一、视频滤波这里是对一个视频进行读取并对视频每一帧生成噪声最后利用中值滤波清理噪声并保持视频清晰import cv2 def add_peppersalt_noise(image, n10000): import numpy as np result image.copy() h, w image.shape[:2] for i in range(n): x np.random.randint(0, h) y np.random.randint(0, w) if np.random.randint(0, 2) 0: result[x, y] 0 else: result[x, y] 255 return result # 读取视频 cap cv2.VideoCapture(rD:\learn\代码所用文本\test.avi) while True: ret, image cap.read() # 读取视频的每一帧 if not ret: break # 视频结束 # 显示原视频帧 cv2.imshow(yuantu, image) # 对当前帧添加噪声 image_noise add_peppersalt_noise(image) # 显示加噪后的帧 cv2.imshow(noise, image_noise) median_filtered cv2.medianBlur(image_noise, 3) cv2.imshow(median_filtered, median_filtered) # 按esc退出 if cv2.waitKey(25) 0xFF 27: break cap.release() cv2.destroyAllWindows()根据上一篇opencv博客对图片的滤波处理到这篇博客视频的滤波处理。并结合之前对图片和视频的其他处理会发现视频的处理都是获取每一帧图片进行处理本质上就是处理图片。读取图片acv2.imread(r图片路径) cv2.imshow(image,a)视频读取acv2.VideoCapture(视频路径)#括号中如果写的是0就代表打开摄像头 while True: ret,imagea.read() if not ret:#检查是否成功读取ret为false break cv2.imshow(video,image)#显示当前帧加一个while true对视频每一帧图片进行获取其他与对图片处理是一样的。二、图片边界填充topbottom, left, right:相应方向上的边框宽度。borderType:定义要添加边框的类型它可以是以下的一种:cv2.BORDER_CONSTANT:添加的边界框像素值为常数(需要额外再给定一个参数)cv2.BORDER_REFLECT:添加的边框像素将是边界元素的镜面反射类似于gfedcba|abcdefgh|hgfedcba。(交界处也复制了)cv2.BORDER_REFLECT _101 或 cv2.BORDER_DEFAULT,和上面类似,但是有一些细微的不同,类似于gfedcb|abcdefgh|gfedcba(交接处删除了)cv2.BoRDER_REPLICATE:使用最边界的像素值代替类似于aaaaaa|abcdefgh|hhhhhhhcv2.BoRDER_WRAP:上下左右边依次替换,cdefgh|abcdefgh|abcdefgimport cv2 import os print(当前工作目录:, os.getcwd()) yuantu cv2.imread(rqqqqss.jpg) top,bottom,left,right 50,50,50,50 constant cv2.copyMakeBorder(yuantu, top,bottom, left,right, borderTypecv2.BORDER_CONSTANT, value(0,255,255)) refLect cv2.copyMakeBorder(yuantu,top,bottom,left,right,borderTypecv2.BORDER_REFLECT) refLect101 cv2.copyMakeBorder(yuantu,top,bottom,left,right,borderTypecv2.BORDER_REFLECT101) replicate cv2.copyMakeBorder(yuantu,top,bottom, left,right,borderTypecv2.BORDER_REPLICATE) wrap cv2.copyMakeBorder(yuantu,top,bottom,left,right,borderTypecv2. BORDER_WRAP) cv2.imshow(yuantu,yuantu) cv2.imshow(constant,constant) cv2.imshow(reflect,refLect) cv2.imshow(refLect101,refLect101) cv2.imshow(replicate,replicate) cv2.imshow(wrap,wrap) cv2.waitKey(0)三、图像形态学1.图像腐蚀和图像膨胀import numpy as np import cv2 #图像腐蚀 #kernel:用于腐蚀的结构原件 suncv2.imread(rD:\project\sun.png) cv2.imshow(sun,sun) kernelnp.ones((3,3),np.uint8)#设置kernel大小全一矩阵,越大腐蚀更明显 erosion_1cv2.erode(sun,kernel,iterations2)#iterations默认是1越大腐蚀迭代次数越多腐蚀执行次数多腐蚀更明显 cv2.imshow(erosion_1,erosion_1) cv2.imwrite(yuan.png,erosion_1) cv2.waitKey(0) #图像膨胀 wenzicv2.imread(rD:\project\wenzi.png) cv2.imshow(wenzi,wenzi) kernelnp.ones((2,2),np.uint8) wenzi_1cv2.dilate(wenzi,kernel,iterations1) cv2.imshow(wenzi_1,wenzi_1) cv2.waitKey(0)图像腐蚀其实就是让图像瘦一圈从而达到清除一些噪声的目的把矩阵改为4,4的时候会发现腐蚀效果强了些右上角直线被全腐蚀了保持矩阵大小为3,3修改iterations的值为3会发现腐蚀效果也强了右上角直线也被全腐蚀了图像膨胀就是让图像胖一些会发现文字的变粗了图像膨胀也可以通过调节矩阵大小和iterations来调整膨胀效果2.开运算和闭运算import numpy as np import cv2 #开运算先腐蚀后膨胀 image2cv2.imread(rD:\project\zhiwen1.png) cv2.imshow(image2,image2) kernelnp.ones((3,3),np.uint8) image2_1cv2.morphologyEx(image2,cv2.MORPH_OPEN,kernel) cv2.imshow(image2_1,image2_1) cv2.waitKey(0) #闭运算先膨胀后腐蚀 image3cv2.imread(rD:\project\zhiwen2.png) cv2.imshow(image3,image3) kernelnp.ones((5,5),np.uint8) image3_1cv2.morphologyEx(image3,cv2.MORPH_CLOSE,kernel) cv2.imshow(image3_1,image3_1) cv2.waitKey(0)开运算先腐蚀后膨胀把噪声消除后在对重要信息进行膨胀使得更清晰当然这里也是可以修改矩阵大小进行效果的调整闭运算先膨胀后腐蚀3.梯度运算import numpy as np import cv2 wenzicv2.imread(rD:\project\wenzi.png) cv2.imshow(wenzi,wenzi) kernelnp.ones((2,2),np.uint8) #膨胀 # peng_wenzicv2.dilate(wenzi,kernel,iterations1) # cv2.imshow(peng_wenzi,peng_wenzi) #腐蚀 # fu_wenzicv2.dilate(wenzi,kernel,iterations1) # cv2.imshow(fu_wenzi,fu_wenzi) #膨胀-腐蚀 bianyuancv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel) cv2.imshow(bianyuan,bianyuan) cv2.waitKey(0) cv2.destroyAllWindows()效果就是变成镂空只保留边缘可以通过矩阵大小调整效果4.顶帽和黑帽顶帽原始图像-开运算用于提取周围区域亮的细节黑帽闭运算-原始图像用于提取比周围区域暗的细节import numpy as np import cv2 suncv2.imread(rD:\project\sun.png) cv2.imshow(sun,sun) kernelnp.ones((2,2),np.uint8) #开运算 # kai_suncv2.morphologyEx(sun,cv2.MORPH_OPEN,kernel) # cv2.imshow(kai_sun,kai_sun) #顶帽 ding_suncv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel) cv2.imshow(ding_sun,ding_sun) #闭运算 # bi_suncv2.morphologyEx(sun,cv2.MORPH_CLOSE,kernel) # cv2.imshow(bi_sun,bi_sun) #黑帽 hei_suncv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel) cv2.imshow(hei_sun,hei_sun) cv2.waitKey(0) # cv2.destroyAllWindows()效果图四、图像的边缘检测sobel算子cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])#参数:ddepth:输出图像的深度(可以理解为数据类型)-1表示与原图像相同的深度dx,dy:当组合为dx1,dy0时求x方向的一阶导数当组合为dx0,dy1时求y方向的一阶导数(如果同时为1通常效果不佳)ksize:(可选参数)Sobel算子的大小必须是1,3,5或者7,默认为3。uint8默认范围0~255整数内存1字节/像素特点只能存正数不能存负数和小数超出范围会自动截断256—255-1—0float64范围任意浮点数包括负数内存8字节/像素特点能存负数和小数精度高import cv2 yuancv2.imread(yuan.png) cv2.imshow(yuan,yuan) #x方向上的左边缘 yuan_x1cv2.Sobel(yuan,-1,dx1,dy0) # cv2.imshow(yuan_x1,yuan_x1) # x方向上的右边缘包括负数信息但显示不出来因为范围是0~255 yuan_x2cv2.Sobel(yuan,cv2.CV_64F,dx1,dy0)#默认的unit8改为float64可保存负数 # cv2.imshow(yuan_x2,yuan_x2) #x方向上的全部边缘包括负数信息进行绝对值操作右端也可以显示出来 yuan_x_fullcv2.convertScaleAbs(yuan_x2)#转换为绝对值负为正 cv2.imshow(yuan_x_full,yuan_x_full) #y方向上的上边缘 yuan_y1cv2.Sobel(yuan,-1,dx0,dy1) # cv2.imshow(yuan_y1,yuan_y1) #y方向上的下边缘 yuan_y2cv2.Sobel(yuan,cv2.CV_64F,dx0,dy1) # cv2.imshow(yuan_y2,yuan_y2) #y方向上的全部边缘 yuan_y_fullcv2.convertScaleAbs(yuan_y2) cv2.imshow(yuan_y_full,yuan_y_full) # #如果同时使 用xy方向 # yuan_xycv2.Sobel(yuan,-1,dx1,dy1) # cv2.imshow(yuan_xy,yuan_xy)#效果不好 #把yuan_x_full和yuan_y_full进行图片融合 yuan_xy_fullcv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0) cv2.imshow(yuan_xy_full,yuan_xy_full) cv2.waitKey(0)最后我们是通过图像的融合如果同时使用xy方向效果不如图像融合的效果好