JupyterLab
a=[1,2,3]
print("Hello friends，welcome week1's class .........",29*"-","%s"%(a))
import cv2 import numpy as np直接用生成矩阵的方式生成图片
img0 = np.array([[0,0,1],[0,1,0],[1,0,0]]) #img0 = np.array([[0,0,1],[0,1,0],[1,0,0]])查看矩阵数值以及大小
print(img0)
print(img0.shape)
print("img0 size = %s,%s"%(img0.shape[0],img0.shape[1]))
import matplotlib.pyplot as plt # import matplotlib.pylab as plt plt.imshow(img0,cmap = 'gray' ) # color map #plt.imshow(img0) # pycharm要加一句：plt.show() # 加一个%matplotlib inline就会显示matplotlib使用例子
# https://www.cnblogs.com/yanghailin/p/11611333.html彩色图像的颜色空间转换
# https://blog.csdn.net/zhang_cherry/article/details/88951259从摄像头或视频采集图像
# read camera
#cap = cv2.VideoCapture(0)
# read video
#cap = cv2.VideoCapture("/Users/zhaomingming/Documents/HTC/核心课/CVFundamentals/week1/How Computer Vision Works.mp4")
#cap = cv2.VideoCapture("../How Computer Vision Works.mp4")
path = r"D:whole_development_of_the_stack_studyRS_Algorithm_Course为其1年的CV课程 6计算机视觉-视觉任务基础理论CCV4-masterHow Computer Vision Works.mp4"
cap = cv2.VideoCapture(path)
print(cap.isOpened())
return_value=True
if return_value:
# frame 图像帧
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
return_value,frame = cap.read()
print(cap.isOpened())
#发现图片发蓝
#plt.imshow(frame,cmap = 'gray')
#解决方法：cv2.cvtColor()
#cv2.COLOR_BGR2RGB 调换一下显示的通道
#这里是真彩色显示：
plt.imshow(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB))
frame 的大小是多少？
print(frame.shape)#这个视频大小是360*640，3个通道
#注意这里要关闭capture，否则会一致保存这个在内存中 cap.release()从文件读取图像数据
#读取图片
img = cv2.imread("lena.jpg")
#cv2.cvtColor()
#cv2.COLOR_BGR2RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
print(img.shape)range of interest ROI
roi = img[100:200,300:400]
plt.imshow(img)
plt.imshow(roi)黑白图像
img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #其内部是将三个通道合成一个通道的过程，即三个矩阵合成一个矩阵。 #三个矩阵对应位置进行加权计算（R*权重+G*权重+B*权重），从而获得一个矩阵。 #也可以直接使用某一个矩阵，其他两个直接舍弃 img_gray.shape
plt.imshow(img_gray,cmap='gray')彩色图像 rgb2hsv
rgb用于机器显示
hsv便于人眼辨别
H色调 S饱和度 V明度
import cv2
img_BGR = cv2.imread('lena.jpg')
img_hsv=cv2.cvtColor(img_BGR,cv2.COLOR_BGR2HSV)
plt.imshow(img_hsv,cmap='hsv')
img_hsv.shape
# 肤色检测 根据肤色颜色范围来选取二值化
import cv2
img = cv2.imread('lena.jpg')
_,img_bw=cv2.threshold(img,128,255,cv2.THRESH_BINARY)
# 阈值为128,小于128为0，大于128为255，类型为二进制
print(_)
print(type(img_bw))
print(img_bw.shape)
plt.imshow(img_bw[:,:,0],cmap='gray')放射矩阵M: 图像的放大与缩小
近邻法填充，是按照某一规则填充（容易产生mosic）
双线性插值
resize是需要插值的，默认应该是近邻法的插值
# 列，行 # 调整一下颜色 img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) # 调整图片大小 这里是50,30 img =cv2.resize(img,(50,30)) plt.imshow(img) img.shape
# 列，行
img = cv2.imread('lena.jpg')
print(img.shape) #原图大小
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 调整图片大小 这里是500,300
img =cv2.resize(img,(500,500))
plt.imshow(img)
img.shape
#可以发现resize为50,30的时候图片失真严重。
# roi img_roi =img[100:300,0:200] plt.imshow(img_roi)
import numpy as np #缩放矩阵 # 2表示x轴放大2倍，10表示y轴放大10倍 M = np.float32([[2,0,0],[0,4,0]]) print(M) print(img[0+50,0]) # 这里的(1000,1000)表示的是底图的大小 # Affine是仿射的意思，是针对刚体的变换 img_1=cv2.warpAffine(img,M,(2000,2000)) plt.imshow(img_1) print(img_1[200+50,300])移动：
import numpy as np #移动矩阵 # tx=100,ty=-50,这里的负数表示向上移动。 M = np.float32([[1,0,100],[0,1,-50]]) print(M) print(img[0+50,0]) # 这里的(1000,1000)表示的是底图的大小 img_1=cv2.warpAffine(img,M,(800,500)) plt.imshow(img_1) print(img_1[200+50,300])图像的旋转变换
#pts1 = np.float32([[50,50],[200,50],[50,200]]) #pts2 = np.float32([[10,100],[200,50],[100,250]]) #M = cv2.getAffineTransform(pts1,pts2) #print(M) #180/3.14 # 旋转矩阵 # 角度的正负表示旋转的正逆 #M[[cos(),-sin(),tx],[sin(),cos(),ty]] theta=0.5 M = np.float32([[np.cos(theta),-np.sin(theta),0],[np.sin(theta),np.cos(theta),0]]) # M = np.float32([[0.1,0,100],[0,2,100]]) # 变换矩阵，平移，斜切，旋转 # affine cols=800 rows=800 dst = cv2.warpAffine(img,M,(cols,rows)) plt.imshow(dst)拉伸变换
#拉伸不属于刚体变换 pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]]) pts2 = np.float32([[0,0],[20,0],[0,300],[300,300]]) # 这里.getPerspectiveTransform()操作就是将pts1的4个点，拉伸到pts2的4个点。 # 获得该拉伸变换的M矩阵 M = cv2.getPerspectiveTransform(pts1,pts2) print(M) #发现M是3*3的矩阵，这个相对来说复杂一些。但也都是矩阵变换。 # 拉伸变换后者透视变换 dst = cv2.warpPerspective(img,M,(300,300)) plt.imshow(dst)斜切
#pts1 = np.float32([[50,50],[200,50],[50,200]]) #pts2 = np.float32([[10,100],[200,50],[100,250]]) #M = cv2.getAffineTransform(pts1,pts2) #print(M) #180/3.14 # 旋转矩阵 # 角度的正负表示旋转的正逆 #M[[cos(),-sin(),tx],[sin(),cos(),ty]] theta=0.5 M = np.float32([[0.5,0.2,0],[0.3,1,0]]) # 变换矩阵，平移，斜切，旋转 # affine cols=800 rows=800 dst = cv2.warpAffine(img,M,(cols,rows)) plt.imshow(dst)图像模糊与锐化
下图中的kernal是一个均值滤波，因为是0.25，且kernal是2*2的，因此相当于每个像元乘以1/4。
#滤波操作 #(5, 5)表示高斯矩阵的长与宽都是5，x的标准差取5，y的标准差取5。 img= cv2.GaussianBlur(img, (5, 5), 5, 5) # 高斯模糊 plt.imshow(img)Canny Sobel滤波 边缘检测
# 第一个参数是需要处理的原图像，该图像必须为单通道的灰度图； # 第二个参数是阈值1。 # 第三个参数是阈值2。 # 其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美 img_b= cv2.Canny(img,30,100) plt.imshow(img_b)图像滤波/卷积 锐化
kernel = np.ones((3,3),np.float32)/8 kernel=-kernel kernel[0,:]=[-1,-1,-1] kernel[1,:]=[0,0,0] kernel[2,:]=[1,1,1] print(kernel)
这个kernel和求梯度是有关系的。梯度核。
这里的梯度核是[[-1,-1],[1,1]]，这个核就是从下往上的梯度，也就是高浓度流向低浓度，即从1到-1方向，y轴梯度。
如果梯度核是[[1,-1],[1,-1]]，这个核就是从左往右的梯度，也就是x轴梯度。
如下图的核是22的，那就是∂y1/∂x1 + ∂y2/∂x2 = (-10) + (-110) / (110) + (0*10) =0
plt.imshow(img) #原图像显示
print(img.shape) #dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])；当ddepth=-1时，表示输出图像与原图像有相同的深度。 #ddepth：它是目标图像的理想深度。值 -1 表示生成的图像将具有与源图像相同的深度。 result = cv2.filter2D(img,-1,kernel) print(result.shape) #这里打印的是(100,0)这个位置上对应三个通道的值 print(result[100,0]) # 显示一下 plt.imshow(result*20)
result = cv2.filter2D(result,-1,kernel) plt.imshow(result) result.shape
# 形态学运算
# 灰度直方图
# 直方图均衡化
import torch
import matplotlib
!pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
from image_process import * image_data = generate_data()matplotlib 使用例子
https://www.cnblogs.com/yanghailin/p/11611333.html
import matplotlib.pyplot as plt
i=0
print(image_data[i%10]) plt.imshow(image_data[i%10],cmap = 'gray') i=i+1
plt.imshow(cv2.imread('lena.jpg'))
img = cv2.imread("lena.jpg")
img= cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
加水印，保护版权实例
add watermask
水印图片是：water2.png
wm = cv2.imread("water1.png")
plt.imshow(wm)
# 1、读取到图片
wm = cv2.imread("water2.png")
# 2、缩放调整大小
wm = cv2.resize(wm,(300,300))
# 3、255-wm，去除白色背景，此为字体不是纯黑0因此255-非0值，会得到一个其他的灰度。
wm = 255-wm
# 4、调整img大小，需要加水印图片的大小进行调整。
img1 = cv2.resize(img,(300,300))
#img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
print(wm.shape)
# 5、通过cv的add函数将两个图片添加到一起了。
plt.imshow(cv2.add(wm,img1))
#6、可以通过加权的方式，将两个图片叠加，两个图片权值可调。 #addWeighted参数中最后的那个0，表示亮度 plt.imshow(cv2.addWeighted(wm,0.9,img1,0.5,200))
