imutils库源码解析,看他如何调用opencv基本函数
imutils
是一个图像处理工具包,它对 opencv
的一些方法进行了二次加工,使其更加简单易用。相比较于 opencv 的学习难度,导致很多方法使用起来需要一定的基础,新手可能会起步的较慢,而 imutils 使用起来比较便利,能够辅助我们理解 opencv
本文就来解析一下 imutils 的源码,看它如何调用 opencv 的方法。顺便也学习一下,这里主要讲其常用的几个图像函数
平移
查看源码:
def translate(image, x, y):
# define the translation matrix and perform the translation
M = np.float32([[1, 0, x], [0, 1, y]])
shifted = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
# return the translated image
return shifted
translate
各参数含义:
- image:输入图像
- x:水平方向的移动,为正表示向右
- y:竖直方向的移动,为正表示向上
该函数使用了 opencv 里面的 warpAffine
方法,来看看它各个参数的含义及作用:cv2.warpAffine(img,M,(rows,cols),flags=cv2.INTER_,borderMode=cv2.BORDER_REFLECT,borderValue=(0,0,0))
- img:输入图像
- M:变换矩阵
- (rows,cols):输出图像的大小
- flags:插值方法的组合(int 类型)
- borderMode:边界像素模式(int 类型)
- borderValue:边界填充值; 默认情况下为0
在这里 imutils 只用了前三个参数,平移功能主要体现在 M 中:
为正表示向右移动, 为正表示向下移动
经 imutils 简化之后,只需要输入 就行了,内部采用 numpy 直接将两个数转化为矩阵了
使用示例:
# 将图像向右移动 25,向上移动 75
translated = imutils.translate(image, 25, -75)
移动前后的图像:
旋转
查看源码:
def rotate(image, angle, center=None, scale=1.0):
# grab the dimensions of the image
(h, w) = image.shape[:2]
# if the center is None, initialize it as the center of
# the image
if center is None:
center = (w // 2, h // 2)
# perform the rotation
M = cv2.getRotationMatrix2D(center, angle, scale)
rotated = cv2.warpAffine(image, M, (w, h))
# return the rotated image
return rotated
rotate
各参数含义:
- image:输入图像
- angle:旋转角度
- center:中心坐标(无需输入,由图像大小自动得出)
- scale:缩放比例
该函数使用了 opencv 里面的 getRotationMatrix2D
和 warpAffine
方法,其中 warpAffine 已经在上个函数中说了,下面来看 getRotationMatrix2D 各个参数的含义及作用:cv2.getRotationMatrix2D(center, angle, scale)
- center:中心点坐标
- angle:旋转角度
- scale:缩放比例
它的作用是获得仿射变换矩阵,再交由 warpAffine 进行变换,即将变换信息转化为 warpAffine 可以看懂的矩阵
图像旋转一定角度 是通过以下形式的变换矩阵实现的:
但是 OpenCV 提供了可缩放的旋转以及可调整的旋转中心,因此您可以在自己喜欢的任何位置旋转。修改后的变换矩阵为:
其中:,矩阵变化就是 getRotationMatrix2D 的功能
经 imutils 简化之后,就可以将两个过程结合,只用输入图像和旋转角度
使用示例:
# 循环旋转
for angle in xrange(0, 90, 180, 270):
# 旋转并展示
rotated = imutils.rotate(bridge, angle=angle)
cv2.imshow("Angle=%d" % (angle), rotated)
旋转后的图像:
调整大小
查看源码:
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
# initialize the dimensions of the image to be resized and
# grab the image size
dim = None
(h, w) = image.shape[:2]
# if both the width and height are None, then return the
# original image
if width is None and height is None:
return image
# check to see if the width is None
if width is None:
# calculate the ratio of the height and construct the
# dimensions
r = height / float(h)
dim = (int(w * r), height)
# otherwise, the height is None
else:
# calculate the ratio of the width and construct the
# dimensions
r = width / float(w)
dim = (width, int(h * r))
# resize the image
resized = cv2.resize(image, dim, interpolation=inter)
# return the resized image
return resized
resize
各参数含义:
- image:输入图像
- width:输出图像的宽度
- height:输出图像的高度(width 和 height 选择一个就行,另外一个会随比例调整)
- inter:插值方法,默认为 cv2.INTER_AREA
该函数使用了 opencv 里面的 resize 方法,来看看它各个参数的含义及作用:
- image:输入图像
- dim:缩放比例
- interpolation:插值方法
可以看到这里只是改变了输入参数的形式,如果知道缩放比例可以直接选择 opencv 的 resize,如果知道改变后图像的宽或高可以选择 imutils 的 resize
使用示例:
# 遍历调整宽度
for width in (400, 300, 200, 100):
# 改变并显示
resized = imutils.resize(workspace, width=width)
cv2.imshow("Width=%dpx" % (width), resized)
调整后图片:
骨骼化
查看源码:
def skeletonize(image, size, structuring=cv2.MORPH_RECT):
# determine the area (i.e. total number of pixels in the image),
# initialize the output skeletonized image, and construct the
# morphological structuring element
area = image.shape[0] * image.shape[1]
skeleton = np.zeros(image.shape, dtype="uint8")
elem = cv2.getStructuringElement(structuring, size)
# keep looping until the erosions remove all pixels from the
# image
while True:
# erode and dilate the image using the structuring element
eroded = cv2.erode(image, elem)
temp = cv2.dilate(eroded, elem)
# subtract the temporary image from the original, eroded
# image, then take the bitwise 'or' between the skeleton
# and the temporary image
temp = cv2.subtract(image, temp)
skeleton = cv2.bitwise_or(skeleton, temp)
image = eroded.copy()
# if there are no more 'white' pixels in the image, then
# break from the loop
if area == area - cv2.countNonZero(image):
break
# return the skeletonized image
return skeleton
skeletonize
各参数含义:
- image:输入图像
- size:结构元素内核的大小
- structuring:结构元素内核的形状
这里结构元素表示就像一个“黑板擦”,把图像当黑板从上到下擦一遍,并产生变化
该函数使用了多个 opencv 内的方法,来逐一看看:cv2.getStructuringElement
- structuring:结构元素内核的形状
- size:结构元素内核的大小
这里就是定义“黑板擦”的大小和形状,变化由后续方法提供
cv2.erode(image,kernel,iterations=1)
- image:输入图像
- kernel:内核
- iterations:迭代次数(可以不输入,选择默认次数)
这里是腐蚀图像,使线条变窄并去除噪声,改变程度根据内核大小确定
cv2.dilate(image,kernel,iterations=1)
- image:输入图像
- kernel:内核
- iterations:迭代次数(可以不输入,选择默认次数)
这里是膨胀操作,因为腐蚀去噪声时会缩小线条,之后用膨胀操作就可以将线条恢复原来的大小
cv2.subtract(image1,image2,dst=None,mask=None,dtype=None)
- image1:输入图像1
- image2:输入图像2
这里将两个图像相减,将背景去除掉
cv2.bitwise_or(image1,image2,mask=noArray())
- image1:输入图像1
- image2:输入图像2
- mask:掩膜,用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程
这里对图像每个像素值进行二进制“或”操作,1|1=1,1|0=0,0|1=0,0|0=0
骨架化是在图像中构造对象的“拓扑骨架”的过程,其中假定该对象在黑色背景上是白色的
使用示例:
gray = cv2.cvtColor(logo, cv2.COLOR_BGR2GRAY)
skeleton = imutils.skeletonize(gray, size=(3, 3))
cv2.imshow("Skeleton", skeleton)
骨架化前后的图片:
转化为Matplotlib可显示格式
查看源码:
def opencv2matplotlib(image):
# OpenCV represents images in BGR order; however, Matplotlib
# expects the image in RGB order, so simply convert from BGR
# to RGB and return
return cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
与其说是转化为 Matplotlib 格式,本质上还是由 BGR 转化为 RGB。在 Python 的 OpenCV 中,图像以 BGR 顺序表示为 NumPy 数组。使用此 cv2.imshow 功能时,此方法工作正常,但是 Matplotlib 中图像按 RGB 顺序排列。
Matplotlib 中以不同顺序显示的图像:
Canny自动边缘检测
查看源码:
def auto_canny(image, sigma=0.33):
# compute the median of the single channel pixel intensities
v = np.median(image)
# apply automatic Canny edge detection using the computed median
lower = int(max(0, (1.0 - sigma) * v))
upper = int(min(255, (1.0 + sigma) * v))
edged = cv2.Canny(image, lower, upper)
此函数是帮助我们使用 cv2.Canny
,先看看 cv2.Canny 的参数结构:cv2.Canny(image,threshold1,threshold2,[, edges[,apertureSize[,L2gradient ]]])
- image:输入图像
- threshold1, threshold2:阈值用于检测图像中明显的边缘
阈值难以确定,如果直接使用 cv2.Canny,不一定可以找到合适的值,但 imutils 通过从图像本身的数据进行处理,可以提供相对合适的阈值
需要注意的是,只能读取灰度或单通道图片
使用示例:
gray = cv2.cvtColor(logo, cv2.COLOR_BGR2GRAY)
edgeMap = imutils.auto_canny(gray)
cv2.imshow("Original", logo)
cv2.imshow("Automatic Edge Map", edgeMap)
边缘检测前后图片:
本文地址:https://blog.csdn.net/weixin_44613063/article/details/107043805