OpenCV指南第2部分

大家好,

希望大家都好，在前面的博客中，我们已经开始学习OpenCV的基础知识。在那里，我们已经看到了如何执行图像和视频大小调整、裁剪等操作，这是OpenCV教程的第二部分。在这篇博客中，我们主要关注这一部分的先行部分，它将涵盖下面提到的问题。但是如果你是OpenCV的新手，或者觉得这很难理解，那么请访问OpenCV基本指南第1部分的博客，并温习一下基础知识，然后再回到这个博客。OpenCV basic guide part-1

至今仍在我们脑海中挥之不去的问题是：

☞如何在图像中进行边缘检测？

☞如何在图像中进行轮廓检测？

☞如何在图像中实现色彩间隔？

☞如何处理颜色通道？

☞如何模糊图像？

☞如何使用BITWISE运算符？

☞如何绘制图像每个像素的颜色直方图？

让我们从比特深度的所有问题开始。

如何在图像中进行边缘检测？

1.1.精明：

对于这里的边缘检测，我们将使用cv.Canny方法。输入图像为原始图像，保留-1，即像素值低于150为非边缘，阈值为-2，即像素值大于175为有效边缘。如果该值在150和175之间，则如果边缘像素与有效边缘相连，则仅将其视为有效边缘。

上述代码的输出：

原图：

原始图像的边缘：

现在我们将尝试通过使其模糊来找到原始图像的边缘。如何使图像模糊在博客中有进一步的介绍。

通过比较原始图像和模糊图像的边缘检测。我们知道图像中的边缘检测随着图像变得越来越模糊而减少。

1.2.拉普拉斯式：

在拉普拉斯边缘检测方法中，我们将计算源图像(x，y)像素的第二梯度。当ksize>1时，检查下面提到的源镜像的拉普拉斯公式：

当ksize=1时，通过使用以下3×3光圈对图像进行滤波来计算拉普拉斯系数：

其中ksize：用于计算二阶导数滤波器的孔径大小。大小必须是正数和奇数。

上述代码的输出：

拉普拉斯边缘检测：

1.3 Sobel边缘检测：

在计算拉普拉斯量时，我们计算了二阶导数，称为Sobel。因此，在Sobel检测中，我们将计算Sobelx(也称为水平Sobel导数)和Sobely(也称为垂直Sobel导数)。我们可以通过与大小为3*3的核的输入图像进行卷积来计算SOBELX和SOBASE(但我们可以根据需要改变核的大小)。

拉普拉斯公式中的Sobelx和Sobely：

卷积中提到的3*3矩阵为：

Sobel边缘检测的代码演练。

上述代码的输出：

Sobelx：

索比利：

合并Sobel和Sobel的POST：

1.4.侵蚀和膨胀：

1.4.1侵蚀：

• 它对消除小的白噪声很有用。
• 用于分离两个相连的物体等。

它的工作原理：

1.4.2扩容：

• 在像去噪这样的情况下，侵蚀之后是膨胀。因为，侵蚀去除了白噪音，但也缩小了我们的物体。所以我们把它放大。既然噪音消失了，它们就不会回来了，但是我们的目标面积增加了。
• 它在连接对象的破碎部分时也很有用。

它的工作原理：

膨胀和侵蚀的代码演练：

上述代码的输出：

将图像输入到cv.diplate()：

膨胀：它会增加边缘的厚度

侵蚀：这里的输入图像是cv.diplate输出。所以现在侵蚀输出会恢复输入图像的扩张。

2)如何进行镜像中的轮廓检测？

有时，如果我们对图像进行边缘检测和轮廓检测，那么两者的输出可能看起来相似。但一般来说，与边缘检测相比，轮廓检测将更加详细。

cv.findContours函数中的一些重要参数包括：

图像：输入图像应为二进制As Source，8位单通道图像。非零像素被视为1，零像素仍为0，因此图像被视为二进制。

等高线检索模式：

1)cv.RETR_TREE→它将给出图像中的分层轮廓。

2)cv.RETR_EXTERNAL→它将只给出图像中的外部轮廓。

3)cv.RETR_LIST→它将给出图像中存在的所有轮廓。

轮廓近似方法：

1)CHAIN_APPROX_NONE→它将给出映像中存在的所有计数器。

2)CHAIN_APPROX_SIMPLE→它将给出图像中的重要轮廓，例如，如果我们有直线，它将只给出图像中的起点和终点，而在CHAIN_APPROX_NONE的情况下，我们会得到所有的点。

现在让我们来看看它实际上是如何工作的。

上图输出：

现在我们将模糊图像并检查等高线的数量

上述代码的输出：

通过对图像及其总轮廓线的观察，可以看出模糊图像中的轮廓线比原始图像的轮廓数要少。现在我们将尝试在空白图像上绘制图像的轮廓

上述代码的输出：

用于查找等高线的图像：

在空白图像上绘制等高线：

3)如何在画面中进行色彩间隔？

我们知道每种颜色都是红、绿、蓝三种颜色的组合。因此，我们通常将颜色间隔称为RGB，如果我们分析图像和视频，同样也适用。但在OpenCV中，颜色间隔的顺序相反，即BGR。检查下面提到的代码，我们将在其中使用OpenCV以及matplotlib查看图像，并观察更改。

使用OpenCV创建BGR图像：

与我们将使用matplotlib尝试绘制的图像相同

所以我们在这里观察到，由于颜色间隔的原因，颜色发生了相反的变化。

现在，我们将尝试如何使用cv.cvtColor()方法将BGR颜色间隔转换为不同的颜色间隔

3.1)BGR至Gray：

输出：

3.2)BGR至HSV：

输出：

3.3)实验室的BGR：

输出：

3.4)BGR至RGB：

输出：

我们还可以通过使用下面提到的颜色间隔来反转上述图像颜色间隔：

cv.COLOR_HSV2BGR

cv.COLOR_LAB2BGR

cv.COLOR_GRAY2BGR

cv.COLOR_BGR2RGB

4)如何处理颜色通道？

5)如何模糊图像？

6)如何使用BITWISE运算符？

7)如何绘制图像每个像素的颜色直方图？