阅读量:3
目录
http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总（VIP）
散的正在一部分一部分发，不需要VIP。
资料整理不易，有用话给个赞和收藏吧。
二二、图像积分
在OpenCV中，图像积分是计算图像中某一矩形区域内所有像素值的总和。积分图像（也称为积分图）是一种加速某些图像处理操作的技术，如快速计算图像块的和。OpenCV提供了integral函数来计算积分图像。
| 图像积分函数 | |
| integral | 计算积分图像 |
计算图像的积分图像 (integral)
import cv2 import numpy as np # 读取图像并转换为灰度图 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 计算积分图像 integral_image = cv2.integral(image) # 显示原图像和积分图像 cv2.imshow('Original Image', image) cv2.imshow('Integral Image', integral_image.astype(np.uint8)) # 显示时转换为uint8类型 cv2.waitKey(0) cv2.destroyAllWindows() # 打印积分图像 print("Integral Image:\n", integral_image) 解释
integral函数：计算积分图像。积分图像中的每个元素表示原图像中从(0,0)到该位置的矩形区域内所有像素值的总和。- 显示积分图像：为了显示积分图像，我们将其转换为
uint8类型，但要注意，积分图像中的值通常会大于255，所以在显示时会有信息损失。实际应用时，不需要进行这种转换。
应用场景
积分图像在许多图像处理任务中非常有用，特别是在需要快速计算图像块和的场景。以下是一些常见的应用场景：
- 快速图像块和计算：在任意大小的矩形区域内快速计算像素值的总和。
- 特征提取：如Haar特征提取。
- 图像滤波：如快速均值滤波。
快速计算图像块和的示例
假设我们需要计算图像中一个矩形区域的和，使用积分图像可以大大加速这一过程。
# 定义矩形区域的左上角和右下角坐标 top_left = (10, 10) bottom_right = (50, 50) # 使用积分图像计算矩形区域的和 sum_rect = (integral_image[bottom_right[1], bottom_right[0]] - integral_image[top_left[1] - 1, bottom_right[0]] - integral_image[bottom_right[1], top_left[0] - 1] + integral_image[top_left[1] - 1, top_left[0] - 1]) print("Sum of the rectangle:", sum_rect) 在这个示例中，通过使用积分图像，我们可以在常数时间内计算任意矩形区域内的像素值和，而不需要遍历整个区域。
通过这些示例，可以看到如何使用OpenCV中的integral函数来计算积分图像，并使用积分图像进行快速图像处理操作。根据具体的应用需求，可以灵活运用积分图像来实现高效的图像处理任务。
二三、图像边界处理
在OpenCV中，边界处理是图像处理中的一个重要步骤。通过添加边界，可以解决图像卷积和滤波过程中出现的边界效应问题。OpenCV提供了一个函数 copyMakeBorder 来实现图像边界的添加。
| 图像边界处理函数 | |
| copyMakeBorder | 在图像周围添加边界 |
使用 copyMakeBorder 添加图像边界
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_image.jpg') # 设置边界大小 top, bottom, left, right = 10, 10, 10, 10 # 添加边界 bordered_image = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_CONSTANT, value=[255, 0, 0]) # 显示原图像和添加边界后的图像 cv2.imshow('Original Image', image) cv2.imshow('Bordered Image', bordered_image) cv2.waitKey(0) cv2.destroyAllWindows() 解释
copyMakeBorder函数：在图像的四周添加边界。该函数的参数如下：src：输入图像。top：顶边界的大小。bottom：底边界的大小。left：左边界的大小。right：右边界的大小。borderType：边界类型，可以是以下几种：cv2.BORDER_CONSTANT：常量边界，填充指定的常量值。cv2.BORDER_REFLECT：反射边界，边界元素被镜像反射。cv2.BORDER_REFLECT_101：反射边界，但不重复边界元素。cv2.BORDER_REPLICATE：复制边界，边界元素被复制。cv2.BORDER_WRAP：环绕边界，边界元素被环绕。
value：在使用cv2.BORDER_CONSTANT时，填充的常量值。
边界类型示例
下面是一些不同边界类型的示例代码：
# 常量边界 constant_border = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_CONSTANT, value=[255, 0, 0]) # 反射边界 reflect_border = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_REFLECT) # 反射边界101 reflect_101_border = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_REFLECT_101) # 复制边界 replicate_border = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_REPLICATE) # 环绕边界 wrap_border = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_WRAP) # 显示不同类型的边界处理效果 cv2.imshow('Constant Border', constant_border) cv2.imshow('Reflect Border', reflect_border) cv2.imshow('Reflect 101 Border', reflect_101_border) cv2.imshow('Replicate Border', replicate_border) cv2.imshow('Wrap Border', wrap_border) cv2.waitKey(0) cv2.destroyAllWindows() 这些示例展示了如何使用OpenCV中的copyMakeBorder函数来添加不同类型的边界。根据具体的应用需求，可以选择合适的边界类型来实现图像处理任务中的边界处理。
二四、图像修复
在OpenCV中，图像修复（Inpainting）是一种用来恢复损坏图像或去除图像中不需要部分的技术。OpenCV提供了inpaint函数来实现这一功能。这个函数可以根据图像中周围的像素来填补缺失或受损的区域，从而使图像恢复原貌。
| 图像修复函数 | |
| inpaint | 对图像进行修复 |
使用 inpaint 进行图像修复
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_image.jpg') # 创建掩码，白色表示需要修复的区域 mask = np.zeros(image.shape[:2], dtype=np.uint8) mask[100:150, 100:150] = 255 # 这是一个示例区域 # 使用Navier-Stokes算法进行图像修复 restored_image_ns = cv2.inpaint(image, mask, 3, cv2.INPAINT_NS) # 使用Telea算法进行图像修复 restored_image_telea = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA) # 显示原图像、掩码和修复后的图像 cv2.imshow('Original Image', image) cv2.imshow('Mask', mask) cv2.imshow('Restored Image (Navier-Stokes)', restored_image_ns) cv2.imshow('Restored Image (Telea)', restored_image_telea) cv2.waitKey(0) cv2.destroyAllWindows() 解释
- 创建掩码：首先，我们创建一个与图像大小相同的掩码，其中白色（255）表示需要修复的区域，黑色（0）表示不需要修复的区域。
inpaint函数：使用cv2.inpaint函数对图像进行修复，该函数有四个参数：src：输入图像。inpaintMask：掩码图像，指定需要修复的区域。inpaintRadius：修复的半径。flags：修复算法，可以选择cv2.INPAINT_NS（Navier-Stokes算法）或cv2.INPAINT_TELEA（Telea算法）。
实际应用
图像修复在实际中有广泛的应用场景，包括去除图像中的水印、修复老照片中的破损部分、去除图像中的不需要对象等。
去除图像中的水印示例
# 读取图像和创建掩码 image = cv2.imread('path_to_image_with_watermark.jpg') mask = cv2.imread('path_to_watermark_mask.jpg', cv2.IMREAD_GRAYSCALE) # 使用Telea算法进行图像修复 restored_image = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA) # 显示原图像、掩码和修复后的图像 cv2.imshow('Original Image', image) cv2.imshow('Mask', mask) cv2.imshow('Restored Image', restored_image) cv2.waitKey(0) cv2.destroyAllWindows() 通过这些示例，可以看到如何使用OpenCV中的inpaint函数来进行图像修复。根据具体的应用需求，可以选择合适的修复算法来实现图像的恢复和处理。
