手动实现cv2.inRange函数

下面是手动实现cv2.inRange函数的代码示例：

import numpy as np

def inRange(img, lower, upper):
    lower = np.array(lower)
    upper = np.array(upper)
    mask = np.zeros_like(img)
    for c in range(img.shape[2]):
        mask[:,:,c] = np.logical_and(img[:,:,c] >= lower[c], img[:,:,c] <= upper[c])
    return np.all(mask, axis=2).astype(np.uint8) * 255

该函数接受三个参数：图像img，颜色范围的下限lower，颜色范围的上限upper。它会返回一个掩膜图像，其中在颜色范围内的像素值为255，否则为0。

该函数的实现方式是首先将颜色范围下限和上限转换为numpy数组，然后创建一个与输入图像相同大小的掩膜图像。接下来，对于每个通道，我们使用numpy.logical_and函数计算该通道中在颜色范围内的像素，并将结果存储在掩膜图像上。最后，我们使用numpy.all函数将所有通道的掩膜图像合并，并将结果转换为灰度图像。

相关问题

cv2.GaussianBlur函数的实现

cv2.GaussianBlur函数的实现基于高斯卷积的原理，其具体实现步骤如下：

1.根据高斯核的大小和标准差生成高斯核：

sigma = 1
ksize = (5, 5)
kernel = cv2.getGaussianKernel(ksize[0], sigma)
kernel = np.dot(kernel, kernel.T)

其中，sigma表示高斯核的标准差，ksize表示高斯核的大小，kernel表示生成的高斯核。

2.对输入图像进行边界扩充：

border = ksize[0] // 2
img = cv2.copyMakeBorder(src, border, border, border, border, cv2.BORDER_DEFAULT)

其中，border表示边界宽度，cv2.copyMakeBorder函数可以对图像进行边界扩充。

3.对图像进行卷积操作：

dst = np.zeros_like(img)
for i in range(border, img.shape[0] - border):
    for j in range(border, img.shape[1] - border):
        dst[i, j] = np.sum(kernel * img[i - border:i + border + 1, j - border:j + border + 1])
dst = dst[border:dst.shape[0] - border, border:dst.shape[1] - border]

其中，dst表示输出图像，np.zeros_like函数创建一个与输入图像大小相同的全黑图像，然后对图像进行卷积操作，最后截取中间部分得到输出图像。

完整代码如下：

import cv2
import numpy as np

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

sigma = 1
ksize = (5, 5)
kernel = cv2.getGaussianKernel(ksize[0], sigma)
kernel = np.dot(kernel, kernel.T)

border = ksize[0] // 2
img = cv2.copyMakeBorder(img, border, border, border, border, cv2.BORDER_DEFAULT)

dst = np.zeros_like(img)
for i in range(border, img.shape[0] - border):
    for j in range(border, img.shape[1] - border):
        dst[i, j] = np.sum(kernel * img[i - border:i + border + 1, j - border:j + border + 1])
dst = dst[border:dst.shape[0] - border, border:dst.shape[1] - border]

cv2.imshow('Original', img)
cv2.imshow('Gaussian Filter', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

该代码与使用cv2.GaussianBlur函数的效果相同，但是是手动实现高斯滤波的过程，可以更好地理解高斯滤波的原理和实现过程。

python手动实现cv2.canny算子

好的，下面是Python手动实现cv2.canny算子的代码：

import cv2
import numpy as np

def canny(image, low_threshold, high_threshold):
    # Convert the image to grayscale
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # Apply Gaussian blur to the grayscale image
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    # Apply the Sobel operator to the blurred image
    sobelx = cv2.Sobel(blur, cv2.CV_64F, 1, 0, ksize=3)
    sobely = cv2.Sobel(blur, cv2.CV_64F, 0, 1, ksize=3)
    # Compute the gradient magnitude and direction
    mag = np.sqrt(sobelx**2 + sobely**2)
    theta = np.arctan2(sobely, sobelx)
    # Convert the gradient direction to degrees
    angle = np.rad2deg(theta)
    # Apply non-maximum suppression
    nms = np.zeros_like(mag)
    for i in range(1, nms.shape[0]-1):
        for j in range(1, nms.shape[1]-1):
            if (angle[i,j] <= 22.5 and angle[i,j] > -22.5) or (angle[i,j] <= -157.5 and angle[i,j] > 157.5):
                if mag[i,j] > mag[i,j-1] and mag[i,j] > mag[i,j+1]:
                    nms[i,j] = mag[i,j]
            elif (angle[i,j] <= 67.5 and angle[i,j] > 22.5) or (angle[i,j] <= -112.5 and angle[i,j] > -157.5):
                if mag[i,j] > mag[i-1,j-1] and mag[i,j] > mag[i+1,j+1]:
                    nms[i,j] = mag[i,j]
            elif (angle[i,j] <= 112.5 and angle[i,j] > 67.5) or (angle[i,j] <= -67.5 and angle[i,j] > -112.5):
                if mag[i,j] > mag[i-1,j] and mag[i,j] > mag[i+1,j]:
                    nms[i,j] = mag[i,j]
            elif (angle[i,j] <= 157.5 and angle[i,j] > 112.5) or (angle[i,j] <= -22.5 and angle[i,j] > -67.5):
                if mag[i,j] > mag[i-1,j+1] and mag[i,j] > mag[i+1,j-1]:
                    nms[i,j] = mag[i,j]
    # Apply hysteresis thresholding
    edges = np.zeros_like(nms)
    edges[nms > high_threshold] = 255
    edges[nms < low_threshold] = 0
    for i in range(1, edges.shape[0]-1):
        for j in range(1, edges.shape[1]-1):
            if edges[i,j] == 255:
                if edges[i-1,j-1] == 0:
                    edges[i-1,j-1] = 128
                if edges[i-1,j] == 0:
                    edges[i-1,j] = 128
                if edges[i-1,j+1] == 0:
                    edges[i-1,j+1] = 128
                if edges[i,j-1] == 0:
                    edges[i,j-1] = 128
                if edges[i,j+1] == 0:
                    edges[i,j+1] = 128
                if edges[i+1,j-1] == 0:
                    edges[i+1,j-1] = 128
                if edges[i+1,j] == 0:
                    edges[i+1,j] = 128
                if edges[i+1,j+1] == 0:
                    edges[i+1,j+1] = 128
    edges[edges == 128] = 255
    edges[edges != 255] = 0
    return edges.astype(np.uint8)

其中，参数`image`为待处理的图像，`low_threshold`和`high_threshold`分别为低阈值和高阈值。返回值为处理后的二值图像。

该函数的实现过程如下：

1. 将图像转换为灰度图像；
2. 对灰度图像进行高斯模糊；
3. 对模糊后的图像进行Sobel算子计算，得到水平方向和垂直方向的梯度；
4. 计算每个像素点的梯度幅值和梯度方向；
5. 对梯度方向进行非极大值抑制，保留每个方向上梯度幅值最大的像素点；
6. 对抑制后的图像进行双阈值边缘连接，将高于高阈值的像素点视为强边缘，低于低阈值的像素点视为背景，介于两者之间的像素点视为弱边缘；
7. 对弱边缘像素点进行连接，将其与其相邻的强边缘像素点连接起来，最终得到二值图像。

需要注意的是，该函数的实现并不能完全等同于cv2.canny函数的实现，因为在非极大值抑制和边缘连接的过程中可能存在一些差异。