目录
安装OpenCV
WIN+R输入cmd打开命令运行窗口，输入以下指令：
pip install opencv-python
pip install opencv-contrib-python安装成功后会显示以下界面
读取图像
OpenCV提供了函数cv2.imread()来读取图像，语法格式如下：
image = cv2.imread( filename[, flags] )其中：
- retval 是返回值，其值是读取到的图像。若未读取到图像，则返回“None”。
- filename 表示要读取的图像的完整文件名。
- flags 是读取标记。该标记用来控制读取文件的类型，其主要值如下表 所示。表 中 的第 1 列值与第 3 列数值是等价的，在设置参数时，既可以使用第 1 列的值，也可以使 用第 3 列的数值。
import cv2
lena=cv2.imread("lena.bmp")
print(lena)显示图像
函数cv2.imshow()用来显示图像，语法格式为
cv2.imshow( winname, mat )其中：
- winname 是窗口名称。
- mat 是要显示的图像。
这里介绍一下访问路径的方式：
- 绝对路径：使用完整的路径名访问文件，如“E:\lesson\lena.jpg”
- 相对路径：从当前路径开始的路径。假如当前路径为E:\lesson，使用“lena=cv2.imread("lena.jpg")”语句读取文件lena.jpg时，实际上读取的是“E:\lesson\lena.jpg”。
cv2.waitKey()函数
函数 cv2.waitKey()用来等待按键，当用户按下按键后，该语句会被执行，并获取返回值，
其语法格式为
cv2.waitKey( [delay] )delay表示延时时长，当改值为负数或0时，表示无限等待。默认为0
cv2.destroyAllWindows()函数
函数 cv2.destroyAllWindows()用来释放（销毁）所有窗口，其语法格式为
cv2.destroyAllWindows( )import cv2
lena=cv2.imread("lena.bmp")
cv2.imshow("demo1", lena )
cv2.imshow("demo2", lena )
cv2.waitKey()
cv2.destroyAllWindows()保存图像
OpenCV 提供了函数 cv2.imwrite()来保存图像，该函数的语法格式为
image = cv2.imwrite( filename, img[, params] )其中：
- retval 是返回值。若保存成功，则返回逻辑值真（True）；否则，返回逻辑值假（False）。
- filename 是要保存的目标文件的完整路径名，包含文件扩展名。
- img 是被保存图像的名称。
import cv2
lena=cv2.imread("lena.bmp")
r=cv2.imwrite("result.bmp",lena)读取视频
函数cv2.VideoCapture()可读取视频，其语法格式为
cap = cv2.VideoCapture(视频源)这里的视频源可以是：
- 一个表示设备索引的整数（例如，0 表示第一个摄像头）。
- 一个表示视频文件的文件路径字符串。
如果你想打开第一个摄像头，你可以这样写：
cap = cv2.VideoCapture(0)
如果你想打开一个视频文件，可以这样写：
cap = cv2.VideoCapture('path_to_your_video.mp4')
使用cv2.VideoCappture捕获视频时，通常的流程是：
- 创建cv2.VideoCappture对象。
- 使用循环读取视频的每一帧。
- 对每一帧进行处理。
- 显示帧（如果需要）。
- 释放 cv2.VideoCappture对象并关闭窗口。
import cv2
cap = cv2.VideoCapture("test.mp4")
while True:
success, img = cap.read()
cv2.imshow("Result", img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
开启摄像头
import cv2
frameWidth = 640
frameHeight = 480
cap = cv2.VideoCapture(0)
cap.set(3, frameWidth) #设置宽度
cap.set(4, frameHeight) #设置高度
cap.set(10,150) #设置亮度
while True:
success, img = cap.read()
cv2.imshow("Result", img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()图像处理
像素处理
图像是由多个像素点堆叠而成，像素处理是对图像处理的基本操作，可以通过索引对图像内的元素进行访问和处理。OpenCV中像素数据类型为无符号的8位二进制数，范围在[0, 255]，0表示黑色，255表示白色（这里可以理解为亮度，数值越大就越亮）.
二值图像及灰度图像
二值图像表示只有黑白（0和255），而灰度图像表示由多种不同数值的像素堆叠（[0,255]）。可以将二值图像理解为特殊的灰度图，因此后面主要对灰度图进行说明。
可以将图像理解为一个矩阵，在 OpenCV 中，图像就是 NumPy 库中的数组 ，一个灰度图像是一个二维数组，可以通过索引访问其中的像素值。例如，可以使用 image[0,0]访问图像 image 第 0 行第 0 列位置上的像素点，第 0 行第 0 列位于图像的左上角，其中第 1 个索引“0”表示第 0 行，第 2 个索引“0”表示第 0 列，如下图所示。
示例：读取一个灰度图像，并对其像素进行访问、修改
import cv2
img = cv2.imread(r"D:\Anaconda3\Pytorch\opencvbegin\mycat.png")
cv2.imshow("before", img)
print("img[50,90]原始值：", img[50, 90])
img[10:100, 80:100] = 255
print("img[50,90]修改值：", img[50, 90])
cv2.imshow("after", img)
cv2.waitKey()
cv2.destroyAllWindows()
程序使用切片方式将图像 img 中第 10 行到第 99 行与第 80 列到第 99 列交叉区域内的像素值设置为 255。从图像 img 来看，该交叉区域被设置为白色。
彩色图像及通道处理
彩色图像是由红色（R）、绿色（G）、蓝色（B）等三种颜色组成，而这也就是三基色。
在计算机中，RGB 模式是一种被广泛采用的模式，该模式采用 R（Red，红色）、G（Green，
绿色）、B（Blue，蓝色）三个分量来表示不同颜色。R、G、B 分别对应三种颜色分量的大小，
每个分量值的范围都为[0, 255]。通过组合不同的颜色分量就会得到不同的彩色图像。
通常情况下，在计算机中存储 RGB 模式的像素点时，不是把三个色彩分量的值保存在一起，
而是单独存放每个色彩分量的值。RGB 色彩空间中存在 R 通道、G 通道和 B 通道三个通道。
每个色彩通道值的范围都为[0, 255]，我们用这三个色彩通道的组合表示颜色。
需要注意的是，OpenCV 中的通道是按照 B 通道→G 通道→R 通道的顺序存储的。
针对 RGB 图像，可以分别拆分出其 R 通道、G 通道、B 通道。在 OpenCV 中，通过索引可以直接将各个通道从图像内提取出来。例如，针对 OpenCV 内的 BGR 图像 img，可用如下语句分别从中提取 B 通道、G 通道、R 通道：
b = img[ ： , ： , 0 ]
g = img[ ： , ： , 1 ]
r = img[ ： , ： , 2 ]
除了使用索引，还可以使用函数
cv2.split()
来拆分图像的通道。例如，可以使用如下语句拆
分彩色
BGR
图像
img
，得到
B
通道图像
b
、
G
通道图像
g
和
R
通道图像
r
：
b,g,r=cv2.split(img)
上述语句与如下语句是等价的：
b=cv2.split(img)[0]
g=cv2.split(img)[1]
r=cv2.split(img)[2]import cv2
image = cv2.imread(r"D:\Anaconda3\Pytorch\opencvbegin\dog.jpg")
red_channel = image[:, :, 2]
green_channel = image[:, :, 1]
blue_channel = image[:, :, 0]
cv2.imshow('original', image)
cv2.imshow('Red Channel', red_channel)
cv2.imshow('Green Channel', green_channel)
cv2.imshow('blue Channel', blue_channel)
cv2.waitKey()
cv2.destroyAllWindows()
对彩色图像既然可以拆分那就当然也可以合并了。函数 cv2.merge()可以实现通道合并。例如，使用函数 cv2.merge()将 B 通道图像 b、G 通道图像 g 和 R 通道图像 r 这三幅通道图像合并为一幅 BGR 的三通道彩色图像，实现的语句为
bgr=cv2.merge([b,g,r])调整图像大小
用函数 cv2.resize()实现对图像的缩放，该函数的具体形式为
dst = cv2.resize( src, dsize[, fx[, fy[, interpolation]]] )其中：
- dst 代表输出的目标图像。
- src 代表需要缩放的原始图像。
- dsize 代表输出图像大小。
- fx 代表水平方向的缩放比例。
- fy 代表垂直方向的缩放比例。
- interpolation 代表插值方式。
cv2.resize()函数中，目标图像的大小可以通过参数 dsize 或者参数 fx 和 fy 来指定，具体如下。
● 情况 1：通过参数 dsize 指定。
在指定参数 dsize 的值后，参数 fx 和 fy 的值将不会起作用，目标图像直接由参数 dsize 决定大小。需要注意的是，dsize 内第 1 个参数对应缩放后图像的宽度（width，即列数 cols，与参数 fx
类似），第 2 个参数对应缩放后图像的高度（height，即行数 rows，与参数 fy 类似）。
● 情况 2：通过参数 fx 和 fy 指定。 如果参数 dsize 的值是 None，那么目标图像的大小将由参数 fx 和 fy 决定。此时，目标图像的大小为
dsize=Size(round(fx＊src.cols),round(fy＊src.rows))插值这里不做过多说明，后面会出文章进行讲解。敬请期待吧！
import cv2
img = cv2.imread(r"D:\Anaconda3\Pytorch\opencvbegin\dog.jpg")
rows, cols = img.shape[:2]
size = (int(cols * 0.9), int(rows * 0.5))
rst = cv2.resize(img, size)
cv2.imshow("original", img)
cv2.imshow("after", rst)
print("img.shape=", img.shape)
print("rst.shape=", rst.shape)
cv2.waitKey()
cv2.destroyAllWindows()
感兴趣区域
在图像处理过程中，我们可能会对图像的某一个特定区域感兴趣，该区域被称为感兴趣区
域（
Region of Interest
，
ROI
）。在设定
ROI
后，可以对该区域进行整体操作。
ROI
示意图如图
示，假设当前图像的名称为
img
，图中的数字分别表示行号和列号，则右图
中的
ROI
（黑色区域）可以表示为
img[200:400, 200:400]
。
a=img[200：400,200：400]
img[200：400,600：800]=a
import cv2
a=cv2.imread("dog.jpg")
face=a[220:370,250:350]
cv2.imshow("original",a)
cv2.imshow("face",face)
cv2.waitKey()
cv2.destroyAllWindows()
掩模
图像掩模是指，用选定的图像、图形或物体遮挡待处理的图像（全部或局部），从而控制图像处理的区域。
掩模基础及构造
为了方便理解，可以将掩模图像看作一块玻璃板，玻璃板上的白色区域是透明的，黑色区域是不透明的。掩模运算就是将该玻璃板覆盖在原始图像上，透过玻璃板显示出来的部分就是掩模运算的结果图像。在运算中，只有被掩模指定的部分参与运算，其余部分不参与运算。
在构造掩模图像时，通常先构造一个像素值都是 0 的数组，再将数组中指定区域的像素值设定为255（或 1 或其他非 0 值）。
将掩模图像与原始图像相乘，可以得到掩模图像指定的图像区域。例如，乘法运算“mask＊原始图像”使得原始图像中与 mask 中像素值 0（背景）对应位置上的像素值被处理为 0（背景）；与 mask 中像素值 1（前景）对应位置上的像素值保持不变（前景）。
import cv2
import numpy as np
o=cv2.imread("dog.jpg",1)
h,w,c=o.shape
m=np.zeros((h,w,c),dtype=np.uint8)
m[100:400,200:400]=1
m[100:500,100:200]=1
result=m*o
cv2.imshow("o",o)
cv2.imshow("mask",m*255) # m＊255，确保能显示
cv2.imshow("result",result)
cv2.waitKey()
cv2.destroyAllWindows()
掩模作为函数参数
计算结果=cv2.add(参数 1,参数 2,掩模)
当使用掩模参数时，操作只会在掩模值为非空的像素点上执行，并将其他像素点的像素值置
为 0。
import cv2
import numpy as np
o = cv2.imread("dog.jpg")
t = cv2.imread("lucky.jpg")
h, w, c = o.shape
t = cv2.resize(t, (w, h))
m = np.zeros((h, w), dtype=np.uint8)
m[100:400, 200:400] = 255
m[100:450, 100:200] = 255
r = cv2.add(o, t, mask=m)
cv2.imshow("Original", o)
cv2.imshow("Text", t)
cv2.imshow("Mask", m)
cv2.imshow("Result", r)
cv2.waitKey(0)
cv2.destroyAllWindows()
色彩处理
RGB 色彩空间是一种比较常见的色彩空间，除此之外比较常见的色彩空间还包括 GRAY 色彩空间（灰度图像）、YCrCb 色彩空间、HSV 色彩空间、HLS 色彩空间、CIEL＊a＊b＊色彩空间、CIEL＊u＊v＊色彩空间、Bayer 色彩空间等。
不同的色彩空间是图像的不同表示形式。每个色彩空间都有自己擅长处理的问题，要针对处理的问题，选用不同的色彩空间。
色彩空间基础
这个部分我们主要介绍GRAY和HSV色彩空间。
GRAY色彩空间
当图像由 RGB 色彩空间转换至 GRAY 色彩空间时，其处理方式如下：
当图像由 GRAY 色彩空间转换至 RGB 色彩空间（或 BGR 色彩空间）时，最终所有通道的
值都将是相同的，其处理方式如下：
R = GRAY
G = GRAY
B = GRAY注意：GRAY转换时也代表着通道数目的转换，灰度图一般是单通道图像（[0,255]），而RGB是3通道图像。
HSV色彩空间
HSV主要包含色调、饱和度、明度三要素。
色调H
色调指光的颜色。在HSV 色彩空间中，色调 H 的取值范围是[0,360]，色调值为 0 表示红色，色调值为 300 表示品红色。8 位位图内每个像素点能表示的值有 28 =256 个，所以在 8 位位图内表示 HSV 图像时要把色调在[0,360]范围内的值映射到[0,255]范围内。OpenCV 直接把色调的值除以 2，得到介于[0,180]的值，以适应 8 位二进制数（256 个灰度级）的存储和表示范围。
饱和度S
饱和度指色彩的鲜艳程度，表示色彩的相对纯净度。饱和度取决于色彩中灰色的占比，灰色占比越小，饱和度越高；灰色占比越大，饱和度越低。
饱和度等于所选颜色的纯度值和该颜色最大纯度值之间的比值，取值范围为[0,1]。当饱和度的值为 0 时，只有灰度。进行色彩空间转换后，为了适应 8 位位图的 256 个灰度级，需要将新色彩空间内的数值映射至[0,255]范围内。也就是说，要将饱和度的值从[0,1]映射到[0,255]。
明度V
明度指人眼感受到的色彩的明亮程度，反映的是人眼感受到的光的明暗程度。对于彩色图像来讲，明度值越高，图像越明亮；明度值越低，图像越暗淡。明度的范围与饱和度的范围一致，都是[0,1]。同样，明度值在 OpenCV 内也被映射到[0,255]。
色彩空间转换
cv2.cvtColor()函数实现色彩空间的转换，语法格式为
dst = cv2.cvtColor( src, code [, dstCn] )其中：
- dst 表示输出图像，与原始输入图像具有相同的数据类型和深度。
- src 表示原始输入图像。可以是 8 位无符号图像、16 位无符号图像，或者单精度浮点数 图像等。
- code 是色彩空间转换码，表 3-6 展示了部分常见的 code 值。
- dstCn 是目标图像的通道数。如果参数为默认值 0，那么通道数自动通过原始输入图像和
- code 得到。
获取皮肤范围
HSV 色彩空间中，H 通道（色相 Hue 通道）对应不同的颜色。换个角度理解，颜色的差异主要取决于 H 通道值。所以，通过筛选 H 通道值，能够筛选出特定的颜色。例如，在一幅HSV 图像中，如果通过控制仅将 H 通道内的值为 240（在 OpenCV 内被调整为 120）的像素点显示出来，那么就会只显示蓝色部分图像。
函数 cv2.inRange()判断图像内像素点的像素值是否在指定的范围内，其语法格式为
dst = cv2.inRange( src, lowerb, upperb )其中：
- dst 表示输出结果，大小和 src 一致。
- src 表示要检查的数组或图像。
- lowerb 表示范围下界。
- upperb 表示范围上界。
- 若 src 值处于该指定区间内，则 dst 中对应位置上的值为 255。
- 若 src 值不处于该指定区间内，则 dst 中对应位置上的值为 0。
肤色范围划定为
- 色调值为[0,33]。
- 饱和度值为[10, 255]。
- 明度值为[80,255]。
import cv2
import numpy as np
img=cv2.imread("77.png")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
min_HSV = np.array([0 ,10,80], dtype = "uint8")
max_HSV = np.array([33, 255, 255], dtype = "uint8")
mask = cv2.inRange(hsv, min_HSV, max_HSV)
reusult = cv2.bitwise_and(img,img, mask= mask)
cv2.imshow("img",img)
cv2.imshow("reusult",reusult)
cv2.waitKey()
cv2.destroyAllWindows()
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
