小杰机械视觉（one day）——基础阶段结束，进入机械学习阶段。

        机器视觉本质上使用OpenCV库来解决图像问题，虽然后面深度学习也可以解决一些图像算法问题，但是CV更侧重于程序员理解图像本质进行处理，属于传统计算机视觉的范畴。

注意点：

1.数学理论：

        计算其次，解决什么问题，其工程思维是重点。

2.图像理论：

        目标图像的指向性，只有清楚图像理论，才能让代码的产出符合预期。

3.代码编程：

        基础科目编程是手搓代码，这门课重点是理解代码的步骤和含义，以及参数如何调节能达到预期的效果。

2.编程环境

（1）.本人使用的是华清远见-人工智能虚拟仿真本地服务管理平台

（2）Jupyter Notebook

        1.介绍

        3.python 解释器

（3）虚拟仿真平台

针对图象操作的一些实验

（4）代码

手搓创建图象代码

import cv2  # OpenCV库
import numpy as np
import matplotlib.pyplot as plt# 返回值：全0（纯黑）的图像
image = np.zeros((700, 700, 3),  # 高度700，宽度700的3维数组，用于存储图像数据dtype=np.uint8)  # 8位无符号整型：0-255# print(image)# 小矩形块的边长
block_size = 100# 遍历全图的像素点
for i in range(0, 700, block_size):for j in range(0, 700, block_size):# 每个小矩形块的左上角top_left = (j, i)# 根据左上角计算小矩形块的右下角bottom_right = (j + block_size - 1, i + block_size - 1)# print(bottom_right)# 绘制红色的X，将两个对角线的小矩形块填充为红色# i//block_size == j // block_size \对角线# i // block_size + j // block_size == 6 /对角线if (i // block_size == j // block_size) or (i // block_size + j // block_size == 6):# 拿掉四个角if i == 0 or i == 600:continue# 筛选之后的左上角点# print(top_left)# 画矩形cv2.rectangle(image,  # 在哪个图像上画top_left,  # 左上角bottom_right,  # 右下角(255, 128, 0),  # OpenCV使用的是BGR通道，-1  # 填充)else:# 画白线cv2.rectangle(image,  # 在哪个图像上画top_left,  # 左上角bottom_right,  # 右下角(255, 255, 255),  # OpenCV使用的是BGR通道2  # 线宽)# 将OpenCV的BGR转换成RBG以便于matplotlib显示
# 返回值是转换之后的RGB图像
image_rgb = cv2.cvtColor(image,  # 原始图像cv2.COLOR_BGR2RGB  # BGR到RGB
)# 在matplotlib中显示
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')  # 取消坐标轴显示
plt.show()# 拆分通道
b, g, r = cv2.split(image)
print(b)  # 拆分出来的数据不能直接用，因为少了一个维度# 创建三个全0图像
blue_channel = np.zeros((700, 700, 3), dtype=np.uint8)
# 补充拆分出来的蓝色数据
blue_channel[:, :, 0] = b
print(blue_channel)green_channel = np.zeros((700, 700, 3), dtype=np.uint8)
green_channel[:, :, 1] = gred_channel = np.zeros((700, 700, 3), dtype=np.uint8)
red_channel[:, :, 2] = r# 把BGR转换为RGB
blue_channel_rgb = cv2.cvtColor(blue_channel, cv2.COLOR_BGR2RGB)
green_channel_rgb = cv2.cvtColor(green_channel, cv2.COLOR_BGR2RGB)
red_channel_rgb = cv2.cvtColor(red_channel, cv2.COLOR_BGR2RGB)# 显示
plt.subplot(131)  # 一行三列的第一张图
plt.imshow(blue_channel_rgb)
plt.title('Blue Channel')
plt.axis('off')plt.subplot(132)  # 一行三列的第2张图
plt.imshow(green_channel_rgb)
plt.title('Green Channel')
plt.axis('off')plt.subplot(133)  # 一行三列的第3张图
plt.imshow(red_channel_rgb)
plt.title('Red Channel')
plt.axis('off')
plt.show()

3.灰度实验

（1）虚拟仿真实验

import cv2
import numpy as np
import matplotlib.pyplot as pltif __name__ == '__main__':# 1. 图片输入path = 'lena.png'image_np = cv2.imread(path)image_shape = image_np.shapeprint(image_shape)  # (512, 512, 3)# print(image_np)# 2. 三通道图 + 灰度化# 创建一个纯黑图，分辨率相同，用于后续存储灰度后的数据image_np_gray = np.zeros((image_shape[0], image_shape[1], 3), dtype=np.uint8)print(image_np_gray.shape)# 数据拷贝image_np_gray = image_np.copy()# print(image_np_gray)# 三个权重wr = 0.299wg = 0.587wb = 0.114# 遍历全局像素for i in range(image_shape[0]):for j in range(image_shape[1]):# print(i,j)# 加权平均法avg = image_np[i, j][2] * wr + image_np[i, j][1] * wg + image_np[i, j][0] * wb# print(avg)avg = int(avg)# print(avg)# 存储到image_np_gray中image_np_gray[i, j] = avgprint(image_np_gray.shape)print(image_np_gray)  # 如果BGR三通道的数值相同，表示灰度，但真正的灰度只需要一个通道# 4. 图片输出# plt.imshow(image_np_gray)# plt.title('image_np_gray')# plt.axis('off')# plt.show()# 后续彩图可以直接使用OpenCV展示，CV展示图片会收到系统缩放的影响cv2.imshow('image_np_gray',  # 必须：titleimage_np_gray)  # 展示的图像cv2.waitKey(0)  # 等待按下任意按键关闭弹窗

4.二值化

（1）概念

（2）阈值法（THRESH_BINARY）

import cv2
import numpy as npif __name__ == '__main__':# 1. 图片输入path = 'lena.png'image_np = cv2.imread(path)image_shape = image_np.shape# 2. 灰度化（为了手搓二值化，暂时手搓灰度化）image_np_gray = np.zeros((image_shape[0], image_shape[1], 3), dtype=np.uint8)print(image_np_gray.shape)# 数据拷贝image_np_gray = image_np.copy()# 三个权重wr = 0.299wg = 0.587wb = 0.114# 遍历全局像素for i in range(image_shape[0]):for j in range(image_shape[1]):# 加权平均法avg = image_np[i, j][2] * wr + image_np[i, j][1] * wg + image_np[i, j][0] * wbavg = int(avg)# 存储到image_np_gray中image_np_gray[i, j] = avgprint(image_np_gray)# 3. 二值化thresh = 127  # 阈值maxval = 255  # 最大值# 遍历全图像素点for i in range(image_shape[0]):for j in range(image_shape[1]):# 如果像素值小于等于阈值，则设定为0if image_np_gray[i,j][0] <= thresh:image_np_gray[i,j] = 0else: # 其他情况下为最大值image_np_gray[i,j] = maxval# 4. 图片输出cv2.imshow('image_np_gray',image_np_gray)cv2.waitKey(0)

import cv2
import numpy as npif __name__ == '__main__':# 1. 图片输入path = 'lena.png'image_np = cv2.imread(path)# 2. 灰度化（为了手搓二值化，暂时手搓灰度化）image_np_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)  # BGR→灰度# 3. 二值化thresh = 127  # 阈值maxval = 255  # 最大值# 二值化# 返回值1：阈值（thresh的值，部分算法是自动计算的，本例没用）# 返回值2：二值化之后的图片ret, image_np_gray = cv2.threshold(image_np_gray,  # 灰度图thresh,  # 阈值maxval,  # 最大值cv2.THRESH_BINARY_INV  # 二值化类型)# 4. 图片输出cv2.imshow('image_np_gray', image_np_gray)cv2.waitKey(0)

import cv2
import numpy as npif __name__ == '__main__':# 1. 图片输入path = 'lena.png'image_np = cv2.imread(path)# 2. 灰度化（为了手搓二值化，暂时手搓灰度化）image_np_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)  # BGR→灰度# 3. 二值化thresh = 145  # 阈值maxval = 255  # 最大值# 二值化# 返回值1：OTSU计算的阈值# 返回值2：二值化之后的图片ret, image_np_gray = cv2.threshold(image_np_gray,  # 灰度图thresh,  # 阈值maxval,  # 最大值cv2.THRESH_BINARY + cv2.THRESH_OTSU  # OTSU+二值化)print('OTSU:', ret)# 4. 图片输出cv2.imshow('image_np_gray', image_np_gray)cv2.waitKey(0)

5.自适应二值化

（1）概念

参数：

• maxval：最大值，通常为255
• adaptiveMethod：小区域阈值的计算方式
  • ADAPTIVE_THRESH_MEAN_C：小区域内取均值
  • ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
• thresholdType：二值化方法
  • THRESH_BINARY 阈值法
  • THRESH_BINARY_INV 反阈值法
• blockSize：小区域的面积，通常取奇数，例如7表示7*7，后期称之为核（各种滤波和卷积等都用的到），计算的方式为滑动（从左到右，从上到下）计算
• c：最终阈值等于计算的阈值减去此值

（2）取均值 ADAPTIVE_THRESH_MEAN_C

        4.代码

import cv2
import numpy as npif __name__ == '__main__':# 1. 图片输入path = 'lena.png'image_np = cv2.imread(path)# 2. 灰度化（为了手搓二值化，暂时手搓灰度化）image_np_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)  # BGR→灰度# 3. 自适应二值化maxval = 255  # 最大值# 自适应二值化# 返回值：自适应二值化之后的图像image_np_adaptive = cv2.adaptiveThreshold(image_np_gray,  # 要处理的灰度化图像maxval,  # 最大值cv2.ADAPTIVE_THRESH_MEAN_C,  # 阈值的权重计算方式cv2.THRESH_BINARY_INV,  # 阈值法还是反阈值法7,  # 核大小10,  # C值大小)# 4. 图片输出cv2.imshow('image_np_adaptive', image_np_adaptive)cv2.waitKey(0)