【图像处理】基本概念

• 目录：
  • 1、什么是opencv，它有哪些优势？
  • 2、opencv 安装和环境配置
  • 3、了解数字图像的基本概念：像素、彩色图像、灰度图像、二值图像、图像算数操作
  • 4、练习numpy中array的基本操作
  • 5、练习图像的加载、保存、以及算术操作

一、什么是 opencv

​ OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

​ 优势：

计算机视觉市场巨大而且持续增长，且这方面没有标准API，如今的计算机视觉软件大概有以下三种：

​ 1、研究代码（慢，不稳定，独立并与其他库不兼容）

​ 2、耗费很高的商业化工具（比如Halcon）

​ 3、依赖硬件的一些特别的解决方案（比如[视频监控]，制造[控制系统]，医疗设备）这是如今的现状，而标准的API将简化计算机视觉程序和解决方案的开发，OpenCV致力于成为这样的标准API。

OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（Integrated Performance Primitives）得到更快的处理速度。右图为OpenCV与当前其他主流视觉函数库的性能比较。（摘自百度百科）

二、opencv 安装和配置

1. opencv-python的安装

​ 默认已经配置好了python环境和科学计算必要的包如numpy。python下opencv的安装相对比较简单，只需要在命令行输入以下指令即可自动安装最新版的opencv库

pip install opencv-python

​ 如果需要安装之前版本的opencv，可以到 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 这个链接下搜索opencv并下载对应的版本，之后 pip inseall + opencv-python***.whl 即可。

2. linux下 opencv c++版的安装

进入官网 : http://opencv.org/releases.html , 选择需要版本的 source , 下载

解压到需要安装的路径下

mkdir build # 创建编译的文件目录

cd build

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

make -j8  #编译

sudo make install #安装

安装完成之后通过查看opencv版本验证是否安装成功：

pkg-config --modversion opencv  

三、数字图像的基本概念

1、分辨率：

指单位区域内包含的像素数目。单位为像素/英寸(通用),简写为 ppi2.像素/厘米
常见的分辨率:

1.图像分辨率 

2.显示分辨率 

3.输出分辨率  

4.位分辨率

2、彩色图像（RGB）:

自然界中几乎所有颜色都可以自红（Red,R）、 绿（Green,G）、蓝（Blue,B) 3种颜色组合，通常称它们为RGB三原色．
计算机显示彩色图像时采用最多的就是RGB模型。对于每个像素，通过控制R、G、B三原色的合成比例则可决定该像素的最终显示颜色。将一幅图像视为一个二维函数f(x，y)外，其中x和y是空间坐标，而在x-y平面中的任意一对空间坐标（x,y）上的幅值f称为该点图像的灰度、亮度或强度。此时，如果f(x,y)均为非负有限离散，则称该图像为数字图像〈位图〉。一个大小为M×N的数字图像是由M行N列的有限元素组成的，每个元素都有特定的位置和幅值，代表了其所在行列位置上的图像物理信息，如灰度和色彩等。这些元素称为图像元素或像素。

3、二值图像

每个像素只有黑、自两种颜色的图像称为二值图像。在二值图像中，像素只有 0和1两种取值，一般用0来表示黑色，用1表示白色。

4、灰度图像

在二值图像中进一步加入许多介于黑色与白色之间的颜色探度，就构成了灰度图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度，每种灰度〈颜色深度〉称为一个灰度级，通常用L表示.在灰度图像中，像素可以取 O～L-1之间的整数值，根据保存灰度数值所使用的数据类型的不同，可能有256种取值或者2k种取值，当k=1时即退化为二值图像．

5、图像的算术操作

由上我们可以知道图像可以看做是一个二维函数f(x,y)在空间的坐标，也就是说，图像上每个点都可以用函数f(x,y)来显示出来，图像的算术操作是阵列操作，即在相对应的像素对之间执行。

4种算术操作表示为：

s(x, y) = f(x, y) + g(x, y);

d(x, y) = f(x, y) - g(x, y);

p(x, y) = f(x, y) × g(x, y);

v(x, y) = f(x, y) ÷ g(x, y);

处理图像：

1.利用带噪图像的相加（平均）进行降噪处理。

2.利用图像相减增强差别。

3.利用图像相乘和相除来校正阴影。

四、numpy的基本操作

由于图像可以看做三维矩阵（宽，高，通道数），这就可以用numpy来对图像进行操作，一方面可以用来进行图像的算术运算，另一方面可以把图像看做矩阵进行矩阵的拆分与拼接等操作。

1、numpy对于矩阵的操作

矩阵加减乘除

针对以上的图像的算数操作

import numpy as np
#创建两个数组 a,b 并重置为3*3的矩阵
a = np.arange(9, dtype = np.float_).reshape(3,3)
b = np.arange(9, dtype = np.float_).reshape(3,3)
# 矩阵相加,两种方法，直接加或者使用numpy自带的方法
print(a+b)
print(np.add(a+b))
# 矩阵相减
print(a-b)
print(np.subtract(a,b))  #使用自带的方法时须注意减数和被减数的位置
# 矩阵相乘，这个方法是a,b中的元素分别每一项分别相乘，若需要求矩阵的值，numpy有点乘操作np.dot()
print(a*b)
print(np.multiply(a,b))
# 矩阵相除,使用除法时需要注意除数不能为0
print(a/b)
print(np.divide(a,b))

2、numpy在图像中的应用

在图像处理中，常用到矩阵的剪切操作，对应的是图片的剪切。可以从图像的组成来理解，图像是有三维矩阵组成的，每个维度对应的图片的宽，高，通道数，所以可以将前两维进行剪切来进行图片的裁剪。
使用opencv读取图像后可以使用 img.shape 来获取图片的高（h），宽（w），通道数（n）（注意顺序不能边），对应的矩阵中img[宽,高,通道]，顺序不能搞错，否则可能报数组越界的错误。

# 假设图片为1920*1080，需要剪切左上角像素为100*150的小图
roi = img[:150,:100]
# 获取图片的某一个点的像素,此时可以获取(0，0)点的像素值，格式为[g,b,r]
p = img[0][0]

五、图片的基本操作

1.路径中不含中文

# 读取图片
img = cv2.imread(imgPath)
# 保存图片
cv2.imwrite("saveName",img)

直接使用 cv2.imread() 和cv2.imwrite() 方法即可

2.路径中含有中文

路径中含有中文时，需要编解码才能读取和保存

cv2.imdecode()函数从指定的内存缓存中读取数据，并把数据转换(解码)成图像格式;主要用于从网络传输数据中恢复出图像。

cv2.imencode()函数是将图片格式转换(编码)成流数据，赋值到内存缓存中;主要用于图像数据格式的压缩，方便网络传输。

# 读取带有中文的图片
# 需要先进行编码，才能读取，使用numpy加载文件的格式进行加载，detype参数
# 为读取数据的类型，可以根据图片类型进行选择
img = cv2.imdecode(np.fromfile(img_Path,dtype=np.uint8),-1)
# 保存带中文的图片
cv2.imencode('.jpg', img)[1].tofile("imgName")

想到的很多，时间紧迫，先总结到这里吧，后续补充。。。