OpenCV 机器视觉入门实验：图像处理基础

基于 OpenCV 的机器视觉入门实验

实验目的

掌握基于 OpenCV 的机器视觉的基本概念和方法，学习 OpenCV 的基本操作和函数，实现图像的读取、显示、处理和保存。

实验设备

电脑
Python3
OpenCV 库

实验内容

实验 1：图像的读取和显示

在 Python3 中，使用 cv2.imread() 函数读取图像，并使用 cv2.imshow() 函数显示图像。代码如下：

import cv2

img = cv2.imread('image.jpg', 1)
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，'image.jpg' 是要读取的图像文件名，1 表示读取彩色图像。cv2.imshow() 函数用于显示图像，'image' 是窗口的名称，img 是要显示的图像。cv2.waitKey() 函数用于等待键盘输入，参数为 0 表示等待无限长时间。cv2.destroyAllWindows() 函数用于关闭所有打开的窗口。

实验 2：图像的灰度化和二值化

在 Python3 中，使用 cv2.cvtColor() 函数将彩色图像转换为灰度图像，使用 cv2.threshold() 函数将灰度图像二值化。代码如下：

import cv2

img = cv2.imread('image.jpg', 0)
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('image', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，'image.jpg' 是要读取的图像文件名，0 表示读取灰度图像。cv2.threshold() 函数用于将灰度图像二值化，参数 1 为要处理的灰度图像，参数 2 为阈值，参数 3 为最大像素值，参数 4 为二值化类型，cv2.THRESH_BINARY 表示二值化类型为二进制阈值化。cv2.imshow()、cv2.waitKey() 和 cv2.destroyAllWindows() 函数的用法与实验 1 相同。

实验 3：图像的模糊和锐化

在 Python3 中，使用 cv2.blur() 函数对图像进行模糊处理，使用 cv2.filter2D() 函数对图像进行锐化处理。代码如下：

import cv2
import numpy as np

img = cv2.imread('image.jpg', 1)

# 模糊处理
blur = cv2.blur(img, (5, 5))

# 锐化处理
kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
sharp = cv2.filter2D(img, -1, kernel)

cv2.imshow('image', img)
cv2.imshow('blur', blur)
cv2.imshow('sharp', sharp)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，'image.jpg' 是要读取的图像文件名，1 表示读取彩色图像。cv2.blur() 函数用于对图像进行模糊处理，参数 1 为要处理的图像，参数 2 为模糊核的大小，(5, 5) 表示模糊核的大小为 5x5。cv2.filter2D() 函数用于对图像进行锐化处理，参数 1 为要处理的图像，参数 2 为输出图像的深度，-1 表示输出图像的深度和输入图像的深度相同，参数 3 为锐化核，kernel 为自定义的锐化核。cv2.imshow()、cv2.waitKey() 和 cv2.destroyAllWindows() 函数的用法与实验 1 相同。

实验 4：图像的形态学操作

在 Python3 中，使用 cv2.erode() 函数和 cv2.dilate() 函数对图像进行腐蚀和膨胀操作。代码如下：

import cv2
import numpy as np

img = cv2.imread('image.jpg', 0)

# 腐蚀操作
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img, kernel, iterations = 1)

# 膨胀操作
dilation = cv2.dilate(img, kernel, iterations = 1)

cv2.imshow('image', img)
cv2.imshow('erosion', erosion)
cv2.imshow('dilation', dilation)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，'image.jpg' 是要读取的图像文件名，0 表示读取灰度图像。cv2.erode() 函数用于对图像进行腐蚀操作，参数 1 为要处理的图像，参数 2 为腐蚀核，kernel 为自定义的腐蚀核，参数 3 为迭代次数。cv2.dilate() 函数用于对图像进行膨胀操作，参数 1 为要处理的图像，参数 2 为膨胀核，kernel 为自定义的膨胀核，参数 3 为迭代次数。cv2.imshow()、cv2.waitKey() 和 cv2.destroyAllWindows() 函数的用法与实验 1 相同。

实验 5：图像的边缘检测

在 Python3 中，使用 cv2.Canny() 函数对图像进行边缘检测。代码如下：

import cv2

img = cv2.imread('image.jpg', 0)

edges = cv2.Canny(img, 100, 200)

cv2.imshow('image', img)
cv2.imshow('edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，'image.jpg' 是要读取的图像文件名，0 表示读取灰度图像。cv2.Canny() 函数用于对图像进行边缘检测，参数 1 为要处理的图像，参数 2 和参数 3 为阈值，100 和 200 为阈值的上下限，边缘强度小于 100 的会被认为不是边缘，边缘强度大于 200 的会被认为是边缘，介于 100 和 200 之间的会根据相邻的像素值来判断是否为边缘。cv2.imshow()、cv2.waitKey() 和 cv2.destroyAllWindows() 函数的用法与实验 1 相同。

实验结论

通过本次实验，我掌握了基于 OpenCV 的机器视觉的基本概念和方法，学习了 OpenCV 的基本操作和函数，实现了图像的读取、显示、处理和保存。在图像的读取和显示方面，我学会了使用 cv2.imread() 函数读取图像，并使用 cv2.imshow() 函数显示图像。在图像的灰度化和二值化方面，我学会了使用 cv2.cvtColor() 函数将彩色图像转换为灰度图像，使用 cv2.threshold() 函数将灰度图像二值化。在图像的模糊和锐化方面，我学会了使用 cv2.blur() 函数对图像进行模糊处理，使用 cv2.filter2D() 函数对图像进行锐化处理。在图像的形态学操作方面，我学会了使用 cv2.erode() 函数和 cv2.dilate() 函数对图像进行腐蚀和膨胀操作。在图像的边缘检测方面，我学会了使用 cv2.Canny() 函数对图像进行边缘检测。