OpenCV篇：0基础带你入门python之算子与绘图篇

① Sobel 算子 (cv2.Sobel)

功能：
用于计算图像的梯度，通过卷积操作提取边缘和方向信息，尤其是水平方向和垂直方向上的变化。

参数：

• src：输入图像（通常是灰度图像）。
• ddepth：输出图像的深度（如 cv2.CV_64F）。
• dx：x方向导数的阶数（如1表示一阶）。
• dy：y方向导数的阶数（如1表示一阶）。
• ksize：Sobel核大小（必须为1、3、5、7之一）。

代码： 

import cv2
import numpy as np

# 读取灰度图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# Sobel 算子计算梯度
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)  # x方向梯度
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)  # y方向梯度

# 转换为可显示图像
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)

# 合并梯度
sobel_combined = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()

返回值：
返回处理后的图像，表示指定方向上的梯度图。

应用：

• 边缘检测。
• 图像增强，提取特定方向的纹理信息。

---

② Laplacian 算子 (cv2.Laplacian)

功能：
计算图像的二阶导数，检测图像中的边缘区域，具有增强细节的效果。

参数：

• src：输入图像（通常是灰度图像）。
• ddepth：输出图像的深度（如 cv2.CV_64F）。
• ksize：可选参数，核大小（默认为1，通常较小）。

代码： 

# Laplacian 算子
laplacian = cv2.Laplacian(image, cv2.CV_64F, ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)

cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

返回值：
处理后的图像，表示图像中二阶导数的结果，突出边缘区域。

应用：

• 更敏感地检测细节和边缘。
• 提取图像纹理和轮廓。

---

③ Canny 算子 (cv2.Canny)

功能：
经典的边缘检测算法，采用多级边缘检测，结合高斯滤波、梯度计算和双阈值处理实现精确边缘提取。

参数：

• image：输入图像（通常为灰度图）。
• threshold1：低阈值，用于边缘连接。
• threshold2：高阈值，用于强边缘检测。
• apertureSize：Sobel算子的核大小（默认为3）。
• L2gradient：布尔值，是否采用更精确的L2范数计算梯度（默认为False）。

代码： 

# Canny 边缘检测
edges = cv2.Canny(image, threshold1=100, threshold2=200)

cv2.imshow('Canny Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

返回值：
二值图像，其中白色像素表示检测到的边缘。

应用：

• 精确提取边缘，用于物体识别、分割等任务。
• 与Hough变换结合进行直线、圆形检测。

---

④ cv2.findContours

功能：
提取图像中的轮廓，通过寻找边界点描述形状。

参数：

• image：输入的二值图像（如Canny输出）。
• mode：轮廓检索模式（如 cv2.RETR_EXTERNAL、cv2.RETR_TREE）。
• method：近似方法（如 cv2.CHAIN_APPROX_SIMPLE、cv2.CHAIN_APPROX_NONE）。 

代码： 

# 读取二值图像
binary_image = cv2.Canny(image, 100, 200)

# 查找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

返回值：

• contours：一个Python列表，包含每个轮廓的点集。
• hierarchy：层次结构信息（如果模式使用了层次关系）。

应用：

• 提取物体的形状特征。
• 物体分割和形状分析。

---

⑤ cv2.drawContours

功能：
在图像上绘制轮廓。

参数：

• image：目标图像，用于绘制。
• contours：轮廓列表（findContours的输出）。
• contourIdx：指定要绘制的轮廓索引（-1表示绘制所有轮廓）。
• color：轮廓颜色（如 (0,255,0)）。
• thickness：轮廓线的粗细（-1表示填充轮廓）。

代码： 

# 读取二值图像
binary_image = cv2.Canny(image, 100, 200)

# 查找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
output_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(output_image, contours, -1, (0, 255, 0), 2)

cv2.imshow('Contours', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

返回值：
返回绘制了轮廓的图像。

应用：

• 形状可视化。
• 在调试过程中标注和验证检测结果。

---

⑥ 透视变换 (cv2.getPerspectiveTransform + cv2.warpPerspective)

功能：
用于将图像从一种透视投影映射到另一种透视投影，实现图像校正和变形。

步骤和参数：

1. 获取透视变换矩阵：

   • 使用 cv2.getPerspectiveTransform，输入原始图像中的四个点和目标图像中的四个点，计算变换矩阵。
   • 参数：
     • src：原图的四个点坐标。
     • dst：目标图的四个点坐标。
   • 返回值：3×3变换矩阵。

2. 应用透视变换：

   • 使用 cv2.warpPerspective 实现变换。
   • 参数：
     • src：输入图像。
     • M：透视变换矩阵。
     • dsize：输出图像尺寸。
   • 返回值：透视变换后的图像。

代码： 

# 输入图像
src_image = cv2.imread('document.jpg')

# 定义原始点和目标点
src_points = np.float32([[100, 200], [400, 200], [100, 500], [400, 500]])
dst_points = np.float32([[0, 0], [300, 0], [0, 400], [300, 400]])

# 获取透视变换矩阵
M = cv2.getPerspectiveTransform(src_points, dst_points)

# 应用透视变换
output_image = cv2.warpPerspective(src_image, M, (300, 400))

cv2.imshow('Original Image', src_image)
cv2.imshow('Warped Image', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

应用：

• 图像校正（如文档拍摄图纠正）。
• 提取特定区域进行分析（如桌面上的卡片）。

---

⑦ 外接边界框的举例与对比说明

举例

给定一个轮廓，使用以下两种方法生成外接矩形：

1. 最小外接矩形 (cv2.minAreaRect)：返回任意角度的最小矩形。

   rect = cv2.minAreaRect(contour)
   box = cv2.boxPoints(rect)
   box = np.int0(box)
   cv2.drawContours(image, [box], 0, (0, 255, 0), 2)
   

2. 水平外接矩形 (cv2.boundingRect)：返回轴对齐的矩形。

   x, y, w, h = cv2.boundingRect(contour)
   cv2.rectangle(image, (x, y), (x + w, y + h), (255, 0, 0), 2)
   

对比说明

• 最小外接矩形：
  能够精确描述任意角度的轮廓形状，但计算复杂度较高。
• 水平外接矩形：
  只考虑水平和垂直方向，速度快，但可能浪费较多空间（不适合倾斜物体）。

应用场景：

• 最小外接矩形：适用于复杂形状（如倾斜的物体）。
• 水平外接矩形：适用于快速目标定位（如目标区域的检测）。