原创：杨其泓

1 OpenCV入门基础

1.1 OpenCV简介

OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发，以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。OpenCV-Python是OpenCV的Python API，集成了Python语言和C++语言的最优特征，致力于支持Python解决计算机视觉问题。

1.2 Python安装OpenCV

在Python中安装OpenCV十分便捷，可以直接使用：pip install opencv-python或conda insatll opencv-python即可。

注：默认安装最新版，如有特定版本需求，可使用pip install opencv-python==4.1.2。

在成功安装OpenCV后，可以在Python编译器中键入如下内容，查看是否安装成功:

import cv2
print(cv2.__version__)

1.3 图片的读取、显示与保存

图像读取

使用OpenCV读取图片文件，可以使用函数cv2.imread(filepath, flags)，例如：

image=cv2.imread('test.jpg')

该函数共接收两个输入，即要读入图片的完整路径和读入图片的方式，常用方式包括以下三种

cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道
cv2.IMREAD_GRAYSCALE：读入灰度图片
cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道

OpenCV读取图片后返回的是一个numpy数组，对于彩色图像，数组为三维数组，其形状(shape)为（图像高，图像宽，3），其中3代表图片的RGB三个通道，由于OpenCV在存储彩色图像时，默认通道顺序为BGR，在进行图像处理时要注意不要使用错误的通道顺序。

图像显示

使用OpenCV显示图片文件，可以使用函数cv2.imshow(wname, img)，例如：

cv2.imshow('Test_image', image)

在多数时候，我们会将上述API搭配cv2.waitKey()和cv2.destroyAllWindows()使用，waitKey顾名思义，就是等待键盘键入，而destroyAllWindows就是关闭所有已经显示的窗口，搭配这两个API后即可实现：显示一张图片，并在键盘键入任意值后关闭图片的效果。

下面就是使用OpenCV读入图片并展示的样例代码：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
image_gray = cv2.imread('KKB.jpeg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('BGR', image_BGR)
cv2.imshow('gray', image_gray)
cv2.waitKey()
cv2.destroyAllWindows()

输出效果如下：

图像保存

使用OpenCV显示图片文件，可以使用函数cv2.imwrite(file, img, num)，例如：

cv2.imwrite('testimage.jpeg', image_BGR)
# cv2.imwrite('testimage.jpeg', image_BGR, [int(cv2.IMWRITE_JPEG_QUALITY), 95])
# cv2.imwrite('testimage.jpeg', image_BGR, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

这个API有三个参数：第一个参数是要保存的文件路径，第二个参数是要保存的图像。第三个参数是可选参数，它针对特定的格式：对于JPEG，其表示的是图像的质量，用0 - 100的整数表示，默认95；对于png ，第三个参数表示的是压缩级别，默认为3。

2 图像处理基础

2.1 像素处理

访问像素

在OpenCV中，我们可以直接以索引的方式访问图像的像素。例如我们访问刚才读取的图片（200, 200)坐标位置（左上角为坐标系原点）的像素可是使用：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
print(image_BGR[200,200])
>>> [246 218 177]

可见，在（200, 200)坐标位置所对应的三通道像素值分别为B：246，G：218，R:177。

修改像素

图像像素值的修改也十分简单，下面我们将原始图片中的一部分区域修改为红色(0, 0, 255)：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
image_BGR[100:200, 100:200] = [0,0,255]
cv2.imshow('BGR', image_BGR)
cv2.waitKey()
cv2.destroyAllWindows()

所得到的结果为：

2.2 图像属性

图像形状

图像的形状可以通过image.shape获得，例如：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
print(image_BGR.shape)
>>> (684, 1067, 3)

可以看到，刚才我们打开的那张图片的高是684像素，宽是1067像素，通道数为3。

像素数目

图像的像素数目可以理解为图像中的像素值总量，也就是行*列*通道，可以通过image.size获得，例如：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
print(image_BGR.size)
>>> 2189484

我们来验证一下，刚才我们打开的那张图片的高是684像素，宽是1067像素，通道数为3，那他的像素数量应为这三者的乘积，即为684∗1067∗3=2189484684*1067*3=2189484684∗1067∗3=2189484，与上述代码中计算所得相同。

图像类型

图像的类型可以通过image.dtype获得，例如：

import cv2
image_BGR = cv2.imread('KKB.jpeg', cv2.IMREAD_COLOR)
print(image_BGR.dtype)
>>> uint8

由此可见，这张图片的属性是uint8。

3 图像运算

3.1 图像加法

我们知道，以uint8形式存储的图片的取值范围是[0, 255]，即0代表纯黑，1代表纯白，0~1之间的值则表示由深到浅的灰色。那么在对图像做加法的时候，就会产生一个问题：像素值为100的图片+像素值为100的图片，可以获得像素值为200的图片，但如果是150+150，两张图片相加之后的像素值超出255的范围怎么办？在这时候，有两种解决方案。

取模运算

一般来说我们可以直接使用+进行取模运算，即image_c = image_a + image_b。取模运算顾名思义，就是对运算结果取模，此时两个像素值的相加大家可以理解为：

def image_add(pixel_a, pixel_b):if pixel_a + pixel_b <= 255:return pixel_a + pixel_bif pixel_a + pixel_b > 255:return (pixel_a + pixel_b) % 255

也就是在不超出255范围时：100+100=200100+100=200100+100=200，在超出255范围时：150+150=(150+150)%255=45150+150=(150+150)\%255=45150+150=(150+150)%255=45。

饱和运算

饱和运算就更好理解了，两个像素值相加，如果超出255的限制，则直接取255。使用cv2.add(a, b)即可进行饱和运算。

取模运算和饱和运算的代码及效果图如下：

import cv2
image_a = cv2.imread('dog.jpeg', cv2.IMREAD_GRAYSCALE)
image_b= cv2.imread('cat.jpeg', cv2.IMREAD_GRAYSCALE)image_c = image_a + image_b
image_d = cv2.add(image_a, image_b)cv2.imshow('image_a', image_a)
cv2.imshow('image_b', image_b)
cv2.imshow('image_c', image_c)
cv2.imshow('image_d', image_d)
cv2.waitKey()
cv2.destroyAllWindows()

3.2 图像融合

图像融合其实也是图像加法的一种，图像融合为两张图像赋予了不同的权重，从而使图像具有混合或透明的感觉。在OpenCV中，可以使用cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])来进行图像融合，此函数会依据下列表达式来进行运算dst=src1∗alpha+src2∗beta+gammadst = src1 * alpha + src2 * beta + gammadst=src1∗alpha+src2∗beta+gamma，也就是对图片1和图片2分别乘一个系数后相加，并添加gamma作为偏置。图像融合的代码及效果图如下：

import cv2
image_a = cv2.imread('dog.jpeg', cv2.IMREAD_GRAYSCALE)
image_b= cv2.imread('cat.jpeg', cv2.IMREAD_GRAYSCALE)image_c = cv2.addWeighted(image_a, 0.5, image_b, 0.5, 0)cv2.imshow('image_a', image_a)
cv2.imshow('image_b', image_b)
cv2.imshow('image_c', image_c)
cv2.waitKey()
cv2.destroyAllWindows()

4 图像几何变换

4.1 图像缩放

图像缩放其实就是改变图像的大小、形状，可以用下列API来实现：

Image = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

这个API的参数较多，但其实很好理解，下面就是API的参数解释：

Image：输出图像
src：输入图像
dsize：输出图像的尺寸
fx：横坐标缩放比例
fy：纵坐标缩放比例
interpolation：缩放方式

在这些参数中，输入、输出图像都很好理解，输出图像的尺寸dsize是(宽，高)，fxfy一般可直接使用0-1的缩放比例，值得注意的一点是，在给定dsize时，就不用另外输入缩放比例了，而想使用缩放比例时，disze应输入None（不可不输入）。缩放方式一般不填，直接使用默认值即可，其他缩放方式如下：

INTER_NEAREST 最近邻插值
INTER_LINEAR 双线性插值（默认设置）
INTER_AREA 使用像素区域关系进行重采样。它可能是图像抽取的首选方法，因为它会产生无云纹理的结果。但是当图像缩放时，它类似于INTER_NEAREST方法。
INTER_CUBIC 4x4像素邻域的双三次插值
INTER_LANCZOS4 8x8像素邻域的Lanczos插值

图像缩放的代码如下：

import cv2
image = cv2.imread('dog.jpeg', cv2.IMREAD_GRAYSCALE)
print(image.shape)
>>> (224, 225)
image = cv2.resize(image,(175,175))
print(image.shape)
>>> (175, 175)

4.2 图像翻转

图像的翻转可以使用cv2.flip(src, flipCode)实现，在这个API中需要输入一个翻转的模式flipCode：

flipCode为0代表垂直翻转（沿X轴翻转）；
flipCode大于0代表水平翻转（沿Y轴翻转）；
flipCode小于0代表水平垂直翻转（先沿X轴翻转，再沿Y轴翻转，等价于旋转180°）

图片翻转的代码及样例图如下：

import cv2
image= cv2.imread('cat.jpeg', cv2.IMREAD_GRAYSCALE)
image = cv2.resize(image,(300,300))
image_a = cv2.flip(image, -1)
image_b = cv2.flip(image, 0)
image_c = cv2.flip(image, 1)cv2.imshow('image', image)
cv2.imshow('image_a', image_a)
cv2.imshow('image_b', image_b)
cv2.imshow('image_c', image_c)
cv2.waitKey()
cv2.destroyAllWindows()

4.3 图像旋转

图像的旋转比翻转要复杂一些，图像旋转过程中，要先求得旋转矩阵，而后在通过仿射变化函数对图像进行旋转。

cv2.getRotationMatrix2D(center, angle, scale) # 旋转矩阵
cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) → dst # 仿射变化

参数说明：

getRotationMatrix2D:

center–表示旋转的中心点
angle–表示旋转的角度degrees
scale–图像缩放因子

warpAffine:

src – 输入的图像
M – 2 X 3 的变换矩阵.
dsize – 输出的图像的size大小
dst – 输出的图像
flags – 输出图像的插值方法
borderMode – 图像边界的处理方式
borderValue – 当图像边界处理方式为BORDER_CONSTANT 时的填充值

图片旋转的代码及样例图如下（顺时针转90度）：

import cv2
image = cv2.imread('dog.jpeg', cv2.IMREAD_GRAYSCALE)
h, w = image.shapeM = cv2.getRotationMatrix2D((w//2,h//2),-90,1.0)
dst = cv2.warpAffine(image,M,(w,h))cv2.imshow('dst', dst)
cv2.waitKey()
cv2.destroyAllWindows()

5 图像平滑处理

5.1 均值滤波

均值滤波是最简单的滤波器，它取卷积核区域下所有像素的平均值并替换中心元素，均值滤波的代码及样例图如下：

import cv2
image = cv2.imread('dog.jpeg')
img_mean = cv2.blur(image, (5,5)) # 原图，核心大小
cv2.imshow('image', image)
cv2.imshow('img_mean', img_mean)
cv2.waitKey()
cv2.destroyAllWindows()

5.2 中值滤波

中值滤波器是一种非线性滤波器，它的基本原理是：选择待处理像素的一个邻域中各像素值的中值来代替待处理的像素。它能使某像素的灰度值与周围领域内的像素比较接近，从而消除一些孤立的噪声点，所以中值滤波器能够很好的消除椒盐噪声。中值滤波的代码及样例图如下：

import cv2
image = cv2.imread('dog.jpeg')
img_median = cv2.medianBlur(image, 5) # 原图，核心大小
cv2.imshow('image', image)
cv2.imshow('img_median', img_median)
cv2.waitKey()
cv2.destroyAllWindows()

5.3 高斯滤波

高斯滤波也是一种常见的滤波器，与中值滤波不同的是，它是使用高斯核心来计算的：
h(x,y)=e−(x2+y2)2σ2h(x,y)=e^{\frac{-(x^2+y^2)}{2\sigma^2}} h(x,y)=e2σ2−(x2+y2)
其中(x,y)(x,y)(x,y)是图像中的点的坐标, σ\sigmaσ为标准差。x和y都是代表以核中心点为坐标原点的坐标值，对于而言 σ\sigmaσ，当 σ\sigmaσ比较小的时候，生成的高斯模板中心的系数比较大，而周围的系数比较小，这样对图像的平滑效果不明显。当比较大时 σ\sigmaσ，生成的模板的各个系数相差就不是很大，比较类似于均值模板，对图像的平滑效果比较明显。高斯滤波的代码及样例图如下：

import cv2
image = cv2.imread('dog.jpeg')
img_Guassian = cv2.GaussianBlur(image,(5,5),0) # 原图，核心大小，sigma
cv2.imshow('image', image)
cv2.imshow('img_Guassian', img_Guassian)
cv2.waitKey()
cv2.destroyAllWindows()

5.4 双边滤波

双边滤波是一种非线性滤波方法，是结合了图像的邻近度和像素值相似度的一种折中，在滤除噪声的同时可以保留原图的边缘信息。整个双边滤波是由两个函数构成：一个函数是由空间距离决定的滤波器系数，另外一个诗由像素差值决定的滤波器系数，双边滤波具体计算过程在这里就不赘述了。双边滤波的代码及样例图如下：

import cv2
image = cv2.imread('dog.jpeg')
img_bilater = cv2.bilateralFilter(image,9,75,75)
cv2.imshow('image', image)
cv2.imshow('img_bilater', img_bilater)
cv2.waitKey()
cv2.destroyAllWindows()

OpenCV常用操作相关推荐

opencv 常用操作 c++
图像水平垂直方向拼接: cv::vconcat(B,C,A); // 等同于A=[B ;C] cv::hconcat(B,C,A); // 等同于A=[B C] 初始化Mat: cv::Mat edg ...
opencv 图像操作，常用 OpenCV 内置函数
OpenCV 如何对图像的像素进行操作对图像的像素进行操作,我们可以实现空间增强,反色,大部分图像特效系列都是基于像素操作等目的.先来看一下内存空间中图像矩阵,也就是Mat的矩阵数值部分是怎么存储的 ...
OpenCV形态学操作
OpenCV形态学操作本文转载自:http://blog.csdn.net/byxdaz/article/details/5775717 一.图像腐蚀膨胀细化的基本原理 1．图像细化的基本原 ...
Eigen：：常用操作[转]
Opencv::Mat 与 Eigen互转 Opencv::Mat转Eigen #include <Eigen/Dense> #include <iostream> #incl ...
【无标题】c++ MFC图像处理CImage类常用操作代码
原文作者:aircraft 原文地址:https://www.cnblogs.com/DOMLX/p/9598974.html 我看了一下发现关于c++下的CImage图像处理类的图像处理相关的介绍 ...
Opencv的使用小教程2——Opencv常用图像处理函数汇总
Opencv的使用小教程2--Opencv常用图像处理函数汇总 1.blur 2.GaussianBlur 3.medianBlur 4.bilateralFilter 5.腐蚀和膨胀 6.morph ...
TensorFlow常用操作：代码示例
1,定义矩阵代码示例: import tensorflow as tftf.zeros([3,4]) #定义3行4列元素均为0的矩阵tensor=tf.constant([1,2,3,4])#定义一维 ...
Ubuntu 常用操作
Ubuntu常用操作外观操作修改应用icon图标终端美化内存管理内存查询分区管理日志清理操作执行自动执行多条命令外观操作修改应用icon图标在/usr/share/applic ...
IOS沙盒Files目录说明和常用操作
- (BOOL)application:(UIApplication *)application didFinishLaunchingWithOptions:(NSDictionary *)launc ...

OpenCV常用操作