Opencv调参神器——trackBar控件

调参需求介绍

想要学好计算机视觉，有一个库必不可少，那就是Opencv，Open即为开放的意思，说明这个库已经开源。cv是Computer Vision，即计算机视觉。Opencv底层是用C++编写的，保证了运行的速度。而Python在C++的基础上编写了调用接口API，这样我们可以使用更为简单的Python语言完成计算机视觉的任务。换句话来说，你只需要会调库，会用给定的函数就能不错的完成任务。
相信你一定听过一个词——调参，即调整参数，使得在该参数下程序达到最佳的效果。所以有人戏谑，只要当好调包侠和调参侠就是学号python-opencv，确实是这样的，“调包侠”好说，只要学会API的输入输出就可以了，但是调参是个非常难的任务。假设一个API有两个参数，每个参数有三种情况，那么就有9种情况，如果有两个API，那就是81种情况。而且在实际工程下，不仅API会很多，而且变化值也很多，很多都是可以连续变化的。
再没学习tarkbar之前，我调参也是一个一个去试，基本流程就是改变某个参数，运行，比较和上一个情况的优劣。常常会出现上个参数调好了，下一个参数的改变也会影响到上个参数。常常是写程序一小时，调参三小时。不知道你是否也会有这种苦恼，这篇文章就通过几个案例详细介绍trackBar控件，大大减少你的调参时间！

trackBar控件介绍

trackBar最大的作用就是将变量值以刻度条的形式呈现出来，在同一个界面中，支持多个刻度条同时变化，最终结果是在所以刻度条的共同作用下形成的。你可以拖动刻度条，给参数附不同的值，这样可以达到再不修改代码的前提下，快速确定最优参数

上图即为用trackBar控件设置Canny算子参数，对lena图片进行边缘检测。**可以看到上面有三个刻度条，你可以直接拖动刻度条给参数附不同的值，下面的图片实时变化，你可以观察这些参数变化对图片产生的影响，从而快速选择最合适的一组参数。这样的优点就是快速，便捷，且很直观。缺点就是会增加代码量，但是trackbar控件代码写起来也十分简单。 下面我们就通过几个案例具体学习一下trackBar，相信学完之后你会对调参有一个新的理解！

trackBar控件使用函数

trackBar控件在使用时需要两个函数，一个是创建函数，一个是获取值函数。在opencv中，给我们提供了相应的API，我们可以直接调用，非常方便。
创建函数
cv2.createTrackbar(trackbarname,winname,value,count,onChange)

• 功能：创建TrackBar控件
• trackbarname:名称
• winname:显示窗口
• value为trackbar的默认值
• count为bar的最大值，最小为0
• OnChange:回调函数

获取值函数
cv2.getTrackbarPos(trackbarname,winname)

• 功能获取TrackBar当前值
• trackbarname:上面创建的trackbar对象名称
• winname:显示窗口的名称

上面提到一个回调函数，回调函数就是函数指针的调用，即是一个通过函数指针调用的函数；如果你把函数的指针（地址）作为参数传递给另一个函数，当这个指针被用来调用其所指向的函数时，就说这是回调函数。如果不理解也没关系，在写代码时，只需要用一个callback函数代替就可以了。

# 定义回调函数
def callback(value):
	print(value)

案例一：trackBar控件调整图片颜色

学习过计算机视觉我们都知道不同的颜色实际上都是bgr三种颜色混合而成的，在这个案例里面我们通过trackBar控件将bgr设置成刻度条，通过滑动刻度条已形成不同的颜色。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：Opencv初步学习 
@File    ：trackBar案例一：调整图片颜色.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/1/27 19:39 
"""
import cv2
import numpy as np
# 创建窗口
cv2.namedWindow("window",cv2.WINDOW_NORMAL)
cv2.resizeWindow("window",(640,480))

# 定义回调函数
def callback(value):
    print(value)

# 创建三个Trackbar控件
cv2.createTrackbar("R","window",0,255,callback)
cv2.createTrackbar("G","window",0,255,callback)
cv2.createTrackbar("B","window",0,255,callback)
# 用np创建一个图像矩阵
image = np.zeros((480,640,3),np.uint8)  # 注意这里的长宽是相反的，3是指通道数，np.uint8指无符号的整数
while True:
    # 获取Trackbar控件的值
    r = cv2.getTrackbarPos("R","window")
    g = cv2.getTrackbarPos("G","window")
    b = cv2.getTrackbarPos("B","window")
    # 用获取的值来生成图片
    image[:] = [r,g,b] # 替换像素
    # 显示图片
    cv2.imshow("window",image)
    if cv2.waitKey(1) == ord("q"):
        break


cv2.destroyAllWindows()

调整BGR三个刻度条的值，下面的图片颜色就会发生变化，这是trackBar最基本的案例，创建控件，获得控件的值，循环不断显示图片。这就是这个程序所做的，代码很简单，但是功能很强大！

案例二：trackBar控件调整Canny算子参数

将高斯模糊的高斯核和canny算子阈值的最大值最小值设为三个trackBar控件，探究这三个参数变化对图片产生的影响。完成代码和readme.md上传网盘，需要的同学可以自取:链接：https://pan.baidu.com/s/15IKTeFxVr6_VYnPD_IggTA?pwd=8b7k
提取码：8b7k
注意程序运行方式不是右键运行，而是在终端输入：

python find_edges.py image.jpg

程序主要是由两个py文件组成：find_edges.py和guiutils.py
find_edges.py:

"""
How to run:
python find_edges.py <image path>
"""

import argparse
import cv2
import os

from guiutils import EdgeFinder


def main():
    parser = argparse.ArgumentParser(description='Visualizes the line for hough transform.')
    parser.add_argument('filename',default="ICEWS18")

    args = parser.parse_args()

    img = cv2.imread(args.filename, cv2.IMREAD_GRAYSCALE)

    cv2.imshow('input', img)

    edge_finder = EdgeFinder(img, filter_size=13, threshold1=28, threshold2=115)

    print ("Edge parameters:")
    print ("GaussianBlur Filter Size: %f" % edge_finder.filterSize())
    print ("Threshold1: %f" % edge_finder.threshold1())
    print ("Threshold2: %f" % edge_finder.threshold2())

    (head, tail) = os.path.split(args.filename)

    (root, ext) = os.path.splitext(tail)

    smoothed_filename = os.path.join(root + "-smoothed" + ext)
    edge_filename = os.path.join(root + "-edges" + ext)

    cv2.imwrite(smoothed_filename, edge_finder.smoothedImage())
    cv2.imwrite(edge_filename, edge_finder.edgeImage())
    print(smoothed_filename)

    cv2.destroyAllWindows()


if __name__ == '__main__':
    main()

guiutils.py:

import cv2


class EdgeFinder:
    def __init__(self, image, filter_size=1, threshold1=0, threshold2=0):
        self.image = image
        self._filter_size = filter_size
        self._threshold1 = threshold1
        self._threshold2 = threshold2

        def onchangeThreshold1(pos):
            self._threshold1 = pos
            self._render()

        def onchangeThreshold2(pos):
            self._threshold2 = pos
            self._render()

        def onchangeFilterSize(pos):
            self._filter_size = pos
            self._filter_size += (self._filter_size + 1) % 2
            self._render()

        cv2.namedWindow('edges')

        cv2.createTrackbar('threshold1', 'edges', self._threshold1, 255, onchangeThreshold1)
        cv2.createTrackbar('threshold2', 'edges', self._threshold2, 255, onchangeThreshold2)
        cv2.createTrackbar('filter_size', 'edges', self._filter_size, 20, onchangeFilterSize)

        self._render()

        print ("Adjust the parameters as desired.  Hit any key to close.")

        cv2.waitKey(0)

        cv2.destroyWindow('edges')
        cv2.destroyWindow('smoothed')

    def threshold1(self):
        return self._threshold1

    def threshold2(self):
        return self._threshold2

    def filterSize(self):
        return self._filter_size

    def edgeImage(self):
        return self._edge_img

    def smoothedImage(self):
        return self._smoothed_img

    def _render(self):
        self._smoothed_img = cv2.GaussianBlur(self.image, (self._filter_size, self._filter_size), sigmaX=0, sigmaY=0)
        self._edge_img = cv2.Canny(self._smoothed_img, self._threshold1, self._threshold2)
        cv2.imshow('smoothed', self._smoothed_img)
        cv2.imshow('edges', self._edge_img)

这样我们就可以实时调整卷积核大小和最大阈值和最小阈值，图片实时更新，是不是非常方便？

案例三：trackBar控件调整图像融合参数

在Opencv中提供了图像融合的APIcv2.addWeighted，图像融合不是简单的加法，相当于拿图片做了线性运算new_img = img1w1+img2w2+bias
cv2.addWeighted(src1,alpha,src2,beta,gamma)

• src1：第一张图片
• alpha：第一张图片的权重
• src2：第二张图片
• beta：第二张图片的权重，没有要求两个权重加起来是1，但1的效果要好一点
• gamma：偏差b，可以理解为调节明亮度

在进行融合的时候，也要保证两张图片的尺寸一样。在融合中图片所占的权重对最终的图片有很大影响，我们可以用trackBar控件对两个权重做可视化处理。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：Opencv初步学习 
@File    ：案例三图像融合.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/1/27 20:21 
"""
import cv2
# 设置窗口大小
cv2.namedWindow("window",cv2.WINDOW_NORMAL)
cv2.resizeWindow("window",(640,480))
# 读取图片
dog = cv2.imread("dog.jpg")
cat = cv2.imread("cat.jpg")
dog = cv2.resize(dog,(400,500))
cat = cv2.resize(cat,(400,500))


# 定义回调函数
def callback(value):
    print(value)

# 创建Trackbar控件
cv2.createTrackbar("weight_dog","window",0,100,callback)
cv2.createTrackbar("weight_cat","window",0,100,callback)


while True:
    # 获取Trackbar控件的值
    weight_dog = cv2.getTrackbarPos("weight_dog","window")
    weight_cat = cv2.getTrackbarPos("weight_cat","window")

    # 图像融合
    add_dog_cat = cv2.addWeighted(dog, weight_dog/100, cat, weight_cat/100, 0)
    # 显示图片
    cv2.imshow("window",add_dog_cat )
    if cv2.waitKey(1) == ord("q"):
        break


cv2.waitKey(0)
cv2.destroyAllWindows()

通过上面的gif可以看到，调高dog的权重，dog的图片会更清楚，调高cat的权重，cat的图片会更清楚，这样动态的调整十分方便，不用一个数字一个数字去试了。

trackBar控件总结

通过这三个案例的学习，相信你对trackbar控件有了更深刻的理解，合理运用trackbar控件将会极大地加快你调参的速度，达到事半功倍的效果！这三个例子只是起到抛砖引玉的效果，在之后的项目中，你也可以把这种发放引入到你的工程中！
好啦，今天的分享就到这里，感兴趣的小伙伴欢迎私信博主或者评论交流哦！

✨$原创不易，还希望各位大佬支持一下$

👍 $点赞，你的认可是我创作的动力！$

⭐️ $收藏，你的青睐是我努力的方向！$

✏️ $评论，你的意见是我进步的财富！$