nodejs 使用 opencv 探索

2024-04-30 分类：前端之旅阅读(481) 评论(0)

首先需要在电脑上安装 opencv

brew install opencv

如何验证是否安装成功

brew info opencv

———-

brew info opencv
==> opencv: stable 4.9.0 (bottled)
Open source computer vision library
https://opencv.org/
/usr/local/Cellar/opencv/4.9.0_7 (971 files, 248.1MB) *
Poured from bottle using the formulae.brew.sh API on 2024-04-29 at 17:42:56
From: https://github.com/Homebrew/homebrew-core/blob/HEAD/Formula/opencv.rb
License: Apache-2.0
==> Dependencies
Build: cmake ✘, pkg-config ✔, python-setuptools ✘
Required: ceres-solver ✔, eigen ✔, ffmpeg@6 ✔, glog ✔, harfbuzz ✔, jpeg-turbo ✔, libpng ✔, libtiff ✔, numpy ✔, openblas ✔, openexr ✔, openjpeg ✔, openvino ✔, protobuf ✔, python@3.12 ✔, tbb ✔, vtk ✔, webp ✔
==> Analytics
install: 14,197 (30 days), 38,891 (90 days), 139,342 (365 days)
install-on-request: 13,479 (30 days), 36,681 (90 days), 130,415 (365 days)
build-error: 44 (30 days)

————

然后安装 nodejs 包,

我使用 nodejs 16.20 一直安装不成功, 后来改为 14.17.6 安装成功

npm install –save –build-from-source opencv4nodejs

需要等待编译, 耗时比较久, nodejs 安装失败了~~使用 python 也可以, 比较简单,

pip install opencv-python

首先, 我们使用 python 的 opencv, 然后简单对图片进行锐化和降噪!

# -*- coding: utf-8 -*-
import cv2
import numpy as np
import os
import random
import string
import sys
import json
import os

def process_image(image_name, saturation_factor = 1.5, sharpen_factor = 9, output_filename = 'output.jpg'):
    """
    处理图像：增加饱和度、去噪并锐化图像。
    参数:
    - image_name: 图像文件名，包括路径。
    - saturation_factor: 饱和度增加因子，用于调整图像的饱和度。
    - sharpen_factor: 锐化因子，用于调整图像的锐化程度。

    返回值:
    无。函数将处理后的图像显示在窗口中。
    """
    # 读取图像文件
    image = cv2.imread(image_name)

    # 将图像从 BGR 转换为 HSV 并增加饱和度
    image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 分离 HSV 图像的通道
    h, s, v = cv2.split(image_hsv)
    # 根据饱和度因子调整饱和度
    s = np.clip(s * saturation_factor, 0, 255)
    image_hsv[:,:,1] = s
    # 将图像从 HSV 转换回 BGR
    image = cv2.cvtColor(image_hsv, cv2.COLOR_HSV2BGR)

    # 使用高斯模糊对图像进行去噪处理
    image_blur = cv2.GaussianBlur(image, (5, 5), 0)
    # 应用锐化 kernel 对图像进行锐化处理
    kernel = np.array(
        [[-1, -1, -1],
        [-1, sharpen_factor, -1],
        [-1, -1, -1]]
    )
    image_sharpened = cv2.filter2D(image_blur, -1, kernel)
    # 显示处理后的图像
    # cv2.imshow('处理后的图片', image_sharpened)
    # cv2.waitKey(0)
    # cv2.destroyAllWindows()
     # 保存处理后的图片
   # 创建 output 目录
    os.makedirs('output', exist_ok=True)
    # 生成随机文件名
    def random_string(length):
        letters = string.ascii_letters
        return ''.join(random.choice(letters) for i in range(length))
    output_filename = 'output/'+ random_string(8) +'.jpg'
    # 保存处理后的图片
    cv2.imwrite(output_filename, image_sharpened);
    json_data = json.dumps({
        "output": output_filename,
        "full": os.path.abspath(output_filename)
    })

    return json_data;



# 调用 process_image 函数
if __name__ == "__main__":
    img = sys.argv[1]
    saturation = sys.argv[2]
    sharpen =    sys.argv[3]
    result = process_image(img, float(saturation), int(sharpen))
    print(result)

# -*- coding: utf-8 -*-

import cv2

import numpy as np

import os

import random

import string

import sys

import json

import os

def process_image(image_name, saturation_factor = 1.5, sharpen_factor = 9, output_filename = 'output.jpg'):

"""

处理图像：增加饱和度、去噪并锐化图像。

参数:

- image_name: 图像文件名，包括路径。

- saturation_factor: 饱和度增加因子，用于调整图像的饱和度。

- sharpen_factor: 锐化因子，用于调整图像的锐化程度。

返回值:

无。函数将处理后的图像显示在窗口中。

"""

# 读取图像文件

image = cv2.imread(image_name)

# 将图像从 BGR 转换为 HSV 并增加饱和度

image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 分离 HSV 图像的通道

h, s, v = cv2.split(image_hsv)

# 根据饱和度因子调整饱和度

s = np.clip(s * saturation_factor, 0, 255)

image_hsv[:,:,1] = s

# 将图像从 HSV 转换回 BGR

image = cv2.cvtColor(image_hsv, cv2.COLOR_HSV2BGR)

# 使用高斯模糊对图像进行去噪处理

image_blur = cv2.GaussianBlur(image, (5, 5), 0)

# 应用锐化 kernel 对图像进行锐化处理

kernel = np.array(

[[-1, -1, -1],

[-1, sharpen_factor, -1],

[-1, -1, -1]]

)

image_sharpened = cv2.filter2D(image_blur, -1, kernel)

# 显示处理后的图像

# cv2.imshow('处理后的图片', image_sharpened)

# cv2.waitKey(0)

# cv2.destroyAllWindows()

# 保存处理后的图片

# 创建 output 目录

os.makedirs('output', exist_ok=True)

# 生成随机文件名

def random_string(length):

letters = string.ascii_letters

return ''.join(random.choice(letters) for i in range(length))

output_filename = 'output/'+ random_string(8) +'.jpg'

# 保存处理后的图片

cv2.imwrite(output_filename, image_sharpened);

json_data = json.dumps({

"output": output_filename,

"full": os.path.abspath(output_filename)

})

return json_data;

# 调用 process_image 函数

if __name__ == "__main__":

img = sys.argv[1]

saturation = sys.argv[2]

sharpen = sys.argv[3]

result = process_image(img, float(saturation), int(sharpen))

print(result)

处理完成了我们要使用 js 来调用

const { spawn } = require('child_process');

/**调用Python脚本的函数
 * @param {*} saturation 饱和度增加因子，用于调整图像的饱和度。
 * @param {*} sharpen 锐化因子，用于调整图像的锐化程度。
 * @returns 返回文件的路径
 */
function callPythonFunction(img, saturation, sharpen) {
  return new Promise(function (resolve, reject) {
    const pythonScript = 'cv.py'; // 替换为您的Python脚本文件名
    const pythonProcess = spawn('python3', [pythonScript, img.toString(),saturation, sharpen]);
    pythonProcess.stdout.on('data', (data) => {
      const output = JSON.parse(data.toString().trim());
      console.log(`处理后的图片路径:`, output);
      resolve(output);
    });
    pythonProcess.stderr.on('data', (data) => {
      console.error(data.toString());
      reject();
    });
  })
}

// 调用Python函数并传入参数
callPythonFunction('77.jpg', '1.5', '9').then(res => {
  console.log('======最终处理完的文件========', res);
});

const { spawn } = require('child_process');

/**调用Python脚本的函数

* @param {*} saturation 饱和度增加因子，用于调整图像的饱和度。

* @param {*} sharpen 锐化因子，用于调整图像的锐化程度。

* @returns 返回文件的路径

function callPythonFunction(img, saturation, sharpen) {

return new Promise(function (resolve, reject) {

const pythonScript = 'cv.py'; // 替换为您的Python脚本文件名

const pythonProcess = spawn('python3', [pythonScript, img.toString(),saturation, sharpen]);

pythonProcess.stdout.on('data', (data) => {

const output = JSON.parse(data.toString().trim());

console.log(`处理后的图片路径:`, output);

resolve(output);

});

pythonProcess.stderr.on('data', (data) => {

console.error(data.toString());

reject();

});

})

}

// 调用Python函数并传入参数

callPythonFunction('77.jpg', '1.5', '9').then(res => {

console.log('======最终处理完的文件========', res);

});

python 开发的东西, 使用其他语言调用还是很简单的!

ZBMAC-df4b49abc opencv % node index.js 
处理后的图片路径: {
  output: 'output/YpWZtyOj.jpg',
  full: '/Users/xxx/Desktop/jd/demoDir/opencv/output/YpWZtyOj.jpg'
}
======最终处理完的文件======== {
  output: 'output/YpWZtyOj.jpg',
  full: '/Users/xxx/Desktop/jd/demoDir/opencv/output/YpWZtyOj.jpg'
}
ZBMAC-df4b49abc opencv %