OpenCV 提供了丰富的图像处理和计算机视觉功能，包括图像读取、显示、颜色空间转换、滤波、边缘检测、轮廓检测等。
本章节我们将介绍 OpenCV 的基本概念和常用功能。
图像的表示和处理
OpenCV 通过 NumPy 数组来表示图像数据，每个图像就是一个多维数组，其中每个元素对应图像中的一个像素。图像的尺寸和颜色模式也可以通过数组的形状来表示。
图像的基本属性：
- 图像的尺寸（Width, Height）：可以通过 img.shape 获取。
- 颜色通道（Channels）：通常为 RGB（三个通道），也可以是灰度图（单通道）。
- 数据类型（Data type）：常见的有 uint8（0-255 范围），也可以是 float32
或其他。
读取图像：
import cv2
img = cv2.imread('image.jpg')
|
- cv2.imread() 读取图像文件，返回一个 NumPy 数组。
- 如果图像路径错误或文件不存在，返回 None。
显示图像：
# 显示图像
cv2.imshow("Display Window", image)
# 等待按键输入
cv2.waitKey(0)
# 关闭所有窗口
cv2.destroyAllWindows()
|
cv2.imshow() 用于显示图像，cv2.waitKey(0) 等待按键事件，cv2.destroyAllWindows()
关闭所有窗口。
保存图像：
# 保存图像
cv2.imwrite("output_image.jpg", image)
|
cv2.imwrite() 将图像保存到指定路径。
图像基本操作
1、访问和修改像素值
# 获取像素值 (BGR 格式)
pixel_value = image[100, 100] # 获取 (100, 100) 处的像素值
# 修改像素值
image[100, 100] = [255, 255, 255] # 将 (100, 100) 处的像素设置为白色
|
2、图像 ROI（Region of Interest）
# 获取 ROI
roi = image[50:150, 50:150] # 获取 (50,50) 到 (150,150) 的区域
# 修改 ROI
image[50:150, 50:150] = [0, 255, 0] # 将 ROI 区域设置为绿色
|
3、图像通道分离与合并
# 分离通道
b, g, r = cv2.split(image)
# 合并通道
merged_image = cv2.merge([b, g, r])
|
4、图像缩放、旋转、平移、翻转
# 缩放
resized_image = cv2.resize(image, (new_width, new_height))
# 旋转
rotation_matrix = cv2.getRotationMatrix2D((center_x, center_y), angle, scale)
rotated_image = cv2.warpAffine(image, rotation_matrix, (width, height))
# 平移
translation_matrix = np.float32([[1, 0, tx], [0, 1, ty]]) # tx, ty 为平移距离
translated_image = cv2.warpAffine(image, translation_matrix, (width, height))
# 翻转
flipped_image = cv2.flip(image, flip_code) # flip_code: 0 (垂直翻转), 1 (水平翻转), -1 (双向翻转)
|
图像算术运算
1、图像加法
result = cv2.add(image1, image2)
|
2、图像减法
result = cv2.subtract(image1, image2)
|
3、图像混合
result = cv2.addWeighted(image1, alpha, image2, beta, gamma)
|
alpha 和 beta 是权重，gamma 是标量值。
图像阈值处理
1、简单阈值处理
ret, thresholded_image = cv2.threshold(image, thresh, maxval, cv2.THRESH_BINARY)
|
thresh 是阈值，maxval 是最大值。
2、自适应阈值处理
thresholded_image = cv2.adaptiveThreshold(image, maxval, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, block_size, C)
|
3、Otsu's 二值化
ret, thresholded_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
|
图像平滑处理
1、均值滤波
blurred_image = cv2.blur(image, (kernel_size, kernel_size))
|
2、高斯滤波
blurred_image = cv2.GaussianBlur(image, (kernel_size, kernel_size), sigmaX)
|
3、中值滤波
blurred_image = cv2.medianBlur(image, kernel_size)
|
4、双边滤波
blurred_image = cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace)
|
图像的颜色空间与转换
OpenCV 支持多种颜色空间的转换，如从 RGB 到灰度图、HSV 等。
图像的颜色空间转换在许多图像处理任务中非常重要。
从 RGB 转换为灰度图：
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
从 BGR 转换为 HSV：
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
|
从 RGB 转换为 YUV：
yuv_img = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
|
颜色空间转换是图像处理中的基础操作，用于不同的算法和视觉效果。
图像的大小调整与裁剪
OpenCV 提供了多种方式来调整图像大小和裁剪图像区域。
调整图像大小：
resized_img = cv2.resize(img, (width, height))
|
裁剪图像：
cropped_img = img[y1:y2, x1:x2]
|
可以通过切片操作裁剪图像的特定区域。
图像平滑与去噪（模糊处理）
图像平滑可以减少噪声，常用的模糊算法有高斯模糊、均值模糊等。
高斯模糊：
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)
|
均值模糊：
blurred_img = cv2.blur(img, (5, 5))
|
中值模糊：
blurred_img = cv2.medianBlur(img, 5)
|
图像边缘检测
边缘检测是一种常用的图像处理技术，用于检测图像中的边缘，最常用的方法是 Canny 边缘检测。
Canny 边缘检测：
edges = cv2.Canny(img, 100, 200)
|
Canny 算法通过对图像进行梯度计算来找出边缘，返回一个二值图像，边缘处为白色，其他区域为黑色。
Sobel 算子：
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)
|
Laplacian 算子：
laplacian = cv2.Laplacian(image, cv2.CV_64F)
|
形态学操作
形态学操作常用于二值图像的处理，常见的操作有腐蚀、膨胀、开运算、闭运算等。
腐蚀（Erosion）：将图像中的白色区域收缩。
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
eroded_img = cv2.erode(img, kernel, iterations=1)
|
膨胀（Dilation）：将图像中的白色区域扩展。
dilated_img = cv2.dilate(img, kernel, iterations=1)
|
开运算与闭运算：
开运算（先腐蚀再膨胀）：用于去除小物体。
闭运算（先膨胀再腐蚀）：用于填补图像中的小孔洞。
opening_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
| 图像轮廓检测
OpenCV 提供了强大的轮廓检测功能，可以用于对象识别、图像分割等应用。
检测轮廓：
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, threshold_img = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(threshold_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
|
绘制轮廓：
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)
|
视频处理
OpenCV 也支持视频的处理，可以读取视频文件、捕捉视频流并进行实时处理。
读取视频：
实例
cap = cv2.VideoCapture('video.mp4')
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# 处理每一帧
cv2.imshow('Video', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
| |
