Python-OpenCV 筆記2 – 圖像的基本屬性和操作

---

1、圖片基本屬性

# 圖像的類型 type(image)# 圖像的大小，元組（行，列，通道） image.shape# 圖像的大小，值為shape三個元素的乘積 image.size # 圖像像素的數據類型 image.dtype

---

2、圖片基本操作

圖像縮放：

# 縮放為指定尺寸 img1 = cv2.resize(img1, (1000, 750))

圖像顏色轉換：

# 彩色圖轉灰度圖 img = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY)

圖像通道分離和合并：

# 注意通道的順序是b, g, r # 圖像通道分離 b,g,r = cv2.split(img) b = cv2.split(img)[0] g = cv2.split(img)[1] r = cv2.split(img)[2]# 圖像通道合并 img = cv2.merge([b,g,r])

---

3、圖像濾波

均值濾波（Averaging）：

# 函數原型 blur(src, ksize[, dst[, anchor[, borderType]]] )# 實例 blur = cv2.blur(img, (3,3))

• src：輸入圖片
• ksize：滑動窗口的大小，(x, x)，x通常為奇數3,5,7,9
• dst：輸出圖片
• anchor：錨點，即滑動窗口的計算點，(-1, -1)表示中心點
• borderType：超出圖像的像素點插值方式

高斯濾波（Gaussian Blurring）：

# 函數原型 GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])# 實例 blur = cv2.GaussianBlur(img,(5,5),0)

• sigmaX：高斯核X方向的標準差，XY都等于0時按照ksize的寬和高來定
• sigmaY：高斯核Y方向的標準差，等于0或默認時=sigmaX
• 標準差越大中間元素的占比越大

中值濾波（Median Blurring）：

# 函數原型 medianBlur(src, ksize[, dst])# 實例 median = cv2.medianBlur(img,5)

• ksize：核大小，一個正整數，通常3,5,9
• 對椒鹽噪聲效果好

雙邊濾波（Bilateral Filtering）：

# 函數原型 bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])# 實例 blur = cv2.bilateralFilter(img,9,75,75)

• 邊緣較其它濾波清晰，比較耗時
• d：核的直徑，推薦<=5
• sigmaColor：顏色空間參數，越大表示較遠的相同顏色像素值影響越大
• sigmaSpace：坐標空間參數，越大時離得較遠的像素影響越大

---

4、圖像二值化

函數原型：

# 普通閾值 threshold(src, thresh, maxval, type, dst=None)# 自適應閾值，圖片分成小塊計算閾值 adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)

• src：輸入圖片
• thresh：灰度值閾值
• maxval：最大的灰度值
• type：二值化方法。THRESH_BINARY，THRESH_BINARY_INV，THRESH_TRUNC，THRESH_TOZERO ， THRESH_TOZERO_INV ，THRESH_OTSU（最佳閾值）
• dst：輸出圖片
• maxValue：與 maxval 相同
• adaptiveMethod：ADAPTIVE_THRESH_MEAN_C（通過平均的方法取得平均值）、ADAPTIVE_THRESH_GAUSSIAN_C(通過高斯取得高斯值) ，這兩種方法最后得到的結果要減掉參數里面的C值
• thresholdType：與 type 相同
• blockSize：計算閾值的鄰域塊大小，正方形，必須為奇數
• C：偏移值，計算出的自適應閾值要加上該偏移值

# 灰度值超過 100 的變為 255，小于的為 0 ret, thresh1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)# 最佳閾值二值化 ret, thresh1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU）# 自適應閾值，返回值沒有ret thresh1 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 5)

---

5、圖像梯度圖

Sobel 算子：

函數原型：

Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)

• src：待計算的輸入圖
• ddepth：圖片的深度
• dx：x軸的微分階數
• dy：y軸的微分階數
• dst：輸出圖片
• ksize：算子的核大小，必須為1、3、5、7
• scale：微分值的縮放系數
• delta：微分值的偏差值
• borderType：數值的插值類型

# Sobel算子求水平和垂直梯度 x = cv2.Sobel(img, cv2.CV_16S, 1, 0) y = cv2.Sobel(img, cv2.CV_16S, 0, 1)# 求梯度的絕對值 absX = cv2.convertScaleAbs(x) absY = cv2.convertScaleAbs(y)# 水平和垂直梯度的加權和 dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

---

6、Canny邊緣檢測

Canny邊緣檢測原理

# 函數原型 Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]])# 實例 edges = cv2.Canny(img,100,200)

• image：輸入圖片，必須為單通道灰度圖
• dx：輸入圖片的x方向梯度圖
• dy：輸入圖片的y方向梯度圖
• threshold1：選擇是否保留某點梯度的閾值低值
• threshold2：選擇是否保留某點梯度的閾值高值
• apertureSize：Sobel算子的核大小

---

總結

以上是生活随笔為你收集整理的Python-OpenCV 笔记2 -- 图像的基本属性和操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。