python+opencv->边缘提取与各函数参数解析

前情提要：作为刚入门机器视觉的小伙伴，第一节课学到机器视觉语法时觉得很难理解，

很多人家的经验，我发现都千篇一律，功能函数没解析，参数不讲解，就一个代码，所以在此将搜集的解析和案例拿出来汇总！！!

一、opencv+python环境搭建

　　其实能写python的就能写opencv，但是工具很总要，代码提示也很重要，你可能会用submit     vs等工具，submit编码个人觉得不够智能，vs的话过完年我学的方向不一致，所以没用

　　推荐pycharm ,在项目setting中的项目解释器中安装opencv-python即可进行编码。python环境搭建也灰常方便。

二、边缘提取案例

　　

import cv2
def edge_demo(image):
    #GaussianBlur图像高斯平滑处理
    blurred = cv2.GaussianBlur(image, (3, 3), 0)
　　#(3, 3)表示高斯矩阵的长与宽都是3,意思就是每个像素点按3*3的矩阵在周围取样求平均值，，标准差取0
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
　　#颜色模式转换成cv2.COLOR_BGR2GRAY模式下的灰度图像
   
    edge_output = cv2.Canny(gray, 50, 150)
　　#提取上一步中处理好的图像边缘，50和150分别代表低阈值和高阈值，高阈值用来将物体与背景区分开来，低的用于平滑连接高阈值产生的片段，使图像成一个整体
    cv2.imshow("canny edge", edge_output)#输出灰度图像
　　#原图与灰度图像与运算，按照灰度图剪切加和的原图
    dst = cv2.bitwise_and(image, image, mask=edge_output)    cv2.imshow("color edge", dst)#输出带颜色边缘图像


if __name__ == '__main__':
    img = cv2.imread("cat.jpg")
    # cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE)
    cv2.imshow("input image", img)
    edge_demo(img)

    cv2.waitKey(0)#等待键盘输入，不输入 则无限等待
    cv2.destroyAllWindows()#清除所以窗口

三、解释功能函数

　　其实上面的代码也是用的别人的，但绝大多数都没有解释，对于像我这种新手不是很友好

• 　　高斯处理

　　　　图像处理中，常用的滤波算法有均值滤波、中值滤波以及高斯滤波等。

　　三种滤波器的对比：

　　滤波器种类 基本原理 特点

　　均值滤波 使用模板内所有像素的平均值代替模板中心像素灰度值 易收到噪声的干扰，不能完全消除噪声，只能相对减弱噪声

　　中值滤波 计算模板内所有像素中的中值，并用所计算出来的中值体改模板中心像素的灰度值 对噪声不是那么敏感，能够较好的消除椒盐噪声，但是容易导致图像的不连续性

　　高斯滤波 对图像邻域内像素进行平滑时，邻域内不同位置的像素被赋予不同的权值 对图像进行平滑的同时，同时能够更多的保留图像的总体灰度分布特征

　　意思就是使你的图像灰度分布更均匀，每个点的像素均为周围按3*3的矩阵在周围取样求平均值，，标准差取0来处理

     blurred = cv2.GaussianBlur(image, (3, 3), 0)
#GaussianBlur图像高斯平滑处理
#(3, 3)表示高斯矩阵的长与宽都是3,意思就是每个像素点按3*3的矩阵在周围取样求平均值，，标准差取0

• 灰度转换----》也叫做二值化处理

　　故名思意就是转换成黑白图像，后面的参数中    cv2.COLOR_BGR2GRAY  其实就是色彩模式，所以函数名为 cvtColor（色彩模式转换）

　　cvtColor()用于将图像从一个颜色空间转换到另一个颜色空间的转换（目前常见的颜色空间均支持），并且在转换的过程中能够保证数据的类型不变，即转换后的图像的数据类型和位深与源图像一致。

 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
　　#颜色模式转换成cv2.COLOR_BGR2GRAY模式下的灰度图像

 

• 边缘识别提取

　　这一步是将二值化后的图像提取边缘，50和150分别代表低阈值和高阈值，高阈值用来将物体与背景区分开来，低的用于平滑连接高阈值产生的片段，使图像成一个整体

　　简明而言就是，小的用于细小的地方处理，大的宏观处理----》大阈值用于分离背景与轮廓，晓得用于拼接细小的轮廓，即可形成一个整体

edge_output = cv2.Canny(gray, 50, 150)
　　#提取上一步中处理好的图像边缘，50和150分别代表低阈值和高阈值，高阈值用来将物体与背景区分开来，低的用于平滑连接高阈值产生的片段，使图像成一个整体

• 输出即可，小面的函数只是对比学习而已，可以不用

（对于dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow("color edge", dst)#输出带颜色边缘图像
)