[np.where((tan > -0.4142) & (tan <&＃61; 0.4142))] &＃61; 0
angle[np.where((tan > 0.4142) & (tan < 2.4142))] &＃61; 45
angle[np.where((tan >&＃61; 2.4142) | (tan <&＃61; -2.4142))] &＃61; 95
angle[np.where((tan > -2.4142) & (tan <&＃61; -0.4142))] &＃61; 135out &＃61; angle.astype(np.uint8)# Save result
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()


这是原图

好了&＃xff0c;执行以下&＃xff0c;看一下检测后的效果图。

总结

好了&＃xff0c;OpenCV简单的介绍就到这里了&＃xff0c;如果你正在入门 CV&＃xff0c;正在学习 OpenCV&＃xff0c;希望可以帮助到您&＃xff0c;如果写的不好&＃xff0c;还请多多指教&＃xff0c;接下来&＃xff0c;我会深入介绍一下有关OpenCV常用的算法。