OpenCV的简单练习

1、读取一张彩色图像并将其转换为灰度图。

import matplotlib.pyplot as pltimg = plt.imread("./flower.png")
# 灰度化
img_gray = img[:,:,0]*0.299 + img[:,:,1]*0.587 + img[:,:,2]*0.114plt.subplot(121)
plt.imshow(img)
plt.subplot(122)
plt.imshow(img_gray,cmap='gray')
plt.tight_layout()
plt.show()

2、编写程序，读取一张彩色图像【flower.png】，将其转换为灰度图，然后进行二值化处理。接着，对二值化后的图像执行腐蚀和膨胀操作，并显示处理前后的图像。

import cv2# 读取图像
img = cv2.imread("./flower.png")# 调整图片大小为400x400像素
img = cv2.resize(img, (400,400))# 将图像从BGR颜色空间转换为灰度图像
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 自适应阈值二值化
# 对灰度图像进行自适应二值化处理，以增强图像处理效果
img_adaptive_binary = cv2.adaptiveThreshold(img_gray,      # 参数1：输入的灰度图像255,  # 参数2： 二值化处理后的最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C,     # 参数3： 使用局部均值作为阈值计算方法cv2.THRESH_BINARY_INV,        # 参数4： 使用二值化阈值处理方式7,           # 参数5： 邻域大小，用于计算阈值的区域范围5)    # 参数6： 常数C，计算阈值时从均值中减去的值# 创建椭圆形结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
# 腐蚀图像
img_erode = cv2.erode(img_adaptive_binary,kernel)
# 先腐蚀后膨胀图像
img_erode_dilate = cv2.dilate(img_erode,kernel)# 显示腐蚀后的图像
cv2.imshow("img_erode",img_erode)
# 显示自适应二值化后的图像
cv2.imshow("img_adaptive_binary",img_adaptive_binary)
# 显示先腐蚀后膨胀的图像
cv2.imshow("img_erode_dilate",img_erode_dilate)
# 等待按键按下
cv2.waitKey(0)

3、编写程序，读取一张彩色图像，执行以下操作：

1. 将图像缩放至指定大小（例如，宽度和高度都缩小为原来的一半）。
2. 对缩放后的图像应用仿射变换，实现图像的旋转（例如，旋转45度）。
3. 将图像从BGR颜色空间转换为HSV颜色空间，并提取出特定的颜色范围（例如，提取黄色区域）。
4. 显示处理后的图像，并在图像上标记出识别到的颜色区域。

import cv2
import numpy as np# 读取图片并调整大小
img = cv2.imread('./color_1.png')
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)# 计算图像旋转的变换矩阵，围绕图像中心旋转45度，缩放因子为1
M = cv2.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), 45, 1)# 应用仿射变换，旋转图像
img_warp = cv2.warpAffine(img,  # 要旋转的图像M,    # 变换矩阵(img.shape[1], img.shape[0]), # 输出图像的大小flags=cv2.INTER_LINEAR,   # 插值方式borderMode=cv2.BORDER_WRAP   # 边缘填充方式，默认是常数填充显示为黑色)# 将图片从BGR颜色空间转换到HSV颜色空间
img_hsv = cv2.cvtColor(img_warp,cv2.COLOR_BGR2HSV)# 定义黄色的HSV范围
yellow_min = np.array([26,43,46])
yellow_max = np.array([34,255,255])# 根据黄色的HSV范围创建掩码
img_color = cv2.inRange(img_hsv,yellow_min,yellow_max)# 使用中值滤波去除噪声
img_median_blur = cv2.medianBlur(img_color,5)# 获取椭圆形的结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))# 腐蚀图像以去除不需要的细节
img_erode = cv2.erode(img_median_blur,kernel)# 膨胀图像以恢复目标区域的大小
img_erode_dilate = cv2.dilate(img_erode,kernel)# 查找轮廓
contours,hierarchy = cv2.findContours(img_erode_dilate,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)# 复制原图以绘制轮廓
img_warp_copy = img_warp.copy()# 遍历所有轮廓，筛选出面积符合要求的轮廓并绘制
for i in contours:if cv2.contourArea(i)<200 or cv2.contourArea(i)>20000000:continuecv2.drawContours(img_warp_copy,[i],0,(0,0,255),2)# 显示原图和绘制了轮廓的图像
cv2.imshow('img',img)
cv2.imshow('img_draw',img_warp_copy)
cv2.waitKey(0)

4、编写程序，读取一张彩色图像，执行以下操作

1. 找到原图 和目标图的四个点，获取透视变换矩阵
2. 对图像应用透视变换，实现油画区域的矫正

# 导入OpenCV和NumPy库
import cv2
import numpy as np# 读取图片文件
img = cv2.imread('./youhua.png')# 定义四个点，这些点是图片中需要被变换的区域的四个角点
points1 = np.float32([[174,143],  # 左上角点[623,37],   # 右上角点[90,492],   # 左下角点[656,550]   # 右下角点
])# 计算包围points1的最小外接矩形的四个角点
points2 = np.float32([[min(points1[:,0]),min(points1[:,1])],  # 左上角点[max(points1[:,0]),min(points1[:,1])],  # 右上角点[min(points1[:,0]),max(points1[:,1])],  # 左下角点[max(points1[:,0]),max(points1[:,1])]   # 右下角点
])# 使用getPerspectiveTransform函数计算透视变换矩阵M
M = cv2.getPerspectiveTransform(points1, points2)# 使用warpPerspective函数对图片进行透视变换
dst = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))# 计算变换后图片的最小外接矩形的坐标
min_x, min_y = points2.min(axis=0).astype(int)
max_x, max_y = points2.max(axis=0).astype(int)# 根据最小外接矩形的坐标裁剪变换后的图片
cropped_dst = dst[min_y:max_y, min_x:max_x]# 显示原始图片
cv2.imshow('img', img)# 显示裁剪后的变换图片
cv2.imshow('cropped_dst', cropped_dst)# 等待按键，0表示无限等待直到有按键按下
cv2.waitKey(0)

5、请编写一段Python代码，使用OpenCV库对一张图像进行以下处理：

1. 将图像转换为灰度图。
2. 使用高斯滤波器平滑图像，内核大小为5x5，标准差为1。
3. 使用Canny边缘检测算法检测图像边缘，阈值1为50，阈值2为150。
4. 在检测到的边缘图像上绘制轮廓，轮廓颜色为红色，厚度为2。

import cv2# 读取图片文件
img = cv2.imread("./picture.png")# 调整图片大小，便于处理和显示
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)# 将图片转换为灰度图，便于后续的二值化处理
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 使用Otsu's thresholding方法对灰度图进行二值化处理
ret,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 对二值化的图片进行高斯模糊处理，减少噪声
img_blur = cv2.GaussianBlur(img_binary,(5,5),1)# 使用Canny算法对模糊处理后的图片进行边缘检测
img_canny = cv2.Canny(img_blur,50,150)# 找到边缘检测后的图片中的轮廓
contours, _ = cv2.findContours(img_canny,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 复制原图
img_copy = img.copy()
# 在复制的图片上绘制找到的轮廓
img_draw = cv2.drawContours(img_copy,contours,-1,(0,0,255),2)# 显示二值化后的图片
cv2.imshow("img_binary",img_binary)
# 显示经过高斯模糊处理后的图片
cv2.imshow("img_blur",img_blur)
# 显示边缘检测后的图片
cv2.imshow("img_canny",img_canny)
# 显示绘制了轮廓的图片
cv2.imshow("img_draw",img_draw)# 等待用户按键，任意键按下后关闭所有图片窗口
cv2.waitKey(0)

6、你正在开发一个自动驾驶系统，需要识别交通信号灯的颜色（红、黄、绿）。请设计一个简化的流程，说明如何使用OpenCV来识别交通信号灯的颜色。

1. 读取包含交通信号灯的图像。
2. 转换图像到HSV颜色空间。
3. 分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。
4. 对每个掩膜进行轮廓检测，识别出可能的信号灯区域。

import cv2
import numpy as np# 加载图像
img = cv2.imread('./demo111.png')# 转换到 HSV 色彩空间
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 红色范围
red_min1 = np.array([0, 43, 46])
red_max1 = np.array([10, 255, 255])
red_min2 = np.array([156, 43, 46])
red_max2 = np.array([180, 255, 255])# 黄色范围
yellow_min = np.array([26, 43, 46])
yellow_max = np.array([34, 255, 255])# 绿色范围
green_min = np.array([35, 43, 46])
green_max = np.array([77, 255, 255])# 创建各个颜色的掩码
img_mask1 = cv2.inRange(img_hsv, red_min1, red_max1)
img_mask2 = cv2.inRange(img_hsv, red_min2, red_max2)# 合并红色区域的掩码
img_mask11 = cv2.bitwise_or(img_mask1, img_mask2)# 黄色区域掩码
img_mask22 = cv2.inRange(img_hsv, yellow_min, yellow_max)# 绿色区域掩码
img_mask33 = cv2.inRange(img_hsv, green_min, green_max)# 合并所有颜色区域的掩码
mask_all = cv2.bitwise_or(cv2.bitwise_or(img_mask11, img_mask22), img_mask33)# 查找轮廓
contours, _ = cv2.findContours(mask_all, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 创建图像副本进行绘制
img_copy = img.copy()# 绘制每个轮廓的矩形框
for i in contours:if cv2.contourArea(i) < 2000:continue(x, y), radius = cv2.minEnclosingCircle(i)(x, y, radius) = np.int32((x, y, radius))# 画圆cv2.circle(img_copy, (x, y), radius, (255, 0, 255), 3)# 显示原图、掩码图和绘制矩形后的图像
cv2.imshow('img', img)
cv2.imshow('mask_all', mask_all)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

7、在一家生产彩色玩具的工厂中，需要检测产品是否按照正确的颜色进行生产。请设计一个使用OpenCV的自动化检测系统，该系统能够识别并报告不符合颜色标准的产品。

1. 设定产品的标准颜色范围（HSV值）。
2. 使用摄像头或图像文件获取待检测产品的图像。
3. 转换图像到HSV颜色空间。
4. 为每种标准颜色创建掩膜，并与产品图像进行比对。
5. 识别出颜色不符合标准的产品，并记录或报告。

import cv2
import numpy as np# 读取图像并调整大小
image = cv2.imread('./duck.png')  # 读取指定路径的图像
image = cv2.resize(image, (600, 600))  # 将图像调整为600x600像素# 将BGR图像转换为HSV图像
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)  # OpenCV默认读取图像为BGR格式，转换为HSV格式，便于颜色范围的筛选# 定义橡皮鸭的标准颜色范围（HSV值）
# 每种颜色都包含了其对应的最小和最大HSV值范围，以及用于绘制矩形的颜色
colors = {'red': {'min': np.array([0, 100, 100]), 'max': np.array([10, 255, 255]), 'color': (0, 0, 255)},'blue': {'min': np.array([70, 50, 50]), 'max': np.array([130, 255, 255]), 'color': (255, 0, 0)},'green': {'min': np.array([50, 100, 100]), 'max': np.array([70, 255, 255]), 'color': (0, 255, 0)},'pink': {'min': np.array([140, 50, 50]), 'max': np.array([180, 255, 255]), 'color': (255, 0, 255)},'black': {'min': np.array([0, 0, 0]), 'max': np.array([180, 255, 46]), 'color': (0, 0, 0)},
}# 遍历每种颜色，检测图像中的相应区域
for color_name, color_range in colors.items():# 使用inRange函数根据HSV值范围生成掩膜，提取出符合范围的颜色区域mask = cv2.inRange(hsv, color_range['min'], color_range['max'])# 使用findContours检测掩膜中的轮廓contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 遍历检测到的轮廓# 遍历所有轮廓，筛选出面积符合要求的轮廓并绘制for cnt in contours:if cv2.contourArea(cnt) < 600 or cv2.contourArea(cnt) > 20000000:continueM = cv2.moments(cnt)cX = int(M['m10'] / M['m00'])cY = int(M['m01'] / M['m00'])cv2.drawContours(image, [cnt], 0, (0, 0, 255), 2)cv2.putText(image, 'Unqualified', (cX, cY), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color_range['color'], 2)# 显示处理后的图像，包含标记出的颜色区域
cv2.imshow('Color Detection', image)
cv2.waitKey(0)  # 等待按键输入后关闭图像窗口

8、图像预处理与特征提取‌

1. 将图像转换为灰度图
2. 对灰度图进行二值化处理
3. 使用形态学变换去除噪声【开运算】
4. 检测图像中的边缘
5. 查找并绘制图像中的轮廓
6. 逐一遍历轮廓，输出所有四边形的周长 和 面积。

import cv2
import numpy as np# 读取图像
img = cv2.imread('./03.png')
# 调整图像大小
img = cv2.resize(img, (0, 0), fx=1.5, fy=1.5)
# 创建图像副本，用于后续绘制轮廓和标签
img_copy = img.copy()# 使用高斯模糊处理图像，减少噪声
img_blur = cv2.GaussianBlur(img, (3, 3), 1)# 将模糊图像转换为灰度图像
img_gray = cv2.cvtColor(img_blur, cv2.COLOR_BGR2GRAY)# 使用Otsu's thresholding方法进行二值化处理，得到二值图像
_, img_binary = cv2.threshold(img_gray, 175, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 查找二值图像中的轮廓
contours, h = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 遍历所有轮廓
for cnt in contours:# 计算轮廓的矩M = cv2.moments(cnt)# 如果轮廓的面积为0，则跳过if int(M['m00']) == 0:continue# 计算轮廓的周长arc_len = cv2.arcLength(cnt, True)# 计算轮廓的面积area = cv2.contourArea(cnt)# 近似轮廓approx = cv2.approxPolyDP(cnt, float(0.04) * arc_len, True)# 计算轮廓的中心cX = int(M['m10'] / M['m00'])cY = int(M['m01'] / M['m00'])# 根据近似轮廓的点数判断形状if len(approx) == 4:# 在轮廓中显示周长和面积cv2.putText(img_copy, 'Perimeter: ' + str(round(arc_len, 2)) + ' Area: ' + str(round(area, 2)), (cX, cY), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1)# 绘制轮廓cv2.drawContours(img_copy, [cnt], -1, (0, 255, 0), 2)# 显示绘制了轮廓和标签的图像
cv2.imshow('img_copy', img_copy)
# 等待按键按下
cv2.waitKey(0)

9、假设你正在开发一个车牌识别系统，首先需要从图像中识别出车牌区域。请描述并编写代码实现以下步骤：

1. 读取一张包含车牌的图像。
2. 将图像转换为灰度图以简化处理。
3. 使用高斯滤波器平滑图像，减少噪声干扰。
4. 应用Canny边缘检测算法检测图像中的边缘。
5. 查找图像中的轮廓。
6. 逐一遍历轮廓。
7. 设定一个面积双阈值，只保留面积在该阈值的轮廓。
8. 计算这些轮廓的长宽比，长宽比ratio在2到5.5之间的，在原图上用矩形框标出，这些轮廓可能是车牌的候选区域。

import cv2# 读取图片文件
img= cv2.imread('./OIP-C.jpg')# 对图片进行缩放，这里缩小到原图的一半
img = cv2.resize(img,(0,0),fx=0.7,fy=0.7)# 复制原图
img_copy = img.copy()# 将图片转换为灰度图
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 使用高斯滤波器进行平滑处理
img_gray = cv2.GaussianBlur(img_gray,(5,5),0)# 应用Canny边缘检测算法检测图像中的边缘。
img_canny = cv2.Canny(img_gray,50,150)# 找到轮廓
contours, hierarchy = cv2.findContours(img_canny,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)# 遍历所有轮廓
for i in contours:# 筛选轮廓面积在10000到15000之间的轮廓if 10000 < cv2.contourArea(i) < 15000:x,y,w,h = cv2.boundingRect(i)ratio = float(w)/h# 筛选长宽比在2到5.5之间的矩形if 2 < ratio < 5.5:# 画矩形cv2.rectangle(img_copy,cv2.boundingRect(i),(0,255,0))# 显示原图
cv2.imshow('img',img)
# 显示绘制了轮廓的图片
cv2.imshow('img_draw',img_copy)
# 等待按键按下
cv2.waitKey(0)