本文介绍了如何在Python中使用OpenCV进行图像读取、编辑、像素操作、颜色空间转换、阈值处理、图像变换和基本性能评估。包括安装步骤、像素存储理解、关键函数演示如imread(), imshow(), cv2.add(), cv2.adaptiveThreshold()等。
1.OpenCV包的安装
在python控制台中输入
pip install opencv-python或者访问官方网站https://opencv-python-tutroals.readthedocs.io/en/latest/
2.OpenCV简单图像处理
2.1 图像像素存储形式
对于灰度图，每个像素对应一个0到255的数字，表示明暗。0为最暗。
对于采用RGB模式的彩图，每个像素对应一个三维向量，每个值代表该像素所含该颜色的多少。值得注意的是，OpenCV采用的是BGR模式，而不是RGB。
2.2 图像读取和写入
图像的读取
imread(img_path,flag) 读取图片，返回图片对象
img_path: 图片的路径，即使路径错误也不会报错，但打印返回的图片对象为None
flag：cv2.IMREAD_COLOR，读取彩色图片，图片透明性会被忽略，为默认参数，也可以传入1
cv2.IMREAD_GRAYSCALE,按灰度模式读取图像，也可以传入0
cv2.IMREAD_UNCHANGED,读取图像，包括其alpha通道，也可以传入-1图像的显示
imshow(window_name,img)：显示图片，窗口自适应图片大小
window_name: 指定窗口的名字
img：显示的图片对象
可以指定多个窗口名称，显示多个图片
waitKey(millseconds) 键盘绑定事件，阻塞监听键盘按键，返回一个数字（不同按键对应的数字不同）
millseconds: 传入时间毫秒数，在该时间内等待键盘事件；传入0时，会一直等待键盘事件
destroyAllWindows(window_name)
window_name: 需要关闭的窗口名字，不传入时关闭所有窗口图像的保存
imwrite(img_path_name,img)
img_path_name:保存的文件名
img：文件对象2.3 图像像素获取和编辑
像素值获取
img = cv2.imread(r"C:\Users\Administrator\Desktop\roi.jpg")
#获取和设置
pixel = img[100,100] #[57 63 68],获取(100,100)处的像素值
img[100,100]=[57,63,99] #设置像素值
b = img[100,100,0] #57, 获取(100,100)处，blue通道像素值
g = img[100,100,1] #63
r = img[100,100,2] #68
r = img[100,100,2]=99 #设置red通道值
#获取和设置
piexl = img.item(100,100,2)
img.itemset((100,100,2),99)图片性质
import cv2
img = cv2.imread(r"C:\Users\Administrator\Desktop\roi.jpg")
#rows,cols,channels
img.shape #返回(280, 450, 3), 宽280(rows)，长450(cols)，3通道(channels)
#size
img.size #返回378000，所有像素数量，=280*450*3
#type
img.dtype #dtype('uint8')ROI截取（感兴趣的区域）
#ROI,Range of instrest
roi = img[100:200,300:400] #截取100行到200行，列为300到400列的整块区域
img[50:150,200:300] = roi #将截取的roi移动到该区域 （50到100行，200到300列）
b = img[:,:,0] #截取整个蓝色通道
b,g,r = cv2.split(img) #截取三个通道，比较耗时
img = cv2.merge((b,g,r))2.4添加边界
cv2.copyMakeBorder()
参数：
img:图像对象
top,bottom,left,right: 上下左右边界宽度，单位为像素值
borderType:
cv2.BORDER_CONSTANT, 带颜色的边界，需要传入另外一个颜色值
cv2.BORDER_REFLECT, 边缘元素的镜像反射做为边界
cv2.BORDER_REFLECT_101/cv2.BORDER_DEFAULT
cv2.BORDER_REPLICATE, 边缘元素的复制做为边界
CV2.BORDER_WRAP
value: borderType为cv2.BORDER_CONSTANT时，传入的边界颜色值，如[0,255,0]2.5 像素算术运算
cv2.add() 相加的两个图片，应该有相同的大小和通道
cv2.add()
参数：
img1:图片对象1
img2:图片对象2
mask:None （掩膜，一般用灰度图做掩膜，img1和img2相加后，和掩膜与运算，从而达到掩盖部分区域的目的）
dtype:-1
注意：图像相加时应该用cv2.add(img1,img2)代替img1+img2
>>> x = np.uint8([250])
>>> y = np.uint8([10])
>>> print cv2.add(x,y) # 250+10 = 260 => 255 #相加，opencv超过255的截取为255
[[255]]
>>> print x+y # 250+10 = 260 % 256 = 4 #相加，np超过255的会取模运算 （uint8只能表示0-255，所以取模）
[4]cv.addWeight(): 两张图片相加，分别给予不同权重，实现图片融合和透明背景等效果
cv2.addWeighted() 两张图片相加，分别给予不同权重，实现图片融合和透明背景等效果
参数：
img1:图片对象1
alpha:img1的权重
img2:图片对象2
beta:img1的权重
gamma：常量值，图像相加后再加上常量值
dtype：返回图像的数据类型，默认为-1，和img1一样
(img1*alpha+img2*beta+gamma)2.6 图像位运算
cv2.btwise_and(): 与运算
参数：
img1:图片对象1
img2:图片对象2
mask:掩膜
cv2.bitwise_or()：或运算
参数：
img1:图片对象1
img2:图片对象2
mask:掩膜
cv2.bitwise_not(): 非运算
img1:图片对象1
mask:掩膜
cv2.bitwise_xor():异或运算，相同为1，不同为0（1^1=0,1^0=1）
img1:图片对象1
img2:图片对象2
mask:掩膜2.7 图像颜色空间转换
cv2.cvtColor()
参数：
img: 图像对象
code：
cv2.COLOR_RGB2GRAY: RGB转换到灰度模式
cv2.COLOR_RGB2HSV： RGB转换到HSV模式（hue,saturation,Value）
cv2.inRange()
参数：
img: 图像对象/array
lowerb: 低边界array， 如lower_blue = np.array([110,50,50])
upperb：高边界array， 如 upper_blue = np.array([130,255,255])
mask = cv2.inRange(hsv, lower_green, upper_green)2.8 性能评价
cv2.getTickCount()： 获得时钟次数
cv2.getTickFrequency()：获得时钟频率 （每秒振动次数）
img1 = cv2.imread('messi5.jpg')
e1 = cv2.getTickCount()
for i in xrange(5,49,2):
img1 = cv2.medianBlur(img1,i)
e2 = cv2.getTickCount()
t = (e2 - e1)/cv2.getTickFrequency()
print t2.9 绑定trackbar到图像
cv2.createTrackbar() 为窗口添加trackbar
参数：
trackbarname: trackbar的名字
winname: 窗口的名字
value: trackbar创建时的值
count：trackbar能设置的最大值，最小值总为0
onChange：trackbar值发生变化时的回调函数，trackbar的值作为参数传给onchange
cv2.getTrackbarPos() 获取某个窗口中trackbar的值
参数：
trackbarname: trackbar的名字
winname: 窗口的名字3.图像阈值化
cv2.threshold():
参数：
img:图像对象，必须是灰度图
thresh:阈值
maxval：最大值
type:
cv2.THRESH_BINARY: 小于阈值的像素置为0，大于阈值的置为maxval
cv2.THRESH_BINARY_INV： 小于阈值的像素置为maxval，大于阈值的置为0
cv2.THRESH_TRUNC： 小于阈值的像素不变，大于阈值的置为thresh
cv2.THRESH_TOZERO 小于阈值的像素置0，大于阈值的不变
cv2.THRESH_TOZERO_INV 小于阈值的不变，大于阈值的像素置0
返回两个值
ret:阈值
img：阈值化处理后的图像
cv2.adaptiveThreshold() 自适应阈值处理，图像不同部位采用不同的阈值进行处理
参数：
img: 图像对象，8-bit单通道图
maxValue:最大值
adaptiveMethod: 自适应方法
cv2.ADAPTIVE_THRESH_MEAN_C ：阈值为周围像素的平均值
cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 阈值为周围像素的高斯均值（按权重）
threshType:
cv2.THRESH_BINARY: 小于阈值的像素置为0，大于阈值的置为maxValuel
cv2.THRESH_BINARY_INV: 小于阈值的像素置为maxValue，大于阈值的置为0
blocksize: 计算阈值时，自适应的窗口大小,必须为奇数 （如3：表示附近3个像素范围内的像素点，进行计算阈值）
C： 常数值，通过自适应方法计算的值，减去该常数值
(mean value of the blocksize*blocksize neighborhood of (x, y) minus C)4.图像变换
4.1 图像缩放
cv2.resize() 放大和缩小图像
参数：
src: 输入图像对象
dsize：输出矩阵/图像的大小，为0时计算方式如下：dsize = Size(round(fx*src.cols),round(fy*src.rows))
fx: 水平轴的缩放因子，为0时计算方式： (double)dsize.width/src.cols
fy: 垂直轴的缩放因子，为0时计算方式： (double)dsize.heigh/src.rows
interpolation：插值算法
cv2.INTER_NEAREST : 最近邻插值法
cv2.INTER_LINEAR 默认值，双线性插值法
cv2.INTER_AREA 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。
cv2.INTER_CUBIC 基于4x4像素邻域的3次插值法
cv2.INTER_LANCZOS4 基于8x8像素邻域的Lanczos插值
cv2.INTER_AREA 适合于图像缩小， cv2.INTER_CUBIC (slow) & cv2.INTER_LINEAR 适合于图像放大4.2 仿射变换
cv2.warpAffine() 仿射变换（从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”。仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切）
参数：
img: 图像对象
M：2*3 transformation matrix (转变矩阵)
dsize：输出矩阵的大小,注意格式为（cols，rows） 即width对应cols，height对应rows
flags：可选，插值算法标识符，有默认值INTER_LINEAR，
如果插值算法为WARP_INVERSE_MAP, warpAffine函数使用如下矩阵进行图像转dst(x,y)=src(M11*x+M12*y+M13,M21*x+M22*y+M23)
borderMode：可选， 边界像素模式，有默认值BORDER_CONSTANT
borderValue:可选，边界取值，有默认值Scalar()即0
扫一扫
557
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
