openCV学习笔记（三）--图像处理Image Processing

 import cv2

    
 import numpy as np
    
 from matplotlib import pyplot as plt
    
 # openCV中有150改变多个颜色空间的方法，以下方法列出cv2中的所有方法，但是加了限制，所以只会打印改变颜色空间的方法
    
 flags=[i for i in dir(cv2) if i.startswith('COLOR_')]
    
 for i in flags:
    
     print(i)
    
 # 虽然改变颜色空间的方法很多，但是我们只会学习应用最广泛的两个：BGR <--> Gray and BGR <--> HSV.
    
 # BGR <--> Gray：cv2.COLOR_BGR2GRAY
    
 # BGR <--> HSV：cv2.COLOR_BGR2HSV

 import cv2

    
 import numpy as np
    
 from matplotlib import pyplot as plt
    
  
    
 # 官网上的例子是通过追踪摄像头里面的一个蓝色小球，但是我的摄像头有问题，所以我就改成追踪video里面的东西。
    
 cap = cv2.VideoCapture('test.mp4')
    
 while(1):
    
     # 一帧一帧的读取图像中的内容
    
     _,frame=cap.read()
    
     # 把BGR转换成HSV
    
     hsv=cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)
    
  
    
     # 在HSV中定义蓝色的范围
    
     lower_blue=np.array([110,50,50])
    
     upper_blue=np.array([130,255,255])
    
  
    
     # 获取hsv图像的阈值来获取唯一的蓝色
    
     mask=cv2.inRange(hsv,lower_blue,upper_blue)
    
  
    
     # 使用Bitwise-AND计算mask和原始图片
    
     res=cv2.bitwise_and(frame,frame,mask=mask)
    
  
    
     # 显示信息的基本步骤
    
     cv2.imshow('frame',frame)
    
     cv2.imshow('mask',mask)
    
     cv2.imshow('res',res)
    
     k=cv2.waitKey(5) & 0xFF
    
     if k==27:
    
     break
    
 cv2.destroyAllWindows()

  green=np.uint8([[[0,255,0]]])

    
 hsv_green=cv2.cvtColor(green,cv2.COLOR_BGR2HSV)
    
 print(hsv_green)

    [[[ 60 255 255]]]

 # 如果像素值比阈值大，它会被指定为一个值（或许是白色），如果像素值比阈值小，又会被指定为另一个值（或许是黑色）

    
 img = cv2.imread('threshold.png',0)
    
 # cv2.threshold：总共有四个参数
    
 # 第一个参数是源图片的位置，一般是一个灰色图片
    
 # 第二个参数是用来对像素值进行分类的阈值
    
 # 第三个参数是最大值，它表示像素值大于或小于阈值的值
    
 # 第四个参数：opencv提供了不同类型的阈值，由第四个参数决定，具体类型如下（各个类型的具体含义不是特别懂）
    
 #             cv2.THRESH_BINARY
    
 #             cv2.THRESH_BINARY_INV
    
 #             cv2.THRESH_TRUNC
    
 #             cv2.THRESH_TOZERO
    
 #             cv2.THRESH_TOZERO_INV
    
  
    
 ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    
 ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
    
 ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
    
 ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
    
 ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
    
  
    
 titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
    
 images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
    
  
    
 for i in range(6):
    
     plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    
     plt.title(titles[i])
    
     plt.xticks([]),plt.yticks([])
    
 plt.show()

 # 上一个例子中，我们使用的是一个全局的值作为一个阈值。但是，这样或许就不适用于所有的情况，比如图片的在不同的区域有不同的光照条件。

    
 # 因此，我们使用自适应的阈值。通过数学计算为图片的一小片区域计算阈值。
    
 # 我们可以获取一张图片不同位置的不同阈值，并且它会给我们一个对于图片不同的照明的更好的结果。
    
 img=cv2.imread('number.png',0)
    
 img = cv2.medianBlur(img,5)
    
 # 指定阈值
    
 ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    
 # 自适应阈值
    
 th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
    
         cv2.THRESH_BINARY,11,2)
    
 # cv2.ADAPTIVE_THRESH_MEAN_C : threshold value is the mean of neighbourhood area.
    
 #                               阈值是邻域面积的平均值
    
 th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
    
         cv2.THRESH_BINARY,11,2)
    
 #  cv2.ADAPTIVE_THRESH_GAUSSIAN_C :threshold value is the weighted sum of neighbourhood values where weights are a gaussian window.
    
 #                                  阈值是权重值为高斯窗口的邻域值的加权总和。
    
  
    
 titles = ['Original Image', 'Global Thresholding (v = 127)',
    
         'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
    
 images = [img, th1, th2, th3]
    
  
    
 for i in range(4):
    
     plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    
     plt.title(titles[i])
    
     plt.xticks([]),plt.yticks([])
    
 plt.show()

 # global thresholding

    
 ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    
  
    
 # Otsu's thresholding
    
 ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
  
    
 # Otsu's thresholding after Gaussian filtering：高斯滤波后的otsu阈值
    
 blur = cv2.GaussianBlur(img,(5,5),0)
    
 ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
  
    
 # plot all the images and their histograms
    
 images = [img, 0, th1,
    
       img, 0, th2,
    
       blur, 0, th3]
    
 titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
    
       'Original Noisy Image','Histogram',"Otsu's Thresholding",
    
       'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
    
  
    
 for i in range(3):
    
     plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    
     plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    
     plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    
     plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    
     plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    
     plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
    
 plt.show()