基于python的opencv快速入门第一篇

基于python的opencv快速入门第一篇

太原理工大学机器人团队20日打卡day14

1、图像处理基础

​ opencv是一个基于BSD许可发行的跨平台计算机视觉库，而在我个人看来，因为其可以用于Linux，也就意味着可以装载在树莓派的嵌入式系统上。十分有利于我开发机器人视觉方面的问题。当然，我并不是计算机专业，对于其中更深层次的算法没有追求，还是追求更高效的利用这个库来完善我的机器人等方面。

​ 其中配置安装方面的问题我就不多加赘述，csdn上有许多相关文章，建议大家可以看，如果有问题私聊相关作者也是十分不错的选择。

​ 当然，本人认为该方面应用更难，所以会尝试写出更多练习代码，当然，大部分源于李立宗的《Opencv轻松入门：面向Python》。这只是我总结的知识点，便于忘记时候快速查询，而不是一篇教程。

1.1图像基本表示方法

1. 二值图像

• 仅包含黑白两个颜色。
• 矩阵上只有0和1两个数字

2. 灰度图像

• 计算机把从纯黑到纯白分为256个灰度级（“0”表示纯黑，“255”表示纯白）
• 矩阵每个像素点有（0，255）来表示该点对应灰度

3. 彩色图像

• 图像分为RGB三个通道
  • 每个通道值都在[0，255]

1.2像素处理

1. 生成矩阵

• 我们可以利用Numpy库中zeros()来生成矩阵
• 代码如下

import numpy as np
img = np.zeros((8,8),dytpe = np.uint8)

Notes：

• as np 可以不适用，但是使用可以更简便
• 该代码表示生成一个8x8的灰度矩阵

• 在利用矩阵知识，就可以控制其中的像素点

img[0,3] = 255

Notes：

• 该代码表示将[0,3]像素改为白色

2. 读取图像

• 可以利用cv2库里的imread函数
• 格式如下

import cv2
img = cv2.imread("img.jpg",0)

Notes:

• 表示读取img灰度图像

3. 彩色图像

• 彩色图像相比较与灰度图像，实际上只是增加了第三个变量
• 由[0,2]分别表示BGR通道
  
  而利用zeros生成对应矩阵代码为

img = np.zeros((300,300,3),dtype=np.uint8)

• 小示例：
  • 生成一个三维数组，用来观察三通道的变化情况

import cv2
import numpy as np
img = np.zeros((300,300,3),dtype=np.uint8)
img[:,:,0] = 255
img[:,:,1] = 255
img[:,:,2] = 255
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()

• 其中imshow表示弹出一个窗口显示画面，名叫img
  • imshow函数下必须有waitkey（）函数
  • 该函数表示等待输入，如果有按键退出窗口
  • destroyAllwindows表示关闭所有窗口
• 都是一些比较基本的函数，记住即可

1.3 使用numpy.array访问像素

• 函数item（）可以更高效的访问像素点
• 语法格式为

item(行，列，通道)

示例：

• 读取First.jpg的第一行第一列的G通道数值

import cv2
lena = cv2.imread("First.jpg")
print("读取像素点= ", lena.item(1,1,1))

• 函数itemst（）可以用来修改像素值
• 语法格式为

itemset(索引值,新值)

示例

生成一个灰度图像，其中的像素值均为随机数

import numpy as np
import cv2
img = np.random.randint(0,256,size=[256,256],dtype = np.uint8)
cv2.imshow("demo",img)
cv2.waitKey()
cv2.destoryAllWindows

1.4感兴趣区域（ROI)

图像中的数字分别表示行号和列号。那么，图像中黑色ROI可以表示为

img[200:400,200:400]

通过一下语句可以将ROI复制到该区域右侧

a=img[200:400,200:400]
img[200:400,600:800]=a

同时，也可以使用该方法进行打码处理

import cv2
import numpy as np
a=cv2.imread("lenacolor.png", cv2.IMREAD_UNCHANGED)
cv2.imshow("original", a)
face=np.random.randint(0,256, (180,100,3))
a[220:400,250:350]=face
cv2.imshow("result", a)
cv2.waitKey()
cv2.destroyAllWindows()

1.5 通道操作

通道拆分

• 可以通过索引拆分
  • 比较麻烦，直接讲第二种
• 通过cv2.split(img)函数拆分
• 语法如下

b,g,r = cv2.split(img)

通道合并

• 利用cv2.merage()可以实现合并
• 语法如下

rgb=cv2.merge([r,g,b])

示例

先拆分通道，再表示b,br分别为0的图像

再合并图像

import cv2
lena = cv2.imread("First.jpg")
cv2.imshow("lena1",lena)
b,g,r = cv2.split(lena)
cv2.imshow("b",b)
cv2.imshow("g",g)
cv2.imshow("r",r)
lena[:,:,0]=0
cv2.imshow("lenab0",lena)
lena[:,:,1]=0
cv2.imshow("lenab0g0",lena)
bgr=cv2.merge([b,g,r])
cv2.imshow("bgr",bgr)
cv2.waitKey()
cv2.destroyAllWindows()

图像运行结果可自行尝试

1.6 获取图像属性

import cv2
color = cv2.imread("First.jpg")
print("图像colorshux：")
print("color.shape=", color.shape)
print("color.size=", color.size)
print("color.dtype= ",color.dtype)

该代码比较常用，是固定套路，可以记住。

以上就是今日内容，因为主要在于实践，背后还有很多实验代码乃至于我用了一个下午学习该部分，大家也可以多加尝试