1.圖像處理庫(kù)

import cv2 as cvfrom PIL import *

常用的圖像處理技術(shù)有圖像讀取，寫入，繪圖，圖像色彩空間轉(zhuǎn)換，圖像幾何變換，圖像形態(tài)學(xué)，圖像梯度，圖像邊緣檢測(cè)，圖像輪廓，圖像分割，圖像去噪，圖像加水印以及修復(fù)水印等

2.opencv常用的接口

cv.imread() 讀取圖片，返回numpycv.imwrite() 寫入圖片cv.cvtColor() 圖像色彩空間轉(zhuǎn)換cv.add()cv.subtract()cv.multiply()cv.divide()cv.applyColorMap() 減少了運(yùn)算量，改變圖片風(fēng)格，突出圖片特征cv.bitwise_and(參數(shù)1, 參數(shù)2) 邏輯與cv.bitwise_xor(參數(shù)1, 參數(shù)2) 邏輯異或cv.bitwise_or(參數(shù)1, 參數(shù)2) 邏輯或cv.bitwise_not(參數(shù)) 圖像值取反操作cv.split(src) 通道分離cv.merge(mv) 通道合并cv2.inRange(hsv, lower, upper) 提取指定色彩范圍區(qū)域inRangecv.meanStdDev() 均值和標(biāo)準(zhǔn)差cv.minMaxLoc() 最大最小值和相應(yīng)的位置cv.normalize() 像素歸一化cv.VideoCapture() 視頻文件cv.flip(src,flipcode,dst) 圖像翻轉(zhuǎn)cv.rectangle() 矩形cv.circle() 圓cv.ellipse() 橢圓cv.calcHist() 圖像直方圖cv.equalizeHist() 圖像直方圖均衡化可以用于圖像增強(qiáng)、對(duì)輸入圖像進(jìn)行直方圖均衡化處理，提升后續(xù)對(duì)象檢測(cè)的準(zhǔn)確率cv.compareHist() 圖像直方圖比較，就是計(jì)算兩幅圖像的直方圖數(shù)據(jù)，比較兩組數(shù)據(jù)的相似性，從而得到兩幅圖像之間的相似程度cv.calcBackProject() 圖像直方圖反向投影是通過(guò)構(gòu)建指定模板圖像的二維直方圖空間與目標(biāo)的二維直方圖空間，進(jìn)行直方圖數(shù)據(jù)歸一化之后， 進(jìn)行比率操作，對(duì)所有得到非零數(shù)值，生成查找表對(duì)原圖像進(jìn)行像素映射之后，再進(jìn)行圖像模糊輸出的結(jié)果cv.blur() 均值圖像模糊卷積cv.GaussianBlur() 高斯模糊均值模糊 是卷積核的系數(shù)完全一致，高斯模糊考慮了中心像素距離的影響，對(duì)距離中心像素使用高斯分布公式生成不同的權(quán)重系數(shù)給卷積核，然后用此卷積核完成圖像卷積得到輸出結(jié)果就是圖像高斯模糊之后的輸出cv.medianBlur() 中值濾波對(duì)圖像特定噪聲類型（椒鹽噪聲）會(huì)取得比較好的去噪效果，也是常見(jiàn)的圖像去噪聲與增強(qiáng)的方法之一cv.fastNlMeansDenoisingColored() 非局部均值濾波cv.bilateralFilter() 高斯雙邊模糊,卷積處理實(shí)現(xiàn)圖像模糊的同時(shí)對(duì)圖像邊緣不會(huì)造成破壞，濾波之后的輸出完整的保存了圖像整體邊緣（輪廓）信息cv.pyrMeanShiftFiltering() 均值遷移模糊,均值遷移模糊是圖像邊緣保留濾波算法中一種，經(jīng)常用來(lái)在對(duì)圖像進(jìn)行分水嶺分割之前去噪聲，可以大幅度提升分水嶺分割的效果cv.integral() 圖像積分圖算法cv.edgePreservingFilter() 快速的圖像邊緣濾波算法cv.filter2D() 自定義卷積核來(lái)自定義的濾波器cv.Sobel() 圖像梯度提取算子,梯度信息是圖像的最原始特征數(shù)據(jù)，進(jìn)一步處理之后就可以生成一些比較高級(jí)的特征用來(lái)表示一張圖像實(shí)現(xiàn)基于圖像特征的匹配，圖像分類等應(yīng)用cv.Laplacian() 拉普拉斯算子更容易受到噪聲的擾動(dòng)，所以經(jīng)常對(duì)要處理的圖像首先進(jìn)行一個(gè)高斯模糊，然后再進(jìn)行拉普拉斯算子的邊緣提取，而且在一些場(chǎng)景中會(huì)把這兩步合并成為一步，就是我們經(jīng)常聽(tīng)說(shuō)的LOG算子cv.convertScaleAbs() 增強(qiáng)對(duì)比度cv.addWeighted() USM銳化增強(qiáng)算法cv.Canny() Canny編邊緣檢測(cè)器,有效的噪聲抑制,完整邊緣提取能力cv.pyrUp()cv.pyrDown() 圖像金字塔cv.matchTemplate() 圖像模板匹配cv.threshold() 二值化cv.adaptiveThreshold() 自適應(yīng)閾值算法cv.connectedComponents() 二值圖像聯(lián)通組件尋找cv.connectedComponentsWithStats() 二值圖像連通組件狀態(tài)統(tǒng)計(jì)cv.findContours() 獲取二值圖像的輪廓拓?fù)湫畔v.drawContours() 繪制輪廓cv.boundingRect()cv.minAreaRect() 求取輪廓外接矩形cv.contourArea() 輪廓點(diǎn)集計(jì)算面積cv.arcLength() 計(jì)算輪廓曲線的弧長(zhǎng)cv.approxPolyDP() 圖像二值圖像的每個(gè)輪廓，可以使用輪廓逼近，逼近每個(gè)輪廓的真實(shí)幾何形狀，從而通過(guò)輪廓逼近的輸出結(jié)果判斷一個(gè)對(duì)象是什么形狀cv.fitEllipse() 輪廓點(diǎn)進(jìn)行擬合，生成一個(gè)擬合的圓形或者橢圓cv.fitLine() 直線擬合cv.dilate() 膨脹可以看成是最大值濾波，即用最大值替換中心像素點(diǎn)cv.erode() 腐蝕可以看出是最小值濾波，即用最小值替換中心像素點(diǎn)cv.getStructuringElement() 獲取結(jié)構(gòu)元素cv.morphologyEx() 形態(tài)學(xué)的操作 開(kāi)操作可以刪除二值圖像中小的干擾塊，降低圖像二值化之后噪點(diǎn)過(guò)多的問(wèn)題 操作可以填充二值圖像中孔洞區(qū)域，形成完整的閉合區(qū)域連通組件 頂帽操作有時(shí)候?qū)τ谖覀兲崛D像中微小部分特別有用cv.inpaint() 圖像修復(fù)cv.findHomography()cv.warpPerspective() 透視變換cv.kmeans() KMeans數(shù)據(jù)分類cv.QRCodeDetector()cv.QRCodeDetector.detectAndDecode() 二維碼檢測(cè)與識(shí)別

3.PIL庫(kù)接口

Image.fromarray() 將numpy圖像轉(zhuǎn)ImageImageFont.truetype('china.ttf', size=30) 加載圖像字體庫(kù)ImageDraw.Draw() 繪圖draw.text() 圖像上添加水印

到此這篇關(guān)于基于python圖像處理API的使用示例的文章就介紹到這了,更多相關(guān)python 圖像處理API內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！