一、图像处理基础

最新推荐文章于 2022-07-02 08:39:17 发布

嘻哈吼嘿呵

最新推荐文章于 2022-07-02 08:39:17 发布

阅读量228

点赞数

分类专栏： # OpenCV图像处理

本文链接：https://blog.csdn.net/s294878304/article/details/103077135

版权

OpenCV图像处理专栏收录该内容

12 篇文章 3 订阅

订阅专栏

本文详细介绍使用OpenCV进行图像处理的基础知识，包括读写图像、处理像素、获取图像属性、感兴趣区域(ROI)操作及通道的拆分与合并。通过具体代码示例，读者将深入理解如何利用Python和OpenCV库进行图像的读取、显示、修改和保存，掌握图像处理的核心技术。

摘要由CSDN通过智能技术生成

Lean镇楼!!

1、读写图像

先安装 OpenCV

# encoding: utf-8

import cv2
import matplotlib.pyplot as plt
path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
write_path = r"E:\PythonProjects\python_study\opencv\lena_cpoy.jpg"
img = cv2.imread(path)
# 1
# plt.imshow(img)
# plt.show()
# 2
cv2.imshow("demo",img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# write
cv2.imwrite(write_path,img)

2、图像处理基础知识

（1）入门知识

在彩色图像中，图像可用一个二维矩阵表示，其中每个元素是RGB值，RGB每个占一个字节（8位），总共三个字节，每个字节取值范围是0-2^8(255)，也可以说是三通道的，分别是R,G,B，比如（255，0，0）代表红色，(0,255,0)代表绿色，(0,0,255)代表蓝色，其他颜色是这三个颜色的混合。

在灰色图像中，每个元素只有单通道，即只有一个值。

位深度：位深度是把通道数转化为位，即3通道位深度为3*8=24位。

分辨率：分辨率即为高像素*宽像素，如1080*1440分辨率

DPI（Dots Per Inch，每英寸像素点数)：

通过DPI和像素可以求出图片的实际尺寸，如1080*1440分辨率，DPI96，那么图片实际高为1080/96 = 11.25英寸，宽为1440/96=15英寸。

图片清晰程度不是由像素决定，而是用DPI来决定，DPI越大，清晰度越高。

注：

鼠标的DPI参数指的是鼠标在桌面上移动1英寸的距离的同时，鼠标光标能够在屏幕上移动多少“点”。越高，移动越快越灵敏。

OpenCV中图像的三原色顺序为 BGR

（2）处理像素

# encoding: utf-8

import cv2
import matplotlib.pyplot as plt
import copy

def show_img(list_img):
    plt.figure()
    plt.subplot(1,2,1)
    plt.imshow(list_img[0])
    plt.subplot(1,2,2)
    plt.imshow(list_img[1])
    plt.show()

path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
# bgr图像
print("*****************bgr***************")
#1
b = img[78,125,0]
g = img[78,125,1]
r = img[78,125,2]
img[78,125,0]=100# 赋值,修改值
bgr=img[78,125]
print("b={}\ng={}\nr={}\nbgr={}".format(b,g,r,bgr))
#2
print(img.item(100,100,0))#查看值
img.itemset((100,100,0),255)#修改值
print(img.item(100,100,0))

print("========修改多个行列数值=========")
#1
i1=copy.deepcopy(img)
img[100:150,100:150]=[255,255,255]
show_img([i1,img])
# 灰度图
print("*****************gray***************")
p = img[78,125]
print("p={}".format(p))
img[78,125]=125# 赋值
print("p={}\n".format(p))
#2
print(gray.item(100,100))#查看值
gray.itemset((100,100),255)#修改值
print(gray.item(100,100))

（3）获取图像属性

# encoding: utf-8

import cv2
import matplotlib.pyplot as plt
import copy
import numpy as np


path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
print("*****************bgr***************")
# bgr图像
print(img.shape)
print(img.size)#行*列*通道数，计算出像素个数
print(img.dtype)#图像中数据的数据类型

print("*****************gray***************")
# 灰度图
print(gray.shape)
print(gray.size)
print(gray.dtype)

（4）感兴趣趋于ROI

# encoding: utf-8

import cv2
import matplotlib.pyplot as plt
import math
import copy
import numpy as np

def show_img(img):
    plt.figure()
    plt.imshow(img)
    plt.show()

path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
print("*****************bgr***************")
# bgr图像
print("=======根据下标的方式取roi========")
face =np.ones((180,100,3))
face = img[220:400,250:350]

show_img(face)
show_img(face)
img[0:180,0:100]=face
show_img(img)

（5）通道的拆分与合并

# encoding: utf-8

import cv2
import matplotlib.pyplot as plt
import math
import copy
import numpy as np
def show_img(img):
    plt.figure()
    plt.imshow(img)
    plt.show()

path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
print("===============通道拆分==================")
#1
b1 = img[:,:,0]
g1 = img[:,:,1]
r1 = img[:,:,2]
#2
b2,g2,r2 = cv2.split(img)
b3 = cv2.split(img)[0]
g3 = cv2.split(img)[1]
r3 = cv2.split(img)[2]
# show_img(b2)
print("=============通道合并，注意顺序==============")
#1
m = cv2.merge([b1,g1,r1])
# show_img(m)
#2
bt = cv2.split(img)[0]
rows,cols,chn = img.shape
gt = np.zeros((rows,cols),dtype=img.dtype)
rt = np.zeros((rows,cols),dtype=img.dtype)
mt = cv2.merge([bt,gt,rt])
show_img(mt)