opencv和python的接口_opencv python接口用法

python中使用opencv需要导入

import cv2

图像读写

在python中，图像使用numpy数组表示。

读写支持各种静态的图像文件格式(bmp,png, jpg, jpeg)

img = cv2.imread( img_path , [*] ) 读图像 返回的是一个numpy数组。格式(BGR)3通道，即使是灰度图。

cv2.imwrite( img_path , img ) 写图像。要求通道是(BGR)或者灰度格式。

cv2.waitKey() 参数1：等待时间，单位毫秒。

一般与cv2.imshow()搭配使用，另一个实用的功能就是通过按键进入if条件语句

exp1:

比如下面按ESC关闭窗口，退出循环，结束程序。

cv2.imshow("Origin", image)

key = cv2.waitKey(1)

if key == 27:

cv2.destroyAllWindows()

break

图像转换

img = cv2.cvtColor( img, cv2.COLOR_GRAY2BGR) 将单通道图像，转变为3通道(BGR)

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 转换为灰度图

img.reshape(h,w,c) 重新定义数组的维度。 h , w , c

void resize(

InputArray src, //输入原图像

OutputArray dst, //输出结果图像

Size dsize, //设定结果图像的尺寸

double fx = 0, //在x轴上的缩放比例

double fy = 0, //在y轴上的缩放比例

int interpolation = INTER_LINEAR //差值方式(计算新图像的各点像素)

);

src：待变换输入原图，可以为单通道灰度图像，也可以为3通道彩色图像

dsize：变换后的图像尺寸，格式：宽高通道；当dsize为0时，它可以通过以下公式计算得出：

dsize = Size(round(fxs*rc.cols), round(fy*src.rows))

fx - 水平轴上的比例因子。当它为0时，计算公式如下：(double)(dsize.width/src.cols)

fy - 垂直轴上的比例因子。当它为0时，计算公式如下：(double)(dsize.heifht/src.rows)

interpolation - 插值方法

interpolation取值：INTER_NEAREST - 最近邻插值法

interpolation取值：INTER_LINEAR - 双线性插值法(默认)

interpolation取值：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。

interpolation取值：INTER_CUBIC - 基于4x4像素邻域的3次插值法

interpolation取值：INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值

注意：参数dsize和参数(fx, fy)不能够同时为0

通道分离

void split(

const Mat& src, //待分离的多通道矩阵

Mat* mvbegin //矩阵数组，保存分离后的单通道矩阵

);

void split(

InputArray m, //待分离的多通道矩阵

OutputArrayOfArrays mv //vector容器，保存分离后的单通道矩阵

);

通道融合

void merge(

const Mat* mv, //矩阵数组，包含多个待融合单通道矩阵

size_t count, //需要融合的矩阵数目

OutputArray dst //输出结果(融合后的多通道矩阵)

);

void merge(

InputArrayOfArrays mv, //vector容器，包含多个待融合单通道矩阵

OutputArray dst //输出结果(融合后的多通道矩阵)

);

图像旋转

M = cv2.getRotationMatrix2D((width/2, height/2), angle, scale)

# M为旋转矩阵，第一个参数是设定旋转中心，第二个参数是旋转角度(单位是度，逆时针为正)，第三个参数是缩放比例

ratation = cv2.warpAffine(image, M, (width, height))

图像索引

图像是以numpy数组形式存储，就可以看成三维数组，任何numpy支持的操作，都可以操作图像。最方便的莫过于索引和切片。

img[i,j,k] i 表示y 坐标， j 表示x坐标， k表示通道

img.itemset( (10,10 ,0), 255) 设置像素值

img.item(( 10 ,10 ,0)) 获取像素值

图像属性

img.shape 返回包含宽度，高度和通道数的数组

img.size 返回图像像素的大小

img.dtype 图像的数据类型，int or float

绘图

cv2.putText() 参数1：图像，参数2：文字内容，参数3：坐标位置，参数4：字体，参数5：字号，参数6：颜色，参数7：字体粗细

cv2.rectangle() 参数1：图像，参数2：左上角坐标，参数3：右下角坐标，参数4：框的颜色，参数5：框的粗细

void line(

InputOutputArray img, //要绘制线段的图像

Point pt1, //线段的起点

Point pt2, //线段的终点

const Scalar& color, //线段的颜色，通过一个Scalar对象定义

int thickness = 1, //线条的宽度

int lineType = LINE_8, //线段的类型，默认值为8邻接

int shift = 0 //坐标点小数点位数

);

void circle(

InputOutputArray img, //输入输出图像

Point center, //圆心坐标

int radius, //圆的半径

const Scalar& color, //圆的颜色，Scalar(B, G, R)

int thickness = 1, //圆的线条宽度，正数表示线条的粗细程度，负数表示圆被填充

int lineType = LINE_8, //线条的类型

int shift = 0 //圆心坐标点和半径值的小数点位数

);

图像处理

高斯平滑滤波 cv2.GaussianBlur() 参数1：图像，参数2：滤波器大小，参数3：标准差

gray = cv2.GaussianBlur(gray,(3,3),0) #模糊图像

中值滤波 cv2.medianBlur() 参数1：图像，参数2：滤波尺寸

gray = cv2.medianBlur(gray,5) # 填充白色噪点

均值滤波

void blur(

InputArray src, //待均值滤波的输入图像

OutputArray dst, //滤波后的输出图像

Size ksize, //滤波器尺寸(大于1的奇数)

Point anchor = Point(-1,-1), //滤波器中心位置

int borderType = BORDER_DEFAULT //边界模式，用于推断图像外部像素的某种边界模式

);

高斯滤波

void GaussianBlur(

InputArray src, //待高斯滤波的输入图像

OutputArray dst, //滤波后的输出图像

Size ksize, //滤波器尺寸(大于1的奇数)

double sigmaX, //高斯核函数在X方向上的标准差

double sigmaY = 0, //高斯核函数在Y方向上的标准差

int borderType = BORDER_DEFAULT //边界模式，用于推断图像外部像素的某种边界模式

);

中值滤波

void medianBlur(

InputArray src, //待中值滤波的输入图像，要求为1通道、3或4通道图像

OutputArray dst, //滤波后的输出图像

int ksize //滤波器尺寸(大于1的奇数)

);

阈值分割函数

double threshold(

InputArray src, //输入图像

OutputArray dst, //输出图像

double thresh, //阈值

double maxval, //使用 BINARY 或 BINARY_INV 方法时的最大值

int type //选用 OpenCV 提供的阈值分割方法

);