1、图像滤波处理

通过滤波来提取图像特征，消除噪声。

常用滤波方式有：均值滤波、高斯滤波、中值滤波、双边滤波。

• 高斯滤波：

blur_gray = cv2.GaussianBlur(orgGray, (kernel_size, kernel_size), 0)

orgGray：灰度图像；kernel_size：高斯核的大小；sigma：高斯标准差，默认为0。

• 中值滤波：对滤波模板内的所有元素进行排序，取排序序列的中值作为中心像素。

medianFiltered = cv2.medianBlur(src, ksize)

src：待中值滤波的输入图像；ksize：中值滤波模板大小。

• 均值滤波：对滤波模板内的所有像素进行求和再求平均值，再将均值复制给所有的中心像素。

2、图像边缘提取

edges_image = cv2.Canny(blur_gray, 20, 150, apertureSize=3, L2gradient=False)

blur_gray：输入要检测的灰度图

3、创建掩膜，提取兴趣区

思路：

生成一个与原图大小维度一致的mask矩阵；

对照原图在该mask上构建感兴趣区域，这里为多边形；

利用opencv的cv2.fillPoly()函数对多边形轮廓进行填充；

利用opencv的cv2.bitwise_and()函数与原图像进行与运算，保留感兴趣原图像。

# 生成掩膜，提取ROI
mask = np.zeros_like(image)
vertices = np.array([[512, 391], [517, 441], [620, 426], [618, 379]],dtype=np.int32)  
cv2.fillPoly(mask, [vertices], (255,255,255))
masked_image = cv2.bitwise_and(image,mask)
cv2.imshow('masked_image', masked_image)

 cv2.bitwise_and()：对两幅图像进行按位“与”操作。

4、直线检测

霍夫变换：

lines = cv2.HoughLinesP(masked_image, 1, np.pi / 180, threshold=45, minLineLength=30, maxLineGap=60)

threshold:霍夫平面累加阈值，值越大，检测出的直线越少，minLineLength:线段最小长度, maxLineGap：最大允许断裂长度

检测到的直线绘制：

if lines is not None:for line in lines:x1, y1, x2, y2 = line[0] cv2.line(line_image, (x1, y1), (x2, y2), (0, 255, 0), 2)

5、轮廓检测

# 将图像转换为灰度图
orgGray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edges_image = cv2.Canny(orgGray, 30, 150, apertureSize=3, L2gradient=False)
contours, _ = cv2.findContours(edges_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)    
# 遍历轮廓并绘制
for contour in contours: cv2.drawContours(image, [contour], 0, (0, 0, 255),1)cv2.imshow("contours", image)

 计算轮廓周长：

perimeters =  cv2.arcLength(contour, True)

计算轮廓面积：

area = cv2.contourArea(contour)

绘制轮廓最小矩形并绘制：

rect = cv2.minAreaRect(contour)
# 计算矩形框的四个顶点坐标
box = cv2.boxPoints(rect)
box = np.int0(box)
print("box",box)
cv2.drawContours(image, [box], 0, (0, 0, 255),1)
cv2.imshow("contours", image)

6、图像膨胀腐蚀

图像的膨胀(dilation)和腐蚀(erosion)主要用来寻找图像中的极大区域和极小区域。

膨胀类似于“领域扩张”，将图像的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大。

腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。

参考链接 https://blog.51cto.com/u_15467780/4851994