一、opencv的色彩空间
1、色彩空间的变换
(1)RGB和BGR
RGB是人眼的色彩空间顺序;而opencv默认使用的是BGR,即和人眼顺序相反;一个像素点包括三原色的数值组成想要颜色;
(2)HSV / HSB / HSL
HSV(常用)和HSB是统一体系,表示Hue色相(即色彩)、Saturation饱和度(颜色纯度)、value明亮度;
方便opencv直接对Hua色相进行判断;
HSL不常用;其中L表示亮度;不做过多介绍。
(3)YUV
存储节省数据,主要用在视频中。
(4)色彩空间转换示范
import cv2
def callback():
pass
cv2.namedWindow('color',cv2.WINDOW_NORMAL)
img = cv2.imread("F:\\tupian\\chinacar.jpeg")
colorspaces = [cv2.COLOR_BGR2RGBA,cv2.COLOR_BGR2BGRA,
cv2.COLOR_BGR2GRAY, cv2.COLOR_BGR2HSV_FULL,
cv2.COLOR_BGR2YUV]
cv2.createTrackbar('curcolor','color', 0 , len(colorspaces) , callback)
while True:
index = cv2.getTrackbarPos('curcolor','color')
#颜色空间转换API
cvt_img = cv2.cvtColor(img , colorspaces[index])
print(colorspaces[index] , cvt_img , index)
cv2.imshow('color',cvt_img)
key = cv2.waitKey(10)
if key & 0xFF == ord('q'):
break
cv2.destroyAllWindows()
二、numpy库
1、numpy库介绍
openCV中用到的矩阵都要转换成numpy数组进行操作;Numpy是一个高度优化的python数值库。
2、numpy基本操作
(1)创建矩阵
【1】创建数组 array()
【2】创建全0 数组 zeros()\ ones()
zeros((行的个数 , 列的个数 , 通道数/层数 ),矩阵中的数据类型 )
ex:c = np.zeros((480,640,3), np.uint8 )
【3】创建全值数组 full()
【4】创建单位数组 identity / eye()
代码展示:
import numpy as np
#通过array定义矩阵
a = np.array([1,2,3])
b = np.array([[1,2,3], [4,5,6 ]])
print(a)
print(b)
#定义zeros和ones矩阵
c = np.zeros ((4,4,3), np.uint8)
d = np.ones ((4,4),np.uint8)
print(c)
print(d)
#定义full矩阵
e = np.full((4,4), 255 , np.uint8)
print(e)
#定义identity单位矩阵
f = np.identity(4)
print(f)
#定义eye矩阵
g = np.eye(5,7, k=3)
print(g)
运行结果:
(2)矩阵的检索和赋值
注意【y,x】和我们平常的坐标相反,另外我们利用numpy操作时的索引值是从0开始的,而不是从1开始。【y,x,channel】多了一个通道数。
代码展示:
import numpy as np
import cv2
#定义zeros和ones矩阵
img = np.zeros ((480,640,3), np.uint8)
#从矩阵中读某个元素的值
print (img[100,100])
count = 0
#向矩阵中某个元素赋值
while count < 480:
img[count,100,2] = 255
count = count + 1
#另一种赋值方式
t = 0
while t < 400:
img [100 , t] = [0 , 255 , 100]
t = t + 1
cv2.imshow('img',img)
key = cv2.waitKey(0)
if key & 0xFF == ord('1'):
cv2.destroyAllWindows()
(3)获取子矩阵
Region of Image (ROI)技术:
【y1:y2 , x1:x2】表示从y1到y2和x1到x2的区域
【:,:】整个图像,也可以用【:】表示。
代码演示:
import numpy as np
import cv2
#定义zeros和ones矩阵
img = np.zeros ((480,640,3), np.uint8)
#从矩阵中读某个元素的值
import numpy as np
import cv2
#定义zeros和ones矩阵
img = np.zeros ((480,640,3), np.uint8)
roi = img[100:500, 100:200]
roi[:] = [200,20,200]
roi[:,50] = [1,1,1]
roi[10:200,10:200]=[0,255,0]
cv2.imshow('img',img)
key = cv2.waitKey(0)
if key & 0xFF == ord('1'):
cv2.destroyAllWindows()
二、Mat
1、Mat介绍
实际上mat就是一个二维矩阵,如果表示图片则一般是三通道BGR的矩阵。
mat的优势:可以通过Numpy直接以矩阵的方式对它进行访问,对下标进行操作来读取赋值,非常方便。
2、Mat拷贝
这个表示的是mat的浅拷贝,他们的header部分不同,共用同一个data,header部分指针指向同一个地方;而深拷贝的data部分不共用。
代码展示:
import cv2
import numpy as np
img = cv2.imread("F:\\tupian\\chinacar.jpeg")
#浅拷贝,修改img,img2也变化,说明浅拷贝共用data
img2 = img
#深拷贝,修改img,img3没有发生变化,说明深拷贝不共用data
img3 = img.copy()
img [10:100 , 10:100] = [0,0, 255]
cv2.imshow('img',img)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)
cv2.waitKey(0)
3、访问Mat的属性
import cv2
import numpy as np
img = cv2.imread("F:\\tupian\\chinacar.jpeg")
#shape属性中包括了三个信息
#高度,长度,通道数
print(img.shape)
#图像占用多大内存空间
#高度 * 长度 * 通道数
print (img.size)
#图像中每个元素的位深
print (img.dtype)
4、通道的分离与合并
(1)split(mat)-->ch1, ch2 ,ch3 ,.....
将mat类型图像分割成多个通道(有几个分几个并且返回几个),可以对每个通道进行单独操作。
(2)merge((ch1, ch2 ,ch3 ,.....))-->mat
将多个通道合并。
代码展示:
import cv2
import numpy as np
img = np.zeros((480 , 640 , 3) , np.uint8)
b , g , r = cv2.split(img)
b[10:100 , 10:100] = 255
g[10:100 , 10:100] = 255
img2 = cv2.merge((b , g ,r))
cv2.imshow('img',img)
cv2.imshow('b',b)
cv2.imshow('g',g)
cv2.imshow('img2',img2)
cv2.waitKey(0)