Python進階——OpenCV之Core Operations

2020.10.30

文章目錄

圖像基本操作
- 訪問并修改像素值
- 訪問圖像的屬性
- 設(shè)置圖像區(qū)域
- 圖像分割與合并
- 畫圖像邊框
圖像的數(shù)學(xué)操作
- 圖像疊加
- 圖像融合
- 圖像位操作
Python OpenCV代碼檢測與速度優(yōu)化

時隔一個月，續(xù)接上一篇，接著學(xué)習(xí)Core Operations。中間研究了下怎么用Python+opencv實現(xiàn)錄屏，耽擱了一個星期時間，不過也鞏固了第一篇的內(nèi)容。
opencv的 Core Operations操作主要是跟numpy模塊有關(guān)，因此還提前看了一下numpy模塊的用法，關(guān)于這個模塊的介紹有很多，這里就不對numpy做過多的說明了。

圖像基本操作

訪問并修改像素值

>>> import cv2>>> import numpy as np>>> img = cv2.imread('messi5.jpg')>>> px = img[100,100]>>> print px[157 166 200]# accessing only blue pixel，opencv圖像存儲為大端格式：BGR>>> blue = img[100,100,0]>>> print blue157>>> green = img[100,100,1]>>> print green166>>> red = img[100,100,2]>>> print red200# modify the pixel values>>> img[100,100] = [255,255,255]>>> print img[100,100][255 255 255]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Numpy 是經(jīng)過優(yōu)化的快速矩陣計算庫，單獨讀寫某一個像素點速度很慢，以上幾個像素操作方法，其實更適合操作一個圖像區(qū)域。如果要操作單個像素點，推薦使用array.item() and array.itemset()

# accessing RED value>>> img.item(10,10,2)59# modifying RED value>>> img.itemset((10,10,2),100)>>> img.item(10,10,2)1001
2
3
4
5
6
7
1
2
3
4
5
6
7

訪問圖像的屬性

圖像的屬性主要包括圖像的行、列、像素的通道數(shù)、圖像的類型、像素的個數(shù)等。以下幾個函數(shù)主要訪問圖像的屬性。

# img.shape屬性返回圖像的行、列、顏色通道數(shù)（如果是彩色圖像）# 如果是灰度圖像，此屬性只返回圖像的行、列大小>>> print img.shape(342, 548, 3)# 圖像的總像素個數(shù)>>> print img.size562248#圖像每一個像素數(shù)據(jù)類型>>> print img.dtypeuint8#img.dtype is very important while debugging because a large number of errors in OpenCV-Python code is caused by invalid datatype.

1
2
3
4
5
6
7
8
9
10
11
12
13

1
2
3
4
5
6
7
8
9
10
11
12
13

設(shè)置圖像區(qū)域

典型操作，例如人眼檢測，最好先進行人臉檢測，然后在檢測到的人臉范圍內(nèi)進行人眼檢測，眼睛總是在臉上，因此先進行臉部檢測，可以大大縮小眼睛檢測的范圍。從而提高人眼檢測速度。
圖像的區(qū)域操作同樣使用numpy

# 將圖像的一個區(qū)域復(fù)制到另一個區(qū)域>>> roi = img[280:340, 330:390]>>> img[273:333, 100:160] = roi1
2
3
1
2
3

圖像分割與合并

>>> b,g,r = cv2.split(img)>>> img = cv2.merge((b,g,r))#切片操作>>> b = img[:,:,0]>>> img[:,:,2] = 0

1
2
3
4
5

1
2
3
4
5

cv2.split()函數(shù)是一個耗時操作，謹(jǐn)慎使用。

畫圖像邊框

cv2.copyMakeBorder()函數(shù)用于為圖像畫邊框，函數(shù)的參數(shù)說明如下：

src - input image
top, bottom, left, right - border width in number of pixels in corresponding directions
borderType - Flag defining what kind of border to be added. It can be following types:
- cv2.BORDER_CONSTANT - Adds a constant colored border. The value should be given as next argument.
- cv2.BORDER_REFLECT - Border will be mirror reflection of the border elements, like this : fedcba|abcdefgh|hgfedcb
- cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT - Same as above, but with a slight change, like this : gfedcb|abcdefgh|gfedcba
- cv2.BORDER_REPLICATE - Last element is replicated throughout, like this: aaaaaa|abcdefgh|hhhhhhh
- cv2.BORDER_WRAP - Can’t explain, it will look like this : cdefgh|abcdefgh|abcdefg
value - Color of border if border type is cv2.BORDER_CONSTANT

import cv2import numpy as npfrom matplotlib import pyplot as pltBLUE = [255,0,0]img1 = cv2.imread('opencv_logo.png')replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_CONSTANT,value=BLUE)plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')plt.show()1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

以上操作后畫出的邊框示例如下：

圖像的數(shù)學(xué)操作

主要學(xué)習(xí) cv2.add(), cv2.addWeighted()兩個函數(shù)

圖像疊加

numpy相加為取模計算
opecv的add函數(shù)為飽和計算

>>> x = np.uint8([250])>>> y = np.uint8([10])>>> print cv2.add(x,y) # 250+10 = 260 => 255[[255]]>>> print x+y # 250+10 = 260 % 256 = 4[4]

1
2
3
4
5
6
7
8

1
2
3
4
5
6
7
8

圖像融合

圖像的融合公式：g(x) = (1-a)f₀(x) + af₁(x)；a的取值范圍是0—1；
cv2.addWeighted()函數(shù)的圖像融合：g(x) = (1-a)f₀(x) + af₁(x) + b

img1 = cv2.imread('ml.png')img2 = cv2.imread('opencv_logo.jpg')dst = cv2.addWeighted(img1,0.7,img2,0.3,0)cv2.imshow('dst',dst)cv2.waitKey(0)cv2.destroyAllWindows()1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

融合圖像示例：

圖像位操作

圖像位操作主要包括：AND、OR、 NOT、 XOR

# Load two imagesimg1 = cv2.imread('messi5.jpg')img2 = cv2.imread('opencv_logo.png')# I want to put logo on top-left corner, So I create a ROIrows,cols,channels = img2.shaperoi = img1[0:rows, 0:cols ]# Now create a mask of logo and create its inverse mask alsoimg2gray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)ret, mask = cv2.threshold(img2gray, 10, 255, cv2.THRESH_BINARY)mask_inv = cv2.bitwise_not(mask)# Now black-out the area of logo in ROIimg1_bg = cv2.bitwise_and(roi,roi,mask = mask_inv)# Take only region of logo from logo image.img2_fg = cv2.bitwise_and(img2,img2,mask = mask)# Put logo in ROI and modify the main imagedst = cv2.add(img1_bg,img2_fg)img1[0:rows, 0:cols ] = dstcv2.imshow('res',img1)cv2.waitKey(0)cv2.destroyAllWindows()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

位操作后圖像示例：

Python OpenCV代碼檢測與速度優(yōu)化

cv2.getTickCount：獲得當(dāng)前的時鐘tick數(shù)
cv2.getTickFrequency：獲得時鐘頻率，即每秒的tick數(shù)

img1 = cv2.imread('messi5.jpg')e1 = cv2.getTickCount()for i in xrange(5,49,2):    img1 = cv2.medianBlur(img1,i)e2 = cv2.getTickCount()t = (e2 - e1)/cv2.getTickFrequency()print t# Result I got is 0.521107655 seconds1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

cv2.useOptimized()：檢測是否開啟優(yōu)化
cv2.setUseOptimized()：設(shè)置是否優(yōu)化

# check if optimization is enabledIn [5]: cv2.useOptimized()Out[5]: TrueIn [6]: %timeit res = cv2.medianBlur(img,49)10 loops, best of 3: 34.9 ms per loop# Disable itIn [7]: cv2.setUseOptimized(False)In [8]: cv2.useOptimized()Out[8]: FalseIn [9]: %timeit res = cv2.medianBlur(img,49)10 loops, best of 3: 64.1 ms per loop