こんにちは かずまなぶです(*’ω’*)
今日はOpenCVの使い方を学びました。ひたすらメモを残していきます！！
近日、この知識を元に、ラズパイカメラで寸法測定を行うということをやる予定です。
以下、ひたすらメモ
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 |
# coding: utf-8 # OpenCVを学ぶ 画素値は(B,G,R) 0-255で表現する。 画像の左上が原点(0,0) #画像処理＝解析しやすくする。情報を抽出する （１）グレースケール化+平滑化 ①Gray=0.1140B+0.5870G+0.2989R ②平滑化出力画像=(I*G) ノイズ画素を指定したとき、その周辺の画素データになじむように自分の画素データを修正する。 ガウシアンカーネル（代表的な平滑化カーネル） グレースケールの画像に畳み込む gaussian=np.array([[1/16,2/16,/1/16], [2/16,4/16,/2/16], [1/16,2/16,/1/16]]) （２）グレースケール化+Canny ①Gray=0.1140B+0.5870G+0.2989R ②canny ぼかす→微分→エッジを残す sift surfは特許で使えないものもある # In[ ]: #OpenCVのコンテンツ グレースケール ２値化 リサイズ ガンマ変換 ヒストグラム均一化 アフィン変換 畳み込み（平滑化の一部） 平滑化 モルフォロジー演算 インペイント #特徴抽出 線 円の検出 輪郭の検出 ブロブの検出 特徴点抽出 #動画解析 オプティカルフロー Meansift / Camshift 背景差分 パーティクルフィルター #そのほか カメラモデル 機械学習 sift surf # In[ ]: #on anaconda pronpt #conda create :新たな環境を作る #-n opencv : opencvというnameの環境 #python=3.5:opencv3はpython3.5が最大 3.6には対応していないのでダウングレードして使用する conda create -n opencv python=3.5 anaconda #環境が作成されているか確認する conda info -e activate opency #環境に入る deactivate #環境から抜ける conda remove -n opencv --all #環境を削除（今回はやらない） #OpenCVのインストール (環境名opencv 上にインストール) conda install -c menpo opencv3 #インストールされたか確認 ipython #ipythonに入る import cv2 # cv3でもcv2と記載する。ややこしいので注意 # In[ ]: #画像の基礎知識 import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Berry.jpg") print(type(img))#画素値は(B,G,R) 0-255で表現する。<class 'numpy.ndarray'> h,w=img.shape[0:2] #高さ、幅 、3つ目の成分もあるが なぞ img.shape #(589, 960, 3) print(h,w) #589 960 # In[ ]: #y,x座標を指定して blue成分の値を取得する img[300][500][0] # 104 img[y][x][color] color:B=0 ro G=1 or R=2 # In[ ]: #画像の読み込み,表示と出力 import cv2 , os img=cv2.imread(r"C:\Users\omoiy\data/src/Berry.jpg") img.shape #(589, 960, 3) img[0][0] #原点での色情報BGR array([128, 176, 194], dtype=uint8) cv2.imshow("title",img) cv2.waitKey(0) #3を入れると3msecキーボード入力を受け付ける。0はなにか押されるまで待つ という意味 cv2.destroyAllWindows() os.mkdir("./output") cv2.imwrite("output/test.jpg",img) # True # In[ ]: import cv2 , sys cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Cosmos.mp4")#読み込む if cap.isOpened()==False: #開けたかチェックする sys.exit() ret,frame=cap.read()#ret=開けたかどうか , frame=１フレーム読んだ画像 h,w=frame.shape[:2] #動画の解像度を取得。３番目の色情報は不要 print(h,w) #1080 1920 fourcc=cv2.VideoWriter_fourcc(*"XVID")#コーデックの設定情報 fps=30.0 #fpsを設定する dst=cv2.VideoWriter("output/test.avi",fourcc,fps,(w,h))#書き込む用 。解像度の入力は(x,y)で入れるので注意 #プログラムの本体 while True: ret,frame=cap.read() #ret=開けたかどうか , frame=１フレーム読んだ画像 if ret==False:#ちゃんと読み込めなかった場合はブレークする break cv2.imshow("title",frame)#１コマを表示させる dst.write(frame)#動画を書き込む if cv2.waitKey(30)==27:#escキーが押されるとブレークする break cv2.destroyAllWindows() cap.release() # In[ ]: #ウィンドウの調整 import cv2 img=cv2.imread(r"C:\Users\omoiy\data\src/Lena.jpg") cv2.namedWindow("window",cv2.WINDOW_AUTOSIZE)#ウィンドウの設定 cv2.imshow("window",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: import cv2 img=cv2.imread(r"C:\Users\omoiy\data\src/Lena.jpg") cv2.namedWindow("window",cv2.WINDOW_NORMAL)#ウィンドウの設定 リサイズ可能になる cv2.imshow("window",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: import cv2 img=cv2.imread(r"C:\Users\omoiy\data\src/Lena.jpg") cv2.namedWindow("window",cv2.WINDOW_NORMAL)#ウィンドウの設定 リサイズ可能になる cv2.resizeWindow("window",640,480)#解像度を指定する（アスペクト比は変わる） cv2.imshow("window",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像のリサイズ import cv2 img=cv2.imread(r"C:\Users\omoiy\data\src/Grapes.jpg") #cv2.imshow("window",img) #cv2.waitKey(0) #cv2.destroyAllWindows() img.shape # (640, 960, 3) =(高さ,幅,カラー画像) size=(300,200) # 幅、高さ ※リサイズするときのパラメータは（幅,高さ)と逆になるので注意すること。 img_resize=cv2.resize(img,size)#imgをリサイズする img_resize.shape #(200, 300, 3) cv2.imshow("resized_img",img_resize) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画質を比べてみる img_area=cv2.resize(img,size,interpolation=cv2.INTER_AREA) img_linear=cv2.resize(img,size,interpolation=cv2.INTER_LINEAR)#デフォルトの設定はインターリニア cv2.imshow("img_area",img_area) cv2.imshow("ing_linear",img_linear) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #色空間・グレースケール RGB表現 赤 緑 青 0-255 HSV表現 色相 Hue 0-359deg 色の種類 例）黄色っぽい色=30～60 彩度 Saturation 0-100% 選んだ色相の深さ 明度 Value 0-100% 明るさ ※OpenCVでは 0-179 0-255 0-255の範囲になっているので、割合を変換して使用すること グレースケール Gray=0.1140B+0.5870G+0.2989R 色強度という１つの数値に簡略化するので扱いやすい。 ここから二値化をしやすい # In[ ]: #やってみよう import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg") img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # cvt=convert の略,BGR2GRAY=BGR to グレイスケールの略 img_hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) # In[ ]: #シェイプの内容を比較 img.shape #(640, 960, 3) img_gray.shape #(640, 960) 色情報がなくなっている img_hsv.shape #(640, 960, 3) # In[ ]: #オリジナル画像とグレースケールを比較 cv2.imshow("img",img) cv2.imshow("img_gray",img_gray) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #もっと簡単にグレースケール化する方法 import cv2 img_gray2=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg",0)#cvtColor を使わない方法。imreadで読み込んだ時点で オプション0をつける cv2.imshow("img_gray2",img_gray2) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: img_hsv """ h , s , v の順に並んでいるが h=46の場合、本当は２倍の92であることに注意 array([[[ 46, 138, 175], [ 46, 152, 159], [ 45, 128, 177], ..., """ # In[ ]: #ヒストグラム import cv2 import matplotlib.pyplot as plt get_ipython().run_line_magic('matplotlib', 'inline') # In[ ]: img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg") cv2.imshow("img_title",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: color_list=["blue","green","red"] for i,j in enumerate(color_list): print(i,j) hist=cv2.calcHist([img],[i],None,[256],[0,256])#カッコでくくるのがポイント 画像,番号BGR,マスク,binの数,binの数 plt.plot(hist,color=j) # In[ ]: img_gray=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0)#グレースケールで読む hist_gray=cv2.calcHist([img_gray],[0],None,[256],[0,256]) plt.plot(hist_gray,color="gray") # In[ ]: #ヒストグラムの均一化 # 結果：暗いところはより暗く 明るいところはより明るく import cv2 import matplotlib.pyplot as plt get_ipython().run_line_magic('matplotlib', 'inline') img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) hist=cv2.calcHist([img],[0],None,[256],[0,256]) plt.plot(hist,color="gray") # In[ ]: img_eq=cv2.equalizeHist(img) hist_e=cv2.calcHist([img_eq],[0],None,[256],[0,256]) plt.plot(hist_e) # In[ ]: cv2.imshow("img",img) cv2.imshow("img_eq",img_eq) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #ガンマ変換 明るさの変換 #y=255*(x/255)**(1/gamma)# γ<1:暗くなる , γ>1 :明るくなる import cv2 import numpy as np gamma=0.4 img=cv2.imread(r"C:\Users\omoiy\data/src/Berry.jpg") gamma_cvt=np.zeros((256,1),dtype=np.uint8) # 256行x1列の行列を用意する for i in range(256):#ガンマ変換 gamma_cvt[i][0]=255*(float(i)/255)**(1.0/gamma) img_gamma=cv2.LUT(img,gamma_cvt) cv2.imshow("img",img) cv2.imshow("img_gamma",img_gamma) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #トラックバーの作成 #パラメータをカンタンに調整できるように import cv2 def onTrackbar(position): global trackValue#グルーバル変数 trackValue=position#トラックバーを動かすと反映される trackValue=100 #初期値 cv2.namedWindow("img") cv2.createTrackbar("track1","img",trackValue,255,onTrackbar) cv2.createTrackbar("track2","img",trackValue,255,onTrackbar) cv2.createTrackbar("track3","img",trackValue,255,onTrackbar) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #マウスイベント import numpy as np import cv2 def print_position(event,x,y,flags,param):#ボタンを押したときの動作を定義 if event== cv2.EVENT_LBUTTONDBLCLK:#左ボタンをダブルクリックしたとき print(x,y)#座標を出力する #適当な画像を用意する img=np.zeros((512,512),np.uint8)#真っ黒 cv2.namedWindow("img") cv2.setMouseCallback("img",print_position) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #図形の描画 import cv2 import numpy as np img=np.ones((500,500,3))*255#真っ白な画像を用意する cv2.line(img,(0,0),(150,190),(255,0,0),2) #始点,終点,色,太さ cv2.rectangle(img,(100,25),(300,150),(0,255,0),4) #始点,終点,色,太さ cv2.circle(img,(100,100),55,(0,0,255),-1)#中心,半径,色,太さ 太さがマイナスの場合は塗りつぶしになる cv2.ellipse(img,(250,250),(100,50),20,0,360,(255,0,0),1)#中心,(長軸,短軸),回転,書き始め角度,書き終わり角度,色,太さ points=np.array([[100,30],[200,30],[200,80],[100,50]]) cv2.polylines(img,[points],False,(100,255,0),3)#False=閉じない , 色,太さ font=cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img,"OpenCV",(100,300),font,1,(0,255,0),3,cv2.LINE_AA) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の二値化 #高速で処理できるように軽くする img=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg",0) #グレースケールとして読み込み cv2.imshow("img",img)#画像確認 cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: threshold=100#閾値 ret,img_th=cv2.threshold(img,threshold,255,cv2.THRESH_BINARY)# theresholdより大きい場合は255にする,変換方法 ret #100.0 retはリターンの意味 thresholdの値100が返ってくる # In[ ]: cv2.imshow("img_th",img_th) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #オーツの方法でthresholdを自動化する ret2,img_o=cv2.threshold(img,0,255,cv2.THRESH_OTSU) ret2 #自動的に決まる # In[ ]: #オーツの方法 アルゴリズム確認 """ 仮定：暗いところと 明るいところ 分けるべきところがあるだろう →山が二つ存在することが多いだろう。 """ import cv2 import matplotlib.pyplot as plt get_ipython().run_line_magic('matplotlib', 'inline') hist=cv2.calcHist([img],[0],None,[256],[0,256]) plt.plot(hist,color="gray") # In[ ]: #画像比較 cv2.imshow("img_th",img_th) cv2.imshow("img_otsu",img_o) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #アダプティブ スレショルドを使用する #画像全体ではなく、小さな区間に分けてやっていく img_ada=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,1) # In[ ]: #画像比較 cv2.imshow("img",img) cv2.imshow("img_th",img_th) cv2.imshow("img_otsu",img_o) cv2.imshow("img_ada",img_ada) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #二値化とトラックバーを組み合わせる import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/floor.jpg",0) """ cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() """ # In[ ]: def onTrackber(position): global threshold threshold=position cv2.namedWindow("img") threshold=100#初期値 cv2.createTrackbar("track","img",threshold,255,onTrackber) while True: #ret,img_th=cv2.threshold(img,threshold,255,cv2.THRESH_BINARY) #通常の二値化 img_th=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,threshold) #アダプティブスレショルド cv2.imshow("img",img_th) cv2.imshow("src",img) if cv2.waitKey(10)==27: break cv2.destroyAllWindows() #アファイン変換 回転・移動などの線形変換 変換後 回転移動 変換前 平行移動 [[x_prime] [[a,b] [[x] [[t_x] [y_prime]] = [c,d]] ・ [y]] + [t_y]] まとめると [[x_prime] [[a,b,t_x] [[x] [y_prime] = [c,d,t_y] ・ [y] [1 ]] [0,0,1 ]] [1]] # In[ ]: #アファイン変換を実装する import cv2 import numpy as np img=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg") h,w=img.shape[:2] dx,dy=30,30 #基礎説明の t_x , t_y のこと # In[ ]: afn_mat=np.float32([[1,0,dx],[0,1,dy]]) img_afn=cv2.warpAffine(img,afn_mat,(w,h)) cv2.imshow("trans",img_afn) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: rot_mat=cv2.getRotationMatrix2D((w/2,h/2),40,1) #回転中心,回転角度deg,スケール img_afn2=cv2.warpAffine(img,rot_mat,(w,h)) # In[ ]: cv2.imshow("rotation",img_afn2) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #透視変換 import cv2 import numpy as np img=cv2.imread(r"C:\Users\omoiy\data/src/drive.jpg") h,w=img.shape[:2] cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: per1=np.float32([[100,500],[300,500],[300,100],[100,100]]) per2=np.float32([[100,500],[300,500],[280,200],[150,200]])#per1に対応する点群 psp_matrix=cv2.getPerspectiveTransform(per1,per2)#変換前,変換後 img_psp=cv2.warpPerspective(img,psp_matrix,(w,h)) cv2.imshow("psp",img_psp) cv2.waitKey(0) cv2.destroyAllWindows() #畳み込み 周囲の情報から自分の情報を更新すること １）フィルターを用意する ２）着目画素の周囲で 画素値xフィルター を行い足していく＝畳み込み ３）全ての画素について畳み込みを行う 画素値（真ん中が着目画素=ノイズと考える） [[5,5,4], [4,0,5], [5,4,5]] 平滑化フィルター [[1/9 , 1/9 , 1/9], [1/9 , 1/9 , 1/9] [1/9 , 1/9 , 1/9]] 5*1/9 + 5*1/9 + 4*1/9 ....=4.11 →4 として現在値0を更新する これでノイズが除去できたことになる しかし、ぼけてしまう # In[ ]: #畳み込みを実装する import cv2 import numpy as np kernel=np.ones((3,3))/9.0 #フィルター """平滑化フィルター array([[0.11111111, 0.11111111, 0.11111111], [0.11111111, 0.11111111, 0.11111111], [0.11111111, 0.11111111, 0.11111111]]) """ img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) img_ke1=cv2.filter2D(img,-1,kernel)#ビット深度 負の値をしておくと良い,kernel cv2.imshow("img_ke1",img_ke1) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: kernel2=np.zeros((3,3)) kernel2[0,0]=1 kernel2[1,0]=2 kernel2[2,0]=1 kernel2[0,2]=-1 kernel2[1,2]=-2 kernel2[2,2]=-1 """横方向のエッジを検出するフィルター（sobelフィルターは縦方向） array([[ 1., 0., -1.], [ 2., 0., -2.], [ 1., 0., -1.]]) """ img_ke2=cv2.filter2D(img,-1,kernel2) cv2.imshow("img",img) cv2.imshow("img_ke1",img_ke1) cv2.imshow("img_ke2",img_ke2) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の平滑化 ブラー処理 import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg") img_blur=cv2.blur(img,(3,3)) cv2.imshow("img",img) cv2.imshow("img_blur",img_blur) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の平滑化 ガウシアン ブラー処理 import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg") img_ga=cv2.GaussianBlur(img,(9,9),2)#範囲が広いので、かなりボケボケ cv2.imshow("img",img) cv2.imshow("img_blur",img_blur) cv2.imshow("img_ga",img_ga) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の平滑化 メディアンフィルター import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg") img_me=cv2.medianBlur(img,5)#5x5の中の最頻値で全部を塗りつぶしてしまうので、かなりボケボケ cv2.imshow("img",img) cv2.imshow("img_blur",img_blur) cv2.imshow("img_ga",img_ga) cv2.imshow("img_me",img_me) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の平滑化 バイラテラルフィルタ #輝度変化が激しいところはほっといて、緩やかな部分だけ平滑化をする #エッジを残しながら、ノイズを除去することができる。 img=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg") img_bi=cv2.bilateralFilter(img,20,30,20)#窓の大きさ20,エッジを保存するためのシグマ,ガウシアンブラーでも渡したシグマ cv2.imshow("img",img) cv2.imshow("img_bi",img_bi) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #画像の微分 ①傾き=[f(x+dx)-f(x)]/dx しかし、画像ではdx=constなので ②傾き=隣の画素値-自分の画素値 でよい # In[ ]: #エッジの検出 Sobel と Laplacian import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: # Sobel フィルター import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) img_sobelx=cv2.Sobel(img,cv2.CV_32F,1,0,ksize=3) # ビット深度 1,0 x方向の微分 img_sobely=cv2.Sobel(img,cv2.CV_32F,0,1,ksize=3) # ビット深度 0,1 y方向の微分 cv2.imshow("img_sobelx",img_sobelx) cv2.imshow("img_sobely",img_sobely) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: # Laplacian フィルター #方向性がない。二次微分なので、細かいエッジも検出してしまう。 import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) img_lap=cv2.Laplacian(img,cv2.CV_32F) # ビット深度 cv2.imshow("img_lap",img_lap) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #ガウシアンの後にLaplacianする #ぼかしてからエッジを検出するのでエッジが太く検出される import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) img_ga=cv2.GaussianBlur(img,(21,21),2) img_lap=cv2.Laplacian(img,cv2.CV_32F) img_ga_lap=cv2.Laplacian(img_ga,cv2.CV_32F) cv2.imshow("img",img) cv2.imshow("img_ga",img_ga) cv2.imshow("img_lap",img_lap) cv2.imshow("img_ga_lap",img_ga_lap) cv2.waitKey(0) cv2.destroyAllWindows() #エッジの検出 Canny #Laplacianのような輝度変化の細かいエッジ検出を抑制してくれる ①ガウシアンでぼかす（ノイズを除去する） ②Sobelフィルター x方向微分,y方向微分 を得る ２乗和（いわゆる強度のこと）を採用する ③極大点を探す＝エッジ 除去：エッジではないノイズ（右肩上がり）、グラデーション（微分値が小さい） ④２段階の閾値処理でエッジを残す １）閾値１以上の大きなエッジは残す ２）閾値１よりは小さいが、閾値２以上でエッジにつながっている場合は細かいエッジとして残す # In[ ]: #エッジの検出 Cannyを実装する import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Lena.jpg",0) img_canny=cv2.Canny(img,10,180)#低い閾値,高い閾値 img_canny2=cv2.Canny(img,120,150)#低い閾値,高い閾値 cv2.imshow("img_canny",img_canny) cv2.imshow("img_canny2",img_canny2) cv2.waitKey(0) cv2.destroyAllWindows() #直線 円の検出 直線は２つのパラメータで決まる y=ax+b が一般的だが ρ：原点から直線までの距離 θ：原点を通る直線の法線とx軸とのなす角 とすると y=-(cosθ/sinθ)x + (ρ/sinθ) でもいい でも、この方法はθが小さいとき yが発散してしまうので使えない。 べつの方法としベクトルを使ってみる # In[ ]: #直線の検出 import cv2 import numpy as np img=cv2.imread(r"C:\Users\omoiy\data/src/road.jpg") img_gray=cv2.imread(r"C:\Users\omoiy\data/src/road.jpg",0) img_canny=cv2.Canny(img_gray,300,400) cv2.imshow("img",img) cv2.imshow("img_gray",img_gray) cv2.imshow("img_canny",img_canny) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: lines=cv2.HoughLines(img_canny,1,np.pi/180,100)#1はρの刻み幅,θの刻み幅,集計表の閾値 # In[ ]: for i in lines[:]: rho = i[0][0] theta = i[0][1] a = np.cos(theta) b = np.sin(theta) x0 = rho*a y0 = rho*b x1 = int(x0+1000*(-b)) y1 = int(y0+1000*(a)) x2 = int(x0-1000*(-b)) y2 = int(x0-1000*(a)) cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #円の検出 import cv2 img2=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg") img2_gray=cv2.imread(r"C:\Users\omoiy\data/src/grapes.jpg",0) cv2.imshow("img",img2) cv2.imshow("img_gray",img2_gray) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: get_ipython().set_next_input('circles=cv2.HoughCircles');get_ipython().run_line_magic('pinfo', 'cv2.HoughCircles') # In[ ]: circles=cv2.HoughCircles(img2_gray,cv2.HOUGH_GRADIENT,dp=1,minDist=1,param1=20,param2=35,minRadius=1,maxRadius=30) # In[ ]: for i in circles[0]: cv2.circle(img2,(i[0],i[1]),i[2],(255,0,0),1) cv2.imshow("img",img2) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #モルフォロジー演算 モノの形についての演算（黒の中に白の図形があるとき） 収縮 erode ：白が小さくなる。モノとモノを分離したいとき 膨張 dilate：白が大きくなる。モノとモノを連結したいとき 黒画像中に白いノイズがある場合 オープニング：収縮→膨張 白いノイズを小さくして、ノイズが消えてから、再びサイズを戻す。 クロージング：膨張→収縮 ノイズの大きさはそのまま。変化なし # In[ ]: import cv2 import numpy as np img=cv2.imread(r"C:\Users\omoiy\data/src/floor.jpg",0)#グレースケール #モルフォロジー演算をするためには２値化画像が必要になる ret,img_th=cv2.threshold(img,110,255,cv2.THRESH_BINARY) cv2.imshow("img",img) cv2.imshow("img_th",img_th) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: kernel=np.ones((3,3),dtype=np.uint8) #着目画素の大きさを定義する img_d=cv2.dilate(img_th,kernel)#膨張 着目画素に白画素があったら自分も白にする img_e=cv2.erode(img_th,kernel)#収縮 着目画素に黒画素があったら自分も黒にする #cv2.imshow("img",img) #cv2.imshow("img_th",img_th) cv2.imshow("img_dilate",img_d) #白が増える cv2.imshow("img_erode",img_e) #黒が増える cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #クロージング （膨張と比較する） img_c=cv2.morphologyEx(img_th,cv2.MORPH_CLOSE,kernel) cv2.imshow("img_dilate",img_d) #膨張のみ 白が増える cv2.imshow("img_clising",img_c) #膨張→収縮 膨張で白飛びした穴を収縮で黒く埋めていく。 cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #インペイント #画像の中の落書きを消す #周囲の画像を使って消していく import cv2 import numpy as np img=cv2.imread(r"C:\Users\omoiy\data/src/Bus.jpg") #落書き入りの元画像 img_mask=cv2.imread(r"C:/Users/omoiy/data/src/Mask.jpg",0)#落書き部分を抜き出した画像 グレースケールで cv2.imshow("img",img) cv2.imshow("img_mask",img_mask) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #img_mask グレースケールを二値化する thresh=1 #閾値 ret,img_bi=cv2.threshold(img_mask,thresh,255,cv2.THRESH_BINARY) cv2.imshow("img_binary",img_bi) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #マスクした部分の周辺画像を拾って、マスク内に繰り返し何回も侵入させていく。 img_dst=cv2.inpaint(img,img_bi,3,cv2.INPAINT_NS)#ナビエストークス cv2.imshow("img",img) cv2.imshow("img_dst",img_dst) #うまく落書きが消えた cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #特徴抽出 #Harirsのコーナー検出 情報量：フラット＜エッジ＜コーナー フラット： n個の固有ベクトルの固有値に大小がない。ほぼ均一 エッジ ： n個の固有ベクトルのうち１つの固有値が大きくなる コーナー： n個の固有ベクトルのうち２つの固有値が大きくなる #そのほか ORB（早い）, KAZE , AKAZEがお手軽で良い #商用利用不可 SIFT:徴量128次元 SURF:SIFTを高速化 # In[ ]: #オリジナルデータを読み込む import cv2 import numpy as np import copy img=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg")#オリジナル画像 img_gray=cv2.imread(r"C:\Users\omoiy\data/src/buildings.jpg",0)#グレースケール画像 cv2.imshow("img",img) cv2.imshow("img_gray",img_gray) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #harrisのコーナー検出をやってみる import cv2 import numpy as np import copy img_harris=copy.deepcopy(img) #特徴点が元画像に上書きされてしまうので、imgのディープコピーをimg_harrisとしてとっておく img_dst=cv2.cornerHarris(img_gray,2,3,0.04)#コーナー検出の範囲サイズ,ソーベルフィルターの大きさ,0.04～0.05がいいらしい img_dst """２つの固有値を掛け算した＝値が大きいと固有値が２つあるということ array([[ 4.5360382e-12, 4.5360382e-12, 1.1455559e-12, ..., 3.5410072e-10, 1.2930142e-10, -5.0405020e-11], [ 4.5360382e-12, 4.5360382e-12, 1.1455559e-12, ..., 3.5410072e-10, 1.2930142e-10, -5.0405020e-11], [ 4.2316191e-09, 4.2316191e-09, 3.0776899e-09, ..., -5.2589849e-10, 3.0621861e-10, 2.3705888e-09], """ #harrisデータimg_dstの内、5%以上であれば、特徴点とみなすことにする img_harris[img_dst > 0.05*img_dst.max()]=[0,0,255]#BGR 特徴点を赤でマーキングする , cv2.imshow("img_harris",img_harris) #コーナーが検出されている cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: # kaze（ケイズ）のコーナー検出をやってみる import cv2 import numpy as np import copy img_kaze=copy.deepcopy(img) #特徴点が元画像に上書きされてしまうので、imgのディープコピーをとっておく kaze=cv2.KAZE_create() #特徴抽出器のインスタンスkazeを生成しておく kp1=kaze.detect(img,None) #特徴点を探してkp1に代入する img_kaze=cv2.drawKeypoints(img_kaze,kp1,None)#特徴点kp1を描く cv2.imshow("img_kaze",img_kaze) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: # accerate kaze（アクセレイト ケイズ）のコーナー検出をやってみる import cv2 import numpy as np import copy img_akaze=copy.deepcopy(img) #特徴点が元画像に上書きされてしまうので、imgのディープコピーをとっておく akaze=cv2.AKAZE_create() #特徴抽出器のインスタンスkazeを生成しておく kp1=akaze.detect(img,None) #特徴点を探してkp1に代入する img_akaze=cv2.drawKeypoints(img_akaze,kp1,None)#特徴点kp1を描く cv2.imshow("img_akaze",img_akaze) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: # orb（オーブ）のコーナー検出をやってみる import cv2 import numpy as np import copy img_orb=copy.deepcopy(img) orb=cv2.ORB_create()#インスタンスを生成する kp2=orb.detect(img_orb) img_orb=cv2.drawKeypoints(img_orb,kp2,None) cv2.imshow("img_orb",img_orb) cv2.waitKey(0) cv2.destroyAllWindows() # In[ ]: #コーナー検出を比較する import cv2 import numpy as np import copy cv2.imshow("img_harris",img_harris) cv2.imshow("img_kaze",img_kaze) cv2.imshow("img_akaze",img_akaze) cv2.imshow("img_orb",img_orb) cv2.waitKey(0) cv2.destroyAllWindows() # In[4]: #顏検出 import cv2 #ハールファイル 特徴検出器：すでにopencvに入っている HAAR_FILE="C:/Users/omoiy/Anaconda3/pkgs/opencv3-3.1.0-py35_0/Library/etc/haarcascades/haarcascade_frontalface_default.xml" cascade=cv2.CascadeClassifier(HAAR_FILE)#分類検出器のインスタンスを作成する img=cv2.imread(r"C:/Users/omoiy/data/src/Solvay_conference_1927.jpg") img_gray=cv2.imread(r"C:/Users/omoiy/data/src/Solvay_conference_1927.jpg",0) cv2.imshow("img",img) cv2.imshow("img_gray",img_gray) cv2.waitKey(0) cv2.destroyAllWindows() # In[8]: face=cascade.detectMultiScale(img_gray) face """ 座標x,座標y,幅w,高さh array([[1061, 877, 37, 37], [ 115, 570, 53, 53], [ 421, 568, 60, 60], """ for x,y,w,h in face: cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),1) #顔を四角で囲む cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[21]: #ブロブの検出 import cv2 ,copy img=cv2.imread(r"C:\Users\omoiy\data/src/Blob.png") img_gray=cv2.imread(r"C:\Users\omoiy\data/src/Blob.png",0) cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows() # In[23]: ret,img_bi=cv2.threshold(img_gray,100,255,cv2.THRESH_BINARY) #グレースケールを二値化 cv2.imshow("img_bi",img_bi) cv2.waitKey(0) cv2.destroyAllWindows() # In[34]: nLabels,labelImage,stats,centroids=cv2.connectedComponentsWithStats(img_bi) #ブロブの検出 nLabels # 5 ：ブロブが５個検出された 背景も１個として検出される labelImage """ラベルのIDが ふられる array([[0, 0, 0, ..., 0, 0, 0],←背景 [0, 0, 0, ..., 0, 0, 0], [0, 0, 0, ..., 0, 0, 0], """ stats """あるブロブの最小のx 最小のy 幅w 高さh 面積s array([[ 0, 0, 1672, 1078, 1578760],←背景 [ 818, 88, 365, 311, 56799], [ 256, 143, 150, 150, 17656], [ 163, 471, 336, 363, 89208], [ 1048, 574, 302, 288, 59993]], dtype=int32) """ img_blob=copy.deepcopy(img) h,w=img_gray.shape color=[[255,0,255],[0,255,0],[0,0,255],[255,255,0]]#塗る色のリストが必要 for y in range(h): for x in range(w): if labelImage[y,x]>0:#背景のlabel Imageは0なので、それ以外の時、色を塗る img_blob[y,x]=color[labelImage[y,x]-1] for i in range(1,nLabels):#背景(0)は除く xc=int(centroids[i][0]) yc=int(centroids[i][1]) font=cv2.FONT_HERSHEY_COMPLEX scale=1 color=(255,255,255) cv2.putText(img_blob,str(stats[i][-1]),(xc,yc),font,scale,color) # In[35]: cv2.imshow("img_blob",img_blob) cv2.waitKey(0) cv2.destroyAllWindows() # In[36]: #輪郭検出 import cv2 img=cv2.imread(r"C:\Users\omoiy\data/src/Blob.png") img_gray=cv2.imread(r"C:\Users\omoiy\data/src/Blob.png",0) #グレースケール ret,img_bi=cv2.threshold(img_gray,100,255,cv2.THRESH_BINARY) #二値化 # In[40]: img_con,contours,hierarchy=cv2.findContours(img_bi,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#３角形の中の３角形まで検出する,最低限の輪郭を検出 img_contour=cv2.drawContours(img,contours,-1,(255,0,0),5)#全ての輪郭を描く（-1) , 色 , 太さ # In[41]: cv2.imshow("img",img) cv2.imshow("img_gray",img_gray) cv2.imshow("img_contour",img_contour) cv2.waitKey(0) cv2.destroyAllWindows() |
The following two tabs change content below.
Keita N
最新記事 by Keita N (全て見る)
- 2024/1/13 ビットコインETFの取引開始：新たな時代の幕開け - 2024年1月13日
- 2024/1/5 日本ビジネスにおける変革の必要性とその方向性 - 2024年1月6日
- 2024/1/3 アメリカ債権ETFの見通しと最新動向 - 2024年1月3日