OpenCV机器视觉入门实验：图像处理、特征提取与匹配

一、实验目的

本实验旨在通过 OpenCV 实现机器视觉的基本功能，包括图像的读取、显示、转换、滤波、二值化、轮廓检测、特征提取和匹配等。

二、实验环境

• 操作系统：Ubuntu 18.04 LTS
• 编程语言：Python 3.6.9
• 开发环境：PyCharm 2020.1
• 库：OpenCV 4.4.0

三、实验过程

1. 图像的读取和显示

使用 cv2.imread() 函数读取一张图像，使用 cv2.imshow() 函数显示图像。

import cv2

img = cv2.imread('lena.jpg')    # 读取图像
cv2.imshow('image', img)        # 显示图像
cv2.waitKey(0)                 # 等待按键响应
cv2.destroyAllWindows()        # 关闭所有窗口

结果：

2. 图像的转换

使用 cv2.cvtColor() 函数将图像从 BGR 格式转换为灰度格式。使用 cv2.cvtColor() 函数将图像从灰度格式转换为 BGR 格式。

import cv2

img = cv2.imread('lena.jpg')  # 读取图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
cv2.imshow('gray', gray)  # 显示灰度图像
bgr = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)  # 转换为 BGR 图像
cv2.imshow('bgr', bgr)  # 显示 BGR 图像
cv2.waitKey(0)  # 等待按键响应
cv2.destroyAllWindows()  # 关闭所有窗口

结果：

3. 图像的滤波

使用 cv2.blur() 函数进行均值滤波。使用 cv2.GaussianBlur() 函数进行高斯滤波。

import cv2

img = cv2.imread('lena.jpg')  # 读取图像
blur = cv2.blur(img, (5, 5))  # 均值滤波
cv2.imshow('blur', blur)  # 显示均值滤波图像
gaussian = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波
cv2.imshow('gaussian', gaussian)  # 显示高斯滤波图像
cv2.waitKey(0)  # 等待按键响应
cv2.destroyAllWindows()  # 关闭所有窗口

结果：

4. 图像的二值化

使用 cv2.threshold() 函数进行阈值分割。

import cv2

img = cv2.imread('lena.jpg')  # 读取图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 二值化
cv2.imshow('binary', binary)  # 显示二值化图像
cv2.waitKey(0)  # 等待按键响应
cv2.destroyAllWindows()  # 关闭所有窗口

结果：

5. 轮廓检测

使用 cv2.findContours() 函数进行轮廓检测。使用 cv2.drawContours() 函数将轮廓绘制在图像上。

import cv2

img = cv2.imread('lena.jpg')  # 读取图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 二值化
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # 轮廓检测
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)  # 绘制轮廓
cv2.imshow('contours', img)  # 显示轮廓图像
cv2.waitKey(0)  # 等待按键响应
cv2.destroyAllWindows()  # 关闭所有窗口

结果：

6. 特征提取和匹配

使用 cv2.SIFT() 函数提取图像的 SIFT 特征。使用 cv2.BFMatcher() 函数进行特征匹配。

import cv2

img1 = cv2.imread('lena.jpg')  # 读取图像 1
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
sift = cv2.SIFT_create()  # 创建 SIFT 特征提取器
kp1, des1 = sift.detectAndCompute(gray1, None)  # 提取图像 1 的 SIFT 特征

img2 = cv2.imread('lena_rotated.jpg')  # 读取图像 2
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
kp2, des2 = sift.detectAndCompute(gray2, None)  # 提取图像 2 的 SIFT 特征

bf = cv2.BFMatcher()  # 创建 BFMatcher 匹配器
matches = bf.match(des1, des2)  # 特征匹配
matches = sorted(matches, key=lambda x: x.distance)  # 根据距离排序

img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)  # 绘制匹配结果
cv2.imshow('matches', img3)  # 显示匹配结果
cv2.waitKey(0)  # 等待按键响应
cv2.destroyAllWindows()  # 关闭所有窗口

结果：

四、实验总结

本实验通过使用 OpenCV 库实现了机器视觉的基本功能，包括图像的读取、显示、转换、滤波、二值化、轮廓检测、特征提取和匹配等。实验结果表明，OpenCV 是一款强大的机器视觉库，能够快速、高效地实现各种机器视觉任务。