OpenCV-Python实战（1）——OpenCV简介与图像处理基础

例如，一个4×6英寸图像，图像分辨率为 800×1200，则PPI是200。

图像描述

图像可以描述为2D函数 f ( x , y ) f(x, y) f(x,y)，其中 ( x , y ) (x, y) (x,y) 是空间坐标，而 f ( x , y ) f(x, y) f(x,y) 是图像在点 ( x , y ) (x, y) (x,y) 处的亮度或灰度或颜色值。另外，当f(x, y)和(x, y)值都是有限离散量时，该图像也被称为数字图像，此时：

1. x ∈ [ 0 , h − 1 ] x∈ [0, h-1] x∈[0,h−1]，其中 h h h 是图像的高度

2. y ∈ [ 0 , w − 1 ] y∈ [0, w-1] y∈[0,w−1]，其中 w w w 是图像的宽度

3. f ( x , y ) ∈ [ 0 ， L − 1 ] f(x, y)∈ [0，L-1] f(x,y)∈[0，L−1]，其中 L = 256 L=256 L=256 (对于8位灰度图像)

彩色图像也可以用同样的方式表示，只是我们需要定义三个函数来分别表示红色、绿色和蓝色值。这三个单独的函数中的每一个都遵循与为灰度图像定义的 f ( x , y ) f(x, y) f(x,y) 函数相同的公式。我们将这三个函数的子索引 R、G 和 B 分别表示为 f R ( x , y ) f_R(x, y) fR​(x,y)、 f G ( x , y ) f_G(x, y) fG​(x,y) 和 f B ( x , y ) f_B(x, y) fB​(x,y)。

同样，黑白图像也可以表示为相同的形式，其仅需要一个函数来表示图像，且 f ( x , y ) f(x, y) f(x,y) 只能取两个值。通常，0 表示黑色、1 表示白色。

下图显示了三种不同类型的图像(彩色图像、灰度图像和黑白图像)：

数字图像可以看作是真实场景的近似，因为 f ( x , y ) f(x, y) f(x,y) 值是有限的离散量。此外，灰度和黑白图像每个点只对应有一个值，彩色图像每个点需要三个函数对应于图像的红色、绿色和蓝色分量。

图像文件类型

尽管在 OpenCV 中处理的图像时，可以将图像看作 RGB 三元组的矩阵(在 RGB 图像模型情况下)，但它们不一定是以这种格式创建、存储或传输的。有许多不同的文件格式，如GIF、PNG、位图或JPEG，使用不同形式的压缩（无损或有损）来更有效地表示图像。

下表列示了 OpenCV 支持的文件格式及其关联的文件扩展名：

| 文件格式 | 文件扩展名 |

| — | — |

| Windows bitmaps | *.bmp和*.dib |

| JPEG files | *.JPEG、*.jpg 和 *.jpe |

| JPEG 2000 files | *.jp2 |

| Portable Network Graphics | *.png |

| Portable image format | *.pbm、*.pgm 和 *.ppm |

| TIFF files | *.TIFF 和 *.tif |

对图像应用无损或有损压缩算法，可以得到比未压缩图像占据存储空间小的图像。其中，在无损压缩算法中，得到的图像与原始图像等价，也就是说，经过反压缩过程后，得到的图像与原始图像完全等价(相同)；而在有损压缩算法中，得到的图像并不等同于原始图像，这意味着图像中的某些细节会丢失，在许多有损压缩算法中，压缩级别是可以调整的。

OpenCV中的坐标系

为了更好的展示 OpenCV 中的坐标系以及如何访问各个像素，查看以下低分辨率图像为例：

这个图片的尺寸是 32×41 像素，也就是说，这个图像有 1312 个像素。为了进一步说明，我们可以在每个轴上添加像素计数，如下图所示：

现在，我们来看看 ( x , y ) (x, y) (x,y) 形式的像素索引。请注意，像素索引起始值为零，这意味着左上角位于 ( 0 , 0 ) (0, 0) (0,0)，