为了方便复制粘贴，汇总一下基础图像处理代码（如有遗漏欢迎指出，后续再添加修改）没有原理讲解，我也是个小白，方便日后写代码直接复制使用做的笔记
目录
一、导入需要用的设置
import numpy as np
import matplotlib.pyplot as plt
import cv2二、读入、显示、储存、退出图片
1、读入图片
img = cv2.imread("图像路径")- 读取原图：cv.IMREAD_UNCHANGED
- 读取原图的灰度图：cv.IMREAD_GRAYSCALE
- 读取原图的彩图：cv.IMREAD_COLOR
2、图像显示
cv2.imshow("指定显示图片名称",读取的图片对象)
3、保持图片
cv2.imwrite(‘保存路径',读取的图片对象)
4、退出
cv2.waitKey(delay)delay > 0– 等待 delay 毫秒delay < 0– 等待键盘单击delay = 0– 无限等待delay = null– 等待键盘单击
5、删除窗口
cv2.destroyAllWindows()
二、获得图像信息
g = cv2.imread(r"路径",图像名称) # 灰度图像，单通道
i = cv2.imread(r"路径",图像名称) # BGR图像，三通道
1、图像形状、像素、类型
print(g.shape)
print(i.shape)
print(g.size)
print(i.size)
print(g.dtype)
print(i.dtype)
2、图像RGB值
px = image[水平方向像素, 竖直方向像素]print("R:", image[水平像素, 竖直像素 -1])
print("G:", image[水平像素, 竖直像素, 1])
print("B:", image[水平像素, 竖直像素, 0]) R通道，G通道，B通道、红绿蓝三种不同的颜色通道
三、修改图像信息
1、修改像素
image[像素横坐标, 像素纵坐标] = [255, 255, 255]2、缩放 resize()
result = cv2.resize(src, (160,160))
result = cv2.resize(src, (int(cols * 0.6), int(rows * 1.2)))
result = cv2.resize(src, None, fx=0.5, fy=0.5)src 表示原始图像；
dsize 表示缩放大小；
fx和fy 也可以表示缩放大小倍数，他们两个（dsize或fx/fy）设置一个即可实现图像缩放
3、旋转 getRotationMatrix2D(), warpAffine()
M = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1)
#参数分别为：旋转中心、旋转度数、scale缩放比例
rotated = cv2.warpAffine(src, M, (cols, rows))
#参数分别为：原始图像、旋转参数 和 原始图像宽高4、翻转 flip()
dst = cv2.flip(src, flipCode)src 表示原始图像
flipCode 表示翻转方向
5、平移 warpAffine()
M = np.float32([[1, 0, x], [0, 1, y]])
shifted = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))三、图像阈值化 threshold()
1、二进制阈值化 cv2.THRESH_BINARY
ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)像素灰度值>thresh，设为最大灰度值
像素灰度值<thresh，设为0
2、反二进制阈值化 cv2.THRESH_BINARY_INV
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)与二进制阈值化相反，>thresh，设为0
<thresh，设为255
3、截断阈值化 cv2.THRESH_TRUNC
ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)像素灰度值>thresh，设为thresh
像素灰度值<thresh，不变
4、阈值化为0 cv2.THRESH_TOZERO
ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)>thresh，不变
<thresh，设为0
5、反阈值化为0 cv2.THRESH_TOZERO_INV
ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)
与阈值化为0正相反， >thresh，设为0
<thresh，不变
四、图像滤波
1、均值滤波 cv2.blur（src, ksize）
result = cv2.blur（src, ksize）- 随着核大小逐渐变大，会让图像变得更加模糊；
- 如果设置为核大小为（1，1），则结果就是原始图像。
2、中值滤波 cv2.medianBlur(src, ksize)
result = cv2.medianBlur(src, ksize) - 随着核大小逐渐变大，会让图像变得更加模糊；
- 核必须是大于1的奇数，如3、5、7等；
- 在代码 dst = cv2.medianBlur(src, ksize) 中 填写核大小时，只需填写一个数即可，如3、5、7等，对比均值滤波函数用法。
3、高斯滤波 cv2.GaussianBlur(src, ksize, sigmaX)
result = cv2.GaussianBlur(source, (3, 3), 0)五、形态学处理
设置卷积核
用numpy生成
kernel = np.ones((3,3), np.uint8)
用opencv自带函数–getStructuringElement
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5)) #十字型
element = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5)) #矩形
element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5)) #椭圆形1、腐蚀 cv2.erode(src, kernel, iterations)
fushi = cv2.erode(src, kernel)2、膨胀 cv2.dilate(src, kernel, iterations)
pengzhang = cv2.dilate(src, kernel)3、开运算 cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)
kai = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)4、闭运算 cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)
bi = cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)5、顶帽运算
tophat = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)6、黑帽运算
blackhat = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)六、直方图均值化 equalizeHist()
dst=cv2.equalizeHist(src)- dst 表示处理结果
- src 表示原始图像
七、频域滤波
- numpy.fft.ifft2()： 实现逆傅里叶变换，返回一个复数数组
- numpy.fft.ifftshift() ：fftshift的逆函数，将低频信息由中心移到左上角
- iimg = np.abs(逆傅里叶变换的结果) : 将逆傅里叶变换的结果不能直接显示为图像，需要变为灰度值，显示为图像
1、高通滤波
(1)numpy
f = np.fft.fft2(img) #傅里叶变换
fshift = np.fft.fftshift(f) #将低频移到中心
rows,cols = int(rows/2), int(cols/2) #获取图像中心点
fshift[crow-30:crow+30, col-30:col+30] = 0 #将中心点周围30区域置为0，即将低频信息去掉，实现高通
#滤波
ishift = np.fft.ifftshift(fshift) #将低频移还原到左上角
iimg = np.fft.ifft2(ishift) #逆傅里叶变换
iimg = np.abs(iimg) #将逆傅里叶变换的结果转换为灰度值，显示为图像
(2)opencv cv2.dft()
dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) #傅里叶变换
dftShift = np.fft.fftshift(dft) #低频移到中心位置
result = 20*np.log(cv2.magnitude(dftShift[:,:,0], dftShift[:,:,1])) #转换为灰度值，显示
2、低通滤波
o = cv2.dft(np.float32(o), flags=cv2.DFT_COMPLEX_OUTPUT) #傅里叶变换
dshift = np.fft.fftshift(dft) #将低频移到中间
rs,cs = o.shape #获取图像大小
cr,cc = int(rs/2), int(cs/2) #图像中心
mask=np.zeros((rs,cs,2),np.int8) #构造掩摸图像，两个通道
mask[cr-30:cr+30, cc-30:cc+30] = 1
md = dshift*mask #消除高频，留着中间部分的低频部分
imd = np.fft.ifftshift(md) #将低频还原到左上角
io = cv2.idft(imd) #逆傅里叶变换
io = cv2.magnitude(io[:,:,0], io[:,:,1]) #转换为灰度值，才能显示为图像
八、图像梯度
1、sobel算子
dst = cv2.Sobel(src, ddepth, dx, dy, [ksize])2、scharr算子
dst = Scharr（src, cv2.CV_64F, dx, dy）
dst = cv2.convertScaleAbs(dst)3、laplacian算子
laplacian = cv2.Laplacian(src, ddepth)
laplacian = cv2.convertScaleAbs(laplacian)九、边缘检测 canny
edges = cv2.Canny(image, threshold1, threshold2)- image： 原始图像
- threshold1： 阈值1 minVal
- threshold2： 阈值2 maxVal
- threshold值越小，细节越丰富
十、图像金字塔
1、向下采样
r1 = cv2.pyrDown(原图)
r2 = cv2.pyrDown(r1)
r3 = cv2.pyrDown(r2)
2、向上采样
r1 = cv2.pyrUp(原图)
r2 = cv2.pyrUp(r1)
r3 = cv2.pyrUp(r2)文章出处登录后可见！
已经登录？立即刷新
