1.傅里叶变换 为什么要傅里叶变换？ 傅里叶变换可以将人眼看到的不同频率的波形分离出来，可以区分出哪些区域的信号（图像像素）变化特别强，哪些区域的信号变化不那么强，从而可以任意的标记噪声区域，感兴趣区域，前景和背景等。
傅里叶变换是很多常见的图形处理操作的基础，比如边缘检测，形状线段的检测。
高通滤波器： 通俗来说，就是取小块图片，计算中央像素与周围邻近像素的亮度差值之后，如果亮度变化很大，那么中央像素的亮度就会增加，反之不会，变化很大的地方，就让他亮度更大。 低通滤波器：与高通滤波器相反，如果在某处像素与周围邻近像素的亮度差值很小，小于某一特定值，就平滑该像素的亮度，使其更不突出。主要用于去噪和模糊化。（高斯模糊是最常见的模糊滤波器，削弱高信号强度的低通滤波器）
###FFT变换 import cv2 import numpy as np from scipy import ndimage import matplotlib.pyplot as plt kernel_3_3 = np.array([[-1,-1,-1], [-1,8,-1], [-1,-1,-1]]) kernel_5_5 = np.array([[-1,-1,-1,-1,-1], [-1,1,2,1,-1], [-1,2,4,2,-1], [-1,1,2,1,-1], [-1,-1,-1,-1,-1]]) #这些滤波器中各数值之和是0下面用这两个高通滤波器做实验 随便选一副图像进行测试：
img = cv2.imread('E:\\wms1.jpg',0) #cv2.imshow('result',img) k3 = ndimage.convolve(img,kernel_3_3) k5 = ndimage.convolve(img,kernel_5_5) blurred = cv2.GaussianBlur(img,(11,11),0) g_hpf = img - blurred cv2.imshow('3*3',k3) cv2.imshow('5*5',k5) cv2.imshow('g_hpf',g_hpf) cv2.waitKey() cv2.destroyAllWindows()分别用kernel_3_3和kernel_5_5和原图减去高斯低通得到的高通来处理原图。
cv2.imshow('original',img) cv2.imshow('3*3',k3) cv2.imshow('5*5',k5) cv2.imshow('ditonglvbo',blurred) cv2.imshow('g_hpf',g_hpf)将五张图片对比一下： 原图是： 低通处理之后: 变模糊了，所以也叫高斯模糊 用原图减去低通，得到的是高通的图： 用上面特定的55高通滤波器得到的： 和33滤波器得到的： 注意：这里的滤波处理只能对灰度图像，所以对彩色图片的读取和后面的高斯滤波都有个参数0： img = cv2.imread(‘E:\wms1.jpg’,0) blurred = cv2.GaussianBlur(img,(11,11),0)
2.Canny边缘检测
import cv2 import numpy as np img = cv2.imread('E:\\wms1.jpg',0) cv2.imwrite('canny.jpg',cv2.Canny(img,200,300)) img_canny = cv2.imread('canny.jpg') cv2.imshow('Canny',img_canny) cv2.waitKey() cv2.destroyAllWindows()3.轮廓检测
import cv2 import numpy as np img = np.zeros((200,200),dtype = np.uint8) img[50:150,50:150] = 255 #这个时候img是一个（200,200）的矩阵 #构造一个明显的有轮廓的图出来 ret,thresh = cv2.threshold(img,127,255,0) #cv2.threshold()阈值函数，若像素高于127，就赋值为255，否则赋值为0 #返回的ret是阈值127，thresh是结果图，重新赋值之后的矩阵 image,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #cv2.findContours()函数来查找检测物体的轮廓 #image此时是（200，200）修改后的图片 #contours是轮廓图索引，是一个列表 #hierarchy是一个四通道的值，每个通道都只有一个数-1 color = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR) #将img转成彩色图，由三通道（200,200,3） img_ = cv2.drawContours(color,contours,-1,(0,255,0),2) #img表示输入的需要画的图片， contours表示轮廓值，-1表示轮廓的索引，(0, 0, 255)表示颜色， 2表示线条粗细 #cv采用BGR,所以（0,255,0）就是绿色的边框 cv2.imshow('contours',img_) cv2.waitKey() cv2.destroyAllWindows()cv2.threshhold()函数： 当像素值高于阈值时，我们给这个像素赋予一个新值，否则给他赋予另一个值。 cv2.findContours()函数： cv2.findContours()函数来查找检测物体的轮廓。 该函数有三个参数： 第一个参数是寻找轮廓的图像；
第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）： cv2.RETR_EXTERNAL表示只检测外轮廓 cv2.RETR_LIST检测的轮廓不建立等级关系 cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。 cv2.RETR_TREE建立一个等级树结构的轮廓。
第三个参数method为轮廓的近似办法 cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1 cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息 cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
该函数返回三个值：修改后的图片，图片的轮廓，层次
hierarchy层次: 第一个数：表示同一级轮廓的下个轮廓的编号，如果这一级轮廓没有下一个轮廓，一般是这一级轮廓的最后一个的时候，则为-1
第二个数：表示同一级轮廓的上个轮廓的编号，如果这一级轮廓没有上一个轮廓，一般是这一级轮廓的第一个的时候，则为-1
第三个数：表示该轮廓包含的下一级轮廓的第一个的编号，假如没有，则为-1
第四个数： 表示该轮廓的上一级轮廓的编号，假如没有上一级，则为-1 这里是[-1,-1,-1,-1] contours： 轮廓索引 for c in contours: print© 得到轮廓的四个点： [[[ 50 50]]
[[ 50 149]]
[[149 149]]
[[149 50]]] 4.边界框，最小矩形区域，最小闭圆轮廓 原图：
import cv2 import numpy as np #所有的轮廓都是画在这个img上面的，所以最后imshow()img可以看到所有画的轮廓 img = cv2.pyrDown(cv2.imread('hammer.jpg',cv2.IMREAD_UNCHANGED)) #这个时候img是一个三通道图(634,618,3) gray_img = cv2.cvtColor(img.copy(),cv2.COLOR_BGR2GRAY) #将彩色图片转为灰度图片，这个时候只有一个通道（634,618） ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY) #图像二值化处理，只有255和0两个值了 image,contours,hier = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #找轮廓，返回的image是修改之后的图片，contours轮廓索引，heir是层次 #cv2.RETR_EXTERNAL表示只检测外轮廓 #cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标 #例如一个矩形轮廓只需4个点来保存轮廓信息 for c in contours: ###计算一个简单的边界框，绿色 #c是轮廓的每个点的坐标 # print(c) #c有812个坐标 x,y,w,h = cv2.boundingRect(c)#通过这些点画一个矩形，计算w，h # print(cv2.boundingRect(c))#(54, 115, 415, 437) cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)#画轮廓 #轮廓是长方形的由（x，y）（x+w,y+h）确定 #颜色是绿色 #线宽是2 ###计算包围目标的最小矩形区域，红色 rect = cv2.minAreaRect(c) # print(rect) #((256.23016357421875, 309.781494140625), (435.0880432128906, 389.2210388183594), -81.33019256591797) box = cv2.boxPoints(rect) #opencv没有直接从轮廓信息中计算最小矩形轮廓顶点坐标的函数，所以这里单独计算一下点坐标 # print(box) #变成矩形的四个点坐标了 box = np.int0(box) # print(box)#坐标取整 cv2.drawContours(img,[box],0,(0,0,255),3) #这个drawContours函数第二个参数只接受轮廓的数组形式，所以将box变成数组 #检测边界轮廓最小的闭圆，蓝色 (x,y),radius = cv2.minEnclosingCircle(c) #返回一个二元数组，第一个是圆心坐标，第二个是半径值 # print(cv2.minEnclosingCircle(c)) #((299.5028381347656, 325.4397888183594), 246.93551635742188) center = (int(x),int(y)) radius = int(radius) cv2.circle(img,center,radius,(255,0,0),4) img_ = cv2.drawContours(img,contours,-1,(0,255,255),3) #黄色 cv2.imshow('contours',img) cv2.waitKey() cv2.destroyAllWindows()4.凸轮廓与Douglas-Peucker算法
import cv2 import numpy as np #所有的轮廓都是画在这个img上面的，所以最后imshow()img可以看到所有画的轮廓 img = cv2.pyrDown(cv2.imread('hammer.jpg',cv2.IMREAD_UNCHANGED)) #pyrDown这个函数可以将图像降采样和平滑滤波 #缩小了图像的尺寸，将图像尺寸行和列方向缩减一半，不然图片太大了，显示不全 gray_img = cv2.cvtColor(img.copy(),cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY) image,contours,hier = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #找轮廓，返回的image是修改之后的图片，contours轮廓索引，heir是层次 #cv2.RETR_EXTERNAL表示只检测外轮廓 #cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标 #例如一个矩形轮廓只需4个点来保存轮廓信息 ###画轮廓，黄色 contours_img = cv2.drawContours(img,contours,-1,(0,255,255),2) #黄色 画轮廓 ###画轮廓多变形框，青色 cnt = contours[0] #np.shape(contours)是(1, 812, 1, 2) epsilon = 0.01*cv2.arcLength(cnt,True)#参数越小，多边形越精确 approx = cv2.approxPolyDP(cnt,epsilon,True)#approx是很多点坐标组成的列表 #计算近似的多边形框，有三个参数 #cnt是轮廓 #epsilon是源轮廓与近似多边形的最大差值 #第三个参数表示该多边形是否闭合 cv2.drawContours(img, approx, -1, (255, 255, 0), 5)#把这个多边形框的每个点画出来 cv2.polylines(img, [approx], True, (255, 255, 0), 2)#用直线把这些点连起来 ###标注多边形框的面积和周长 area = cv2.contourArea(approx) length = cv2.arcLength(approx, True) font = cv2.FONT_HERSHEY_SIMPLEX # 设置字体样式 text = 'Area: '+str(int(area))+' Length: '+str(int(length)) cv2.putText(img, text, (10, 30), font, 0.5, (0, 255, 0), 1, cv2.LINE_AA, 0) ###画凸包，红色 hull = cv2.convexHull(cnt)#hull同approx一样是点坐标组成的列表 cv2.drawContours(img, hull, -1, (0,0,255), 5)#把这个凸包框的每个点画出来 cv2.polylines(img, [hull], True, (0,0,255), 2)#用直线把这些点连起来如果要单独把这些轮廓，近似多边形，凸包单独显示：
###轮廓画到另一张图上 img_ = np.zeros((700,700),dtype = np.uint8) img_ = cv2.cvtColor(img_,cv2.COLOR_GRAY2BGR) #画轮廓，黄色 contours_img = cv2.drawContours(img_,contours,-1,(0,255,255),2) #黄色 画轮廓 #青色，多边形 cv2.drawContours(img_, approx, -1, (255, 255, 0), 5)#把这个多边形框的每个点画出来 cv2.polylines(img_, [approx], True, (255, 255, 0), 3)#用直线把这些点连起来 #红色，凸包 cv2.drawContours(img_, hull, -1, (0,0,255), 5)#把这个凸包框的每个点画出来 cv2.polylines(img_, [hull], True, (0,0,255), 2)#用直线把这些点连起来 cv2.imshow('contours',img_) cv2.waitKey() cv2.destroyAllWindows()5.直线检测
import cv2 import numpy as np img = cv2.imread('line_det.jpg',cv2.IMREAD_UNCHANGED) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray,50,120) ##第二，三个参数是指低阈值low和高阈值high minLineLength = 20 maxLineGap = 5 lines = cv2.HoughLinesP(edges,1.0,np.pi/180,20,minLineLength,maxLineGap) for line in lines: for x1,y1,x2,y2 in line: #print(x1,y1,x2,y2) #lines里面储存着检测到的直线段的首末坐标点 #一个列表里的四个值代表着一条线段 cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2) cv2.imshow('edges',edges) cv2.imshow('lines',img) cv2.waitKey() cv2.destroyAllWindows()canny边缘检测函数为什么要有两个阈值呢，低阈值和高阈值
高的那个阈值是将要提取轮廓的物体与背景区分开来，就像阈值分割的参数一样，是决定目标与背景对比度的。 低的阈值是用来平滑边缘的轮廓，有时高的阈值设置太大了，可能边缘轮廓不连续或者不够平滑，通过低阈值来平滑轮廓线，或者使不连续的部分连接起来。
T1，T2。大于T1的称为强边界。T1和T2之间的为弱边界。 如果只有强边界，那么边界可能断断续续。而且会少分割。所以弱边界的作用就是解决上面这个问题。如果强边界点的8连通区域内有弱边界点，那么认为该弱边界点为强边界。
HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None) 参数： image：必须是二值图像，推荐使用canny边缘检测的结果图像； rho：线段以像素为单位的距离精度，double类型的，推荐用1.0； theta：线段以弧度为单位的角度精度，推荐用numpy.pi/180； threshold：累加平面的阈值参数，int类型，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少。根据情况推荐先用100试试； lines：这个参数的意义未知，发现不同的lines对结果没影响，但是不要忽略了它的存在； minLineLength：线段以像素为单位的最小长度，根据应用场景设置； maxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），超过了设定值，则把两条线段当成一条线段，值越大，允许线段上的断裂越大，越有可能检出潜在的直线段。
6.圆检测
import cv2 import numpy as np planets = cv2.imread('circle_det_.png') gray_img = cv2.cvtColor(planets,cv2.COLOR_BGR2GRAY) img = cv2.medianBlur(gray_img,5)#降噪处理 cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR) circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1 = 100,param2 = 30,minRadius = 0,maxRadius = 0) #参数1：传递的图片 #参数2：method使用什么方法检测 #参数3：dp，默认为1 #参数4：minDist，不同圆心的最小距离，120,单位为像素 #参数5:param1，设计canny算法，80为canny算法的上限，这里的canny算法下限自动设置为为上限一半 #参数6:param2, #参数7,8：最小半径和最大半径，避免识别物体之外的圈 circles = np.uint16(np.around(circles)) for i in circles[0,:]: print(i) #画圆圈 cv2.circle(planets,(i[0],i[1]),i[2],(0,255,0),2) #画圆心 cv2.circle(planets,(i[0],i[1]),2,(0,0,255),3) cv2.imshow('HoughCircles',planets) cv2.waitKey() cv2.destroyAllWindows()我们刚开始没有限制检测出来的圆形大小，然后误检了很多圆： 然后我们将检测的圆限制一下范围半径在20-90之间:
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1 = 100,param2 = 30,minRadius = 20,maxRadius = 90) #参数1：传递的图片 #参数2：method使用什么方法检测 #参数3：dp，默认为1 #参数4：minDist，不同圆心的最小距离，120,单位为像素 #参数5:param1，设计canny算法，80为canny算法的上限，这里的canny算法下限自动设置为为上限一半 #参数6:param2, #参数7,8：最小半径和最大半径，避免识别物体之外的圈检测出的圆： [634 630 69] [410 630 69] [176 394 70] [860 394 69] [276 154 69] [634 394 70] [760 160 70] [178 630 69] [400 392 69] [860 628 69] [524 158 89]
