OpenCV与图像处理学习一——图像基础知识、读入、显示、保存图像、灰度转化、通道分离与合并

一、图像基础知识
- 1.1 数字图像的概念
- 1.2 数字图像的应用
- 1.3 OpenCV介绍
二、图像属性
- 2.1 图像格式
- 2.2 图像尺寸
- - 2.2.1 读入图像
  - 2.2.2 显示图像
  - 2.2.3 保存图像
- 2.3 图像分辨率和通道数
- - 2.3.1 灰度转化
  - 2.3.2 RGB与BGR转化
  - 2.3.3 通道分离
  - 2.3.4 通道合并

图像处理与OpenCV作为CV方向的基础，在正式系统地学习论文之前，有必要对其进行系统的学习。而OpenCV作为使用最为广泛的图像处理工具包，这里将其作为学习的工具，因为较为熟悉python，所以使用OpenCV的python接口来完成代码。

图像处理与OpenCV的学习主要包括五个部分：

图像基础知识
图像处理
图像分割
图像特征与目标检测
运动目标识别（视频）

ps：OpenCV-python版的官方文档：https://docs.opencv.org/4.1.2/d6/d00/tutorial_py_root.html

一、图像基础知识

1.1 数字图像的概念

数字图像又称为数码图像或数位图像，是二维图像用有限数字数值像素的表示，由数组成矩阵来表示。下图是一个例子：

我们看见的图像在计算机中其实是由一个个像素组成的，每个像素有其具体数值。

也可以理解为一个二维函数 f(x,y)，其中x和y是空间（平面）坐标，而在任意坐标处幅值 f 称为图像在该点处的强度或灰度。

1.2 数字图像的应用

图像处理、机器视觉与人工智能的关系：

图像处理主要研究二维检测，处理一个图像或一组图像之间的相互转换的过程，包括图像滤波、图像识别、图像分割等问题。
机器视觉主要研究映射到单幅或多幅图像上的三维场景，从图像中提取抽象的语义信息，实现图像理解是CV的终极目标。
人工智能在计算机视觉上的目标就是解决像素值和语义之间的关系，主要的问题有图片检测、图片识别、图片分割和检索等。

1.3 OpenCV介绍

OpenCV于1999年由Intel建立；是一个开源发行的跨平台计算机视觉库；支持的操作系统有Linux、Windows、Android、macOS。

由C函数与少量C++类构成，支持Python、Java、MATLAB等接口，是数字图像处理和CV领域最常见的工具包，是学习、科研、企业项目的好帮手。

OpenCV的安装（默认python已经安装）：

打开命令行，输入以下命令，即可自动下载安装：

pip install opencv-contrib-python

二、图像属性

2.1 图像格式

常见的图像格式如下所示：

BMP格式：这是Windows系统下的标准位图格式，未经过压缩，一般图像文件会比较大，后缀为.bmp。
JPEG格式：应用最广泛的图片格式之一，它采用一种特殊的有损压缩算法，达到比较大的压缩比（可达到2:1甚至40:1），后缀名为.jpg或.jpeg。
GIF格式：不仅可以是一张静图，也可以是动图，并且支持透明背景图像，适用于多种操作系统，“体型”很小，网上很多小动画都是GIF格式。但是其色域不太广，只支持256色。
PNG格式：与JPG格式类似，压缩比高于GIF，支持图像透明，支持Alpha通道调节图像的透明度。
TIFF格式：图像格式复杂，存贮信息多，在Mac中广泛使用，非常有利于原稿的复制，很多地方将TIFF格式用于印刷。

2.2 图像尺寸

图像尺寸的长度和宽度是以像素为单位的，比如下面图片的尺寸是240×150，这个数字的单位就是像素。那么像素具体是什么含义？

像素pixel：

像素是数码影像最基本的单位。1.1那张图中数字化后图片变成了一个个小格子组成的大矩阵，每个小格子就是一个像素，它里面会有一个值，灰度像素点的值的范围在0~255之间，0表示黑色，255表示白色，其他值是介于黑白之间的不同灰；

如果是彩色图，会需要用到红、绿、蓝三个通道的二维矩阵来表示，在每个通道中，每个值也介于0~255之间，0表示相应的基色，而255表示相应基色在该像素中取得的最大值。

2.2.1 读入图像

cv2.imread(  filename[, flags]   )

参数：第一个参数为读入图像的路径；第二个则是读取的方式，常见方式有：

cv2.IMREAD_COLOR：默认方式，读取彩色图像，也可以用 1 来表示。
cv2.IMREAD_GRAYSCALE：读取图像为灰度图，也可以用 0 来表示。
cv2.IMREAD_UNCHANGED：读取彩色图，并且包括透明度通道，也可以用 -1 来表示。

举例：

# 导入opencv的python版本依赖库cv2
import cv2
# 使用opencv中imread函数读取图片，
# 0代表灰度图形式打开，1代表彩色形式打开
img = cv2.imread('split.jpg', 1)
print(img.shape)

输出为这张图片的尺寸（shape）：

(459, 571, 3)

2.2.2 显示图像

cv2.imshow(  winname, mat )

参数：第一个参数为窗口的名字（显示图片必须先有一个窗口），第二个参数为图像变量名。

举例：

# 导入opencv的python版本依赖库cv2
import cv2
# 使用opencv中imread函数读取图片，
# 0代表灰度图形式打开，1代表彩色形式打开
img = cv2.imread('split.jpg', 1)
print(img.shape)
# print(img)cv2.imshow('photo', img)
k = cv2.waitKey(0)
if k == 27:   # 输入ESC键退出cv2.destroyAllWindows()
elif k == ord('s'): # 输入S键保存图片并退出cv2.imwrite('split_.jpg', img)
cv2.destroyAllWindows()

其中cv2.waitKey()函数是一个键盘绑定函数，单位为毫秒，即程序等待键盘输入多少毫秒，在这等待的时间内从键盘输入的键值会赋给k，然后k去进行下一步程序，如cv2.waitKey(1000)就是等待1s；如果参数值为0，则表示一直等待直到键盘有输入。

另外，cv2.destroyAllWindows()函数表示删除窗口，默认删除所有窗口，参数为待删窗口名。

2.2.3 保存图像

cv2.imwrite( filename, img[, params] )

参数：第一个参数为希望保存成的图像名（包括格式（后缀）），第二个参数为待写入的图像变量名。

2.2.2的代码已经给出了举例。

2.3 图像分辨率和通道数

分辨率是指单位长度中所表达或截取的像素数目。每英寸图像内的像素点数，单位是像素每英寸（ppi）。图像的分辨率越高，像素点密度越高，图像越清晰。

通道数是指图像的位深度，描述图像中每个pixel数值所占的二进制位数。位深度越大则图像能表示的颜色数越多，色彩就越丰富。有以下几种位深度：

8位：单通道图像，也就是灰度图，灰度值取值种类为2 ^ 8 = 256种，即0~255。
24位：三通道，彩色图像，每个通道都有8位。
32位：三通道彩色图像加上透明度Alpha通道。

2.3.1 灰度转化

目的：将彩色图转化为灰度图。
公式：

3通道彩图->1通道灰图：GRAY = B * 0.114 + G * 0.587 + R * 0.299
1通道灰图->3通道灰图：R = G = B = GRAY；A = 0

函数为：

cv2.cvtColor(    src, code[, dst[, dstCn]]   )

参数：第一个参数就是待转化的图像变量；第二个参数是转换模式，OpenCV有二百多种模式转换，具体可以通过以下代码查看：

>>> import cv2 as cv
>>> flags = [i for i in dir(cv) if i.startswith('COLOR_')]
>>> print( flags )

输出如下：

['COLOR_BAYER_BG2BGR', 'COLOR_BAYER_BG2BGRA', 'COLOR_BAYER_BG2BGR_EA', 'COLOR_BAYER_BG2BGR_VNG', 'COLOR_BAYER_BG2GRAY', 'COLOR_BAYER_BG2RGB', 'COLOR_BAYER_BG2RGBA', 'COLOR_BAYER_BG2RGB_EA', 'COLOR_BAYER_BG2RGB_VNG', 'COLOR_BAYER_GB2BGR', 'COLOR_BAYER_GB2BGRA', 'COLOR_BAYER_GB2BGR_EA', 'COLOR_BAYER_GB2BGR_VNG', 'COLOR_BAYER_GB2GRAY', 'COLOR_BAYER_GB2RGB', 'COLOR_BAYER_GB2RGBA', 'COLOR_BAYER_GB2RGB_EA', 'COLOR_BAYER_GB2RGB_VNG', 'COLOR_BAYER_GR2BGR', 'COLOR_BAYER_GR2BGRA', 'COLOR_BAYER_GR2BGR_EA', 'COLOR_BAYER_GR2BGR_VNG', 'COLOR_BAYER_GR2GRAY', 'COLOR_BAYER_GR2RGB', 'COLOR_BAYER_GR2RGBA', 'COLOR_BAYER_GR2RGB_EA', 'COLOR_BAYER_GR2RGB_VNG', 'COLOR_BAYER_RG2BGR', 'COLOR_BAYER_RG2BGRA', 'COLOR_BAYER_RG2BGR_EA', 'COLOR_BAYER_RG2BGR_VNG', 'COLOR_BAYER_RG2GRAY', 'COLOR_BAYER_RG2RGB', 'COLOR_BAYER_RG2RGBA', 'COLOR_BAYER_RG2RGB_EA', 'COLOR_BAYER_RG2RGB_VNG', 'COLOR_BGR2BGR555', 'COLOR_BGR2BGR565', 'COLOR_BGR2BGRA', 'COLOR_BGR2GRAY', 'COLOR_BGR2HLS', 'COLOR_BGR2HLS_FULL', 'COLOR_BGR2HSV', 'COLOR_BGR2HSV_FULL', 'COLOR_BGR2LAB', 'COLOR_BGR2LUV', 'COLOR_BGR2Lab', 'COLOR_BGR2Luv', 'COLOR_BGR2RGB', 'COLOR_BGR2RGBA', 'COLOR_BGR2XYZ', 'COLOR_BGR2YCR_CB', 'COLOR_BGR2YCrCb', 'COLOR_BGR2YUV', 'COLOR_BGR2YUV_I420', 'COLOR_BGR2YUV_IYUV', 'COLOR_BGR2YUV_YV12', 'COLOR_BGR5552BGR', 'COLOR_BGR5552BGRA', 'COLOR_BGR5552GRAY', 'COLOR_BGR5552RGB', 'COLOR_BGR5552RGBA', 'COLOR_BGR5652BGR', 'COLOR_BGR5652BGRA', 'COLOR_BGR5652GRAY', 'COLOR_BGR5652RGB', 'COLOR_BGR5652RGBA', 'COLOR_BGRA2BGR', 'COLOR_BGRA2BGR555', 'COLOR_BGRA2BGR565', 'COLOR_BGRA2GRAY', 'COLOR_BGRA2RGB', 'COLOR_BGRA2RGBA', 'COLOR_BGRA2YUV_I420', 'COLOR_BGRA2YUV_IYUV', 'COLOR_BGRA2YUV_YV12', 'COLOR_BayerBG2BGR', 'COLOR_BayerBG2BGRA', 'COLOR_BayerBG2BGR_EA', 'COLOR_BayerBG2BGR_VNG', 'COLOR_BayerBG2GRAY', 'COLOR_BayerBG2RGB', 'COLOR_BayerBG2RGBA', 'COLOR_BayerBG2RGB_EA', 'COLOR_BayerBG2RGB_VNG', 'COLOR_BayerGB2BGR', 'COLOR_BayerGB2BGRA', 'COLOR_BayerGB2BGR_EA', 'COLOR_BayerGB2BGR_VNG', 'COLOR_BayerGB2GRAY', 'COLOR_BayerGB2RGB', 'COLOR_BayerGB2RGBA', 'COLOR_BayerGB2RGB_EA', 'COLOR_BayerGB2RGB_VNG', 'COLOR_BayerGR2BGR', 'COLOR_BayerGR2BGRA', 'COLOR_BayerGR2BGR_EA', 'COLOR_BayerGR2BGR_VNG', 'COLOR_BayerGR2GRAY', 'COLOR_BayerGR2RGB', 'COLOR_BayerGR2RGBA', 'COLOR_BayerGR2RGB_EA', 'COLOR_BayerGR2RGB_VNG', 'COLOR_BayerRG2BGR', 'COLOR_BayerRG2BGRA', 'COLOR_BayerRG2BGR_EA', 'COLOR_BayerRG2BGR_VNG', 'COLOR_BayerRG2GRAY', 'COLOR_BayerRG2RGB', 'COLOR_BayerRG2RGBA', 'COLOR_BayerRG2RGB_EA', 'COLOR_BayerRG2RGB_VNG', 'COLOR_COLORCVT_MAX', 'COLOR_GRAY2BGR', 'COLOR_GRAY2BGR555', 'COLOR_GRAY2BGR565', 'COLOR_GRAY2BGRA', 'COLOR_GRAY2RGB', 'COLOR_GRAY2RGBA', 'COLOR_HLS2BGR', 'COLOR_HLS2BGR_FULL', 'COLOR_HLS2RGB', 'COLOR_HLS2RGB_FULL', 'COLOR_HSV2BGR', 'COLOR_HSV2BGR_FULL', 'COLOR_HSV2RGB', 'COLOR_HSV2RGB_FULL', 'COLOR_LAB2BGR', 'COLOR_LAB2LBGR', 'COLOR_LAB2LRGB', 'COLOR_LAB2RGB', 'COLOR_LBGR2LAB', 'COLOR_LBGR2LUV', 'COLOR_LBGR2Lab', 'COLOR_LBGR2Luv', 'COLOR_LRGB2LAB', 'COLOR_LRGB2LUV', 'COLOR_LRGB2Lab', 'COLOR_LRGB2Luv', 'COLOR_LUV2BGR', 'COLOR_LUV2LBGR', 'COLOR_LUV2LRGB', 'COLOR_LUV2RGB', 'COLOR_Lab2BGR', 'COLOR_Lab2LBGR', 'COLOR_Lab2LRGB', 'COLOR_Lab2RGB', 'COLOR_Luv2BGR', 'COLOR_Luv2LBGR', 'COLOR_Luv2LRGB', 'COLOR_Luv2RGB', 'COLOR_M_RGBA2RGBA', 'COLOR_RGB2BGR', 'COLOR_RGB2BGR555', 'COLOR_RGB2BGR565', 'COLOR_RGB2BGRA', 'COLOR_RGB2GRAY', 'COLOR_RGB2HLS', 'COLOR_RGB2HLS_FULL', 'COLOR_RGB2HSV', 'COLOR_RGB2HSV_FULL', 'COLOR_RGB2LAB', 'COLOR_RGB2LUV', 'COLOR_RGB2Lab', 'COLOR_RGB2Luv', 'COLOR_RGB2RGBA', 'COLOR_RGB2XYZ', 'COLOR_RGB2YCR_CB', 'COLOR_RGB2YCrCb', 'COLOR_RGB2YUV', 'COLOR_RGB2YUV_I420', 'COLOR_RGB2YUV_IYUV', 'COLOR_RGB2YUV_YV12', 'COLOR_RGBA2BGR', 'COLOR_RGBA2BGR555', 'COLOR_RGBA2BGR565', 'COLOR_RGBA2BGRA', 'COLOR_RGBA2GRAY', 'COLOR_RGBA2M_RGBA', 'COLOR_RGBA2RGB', 'COLOR_RGBA2YUV_I420', 'COLOR_RGBA2YUV_IYUV', 'COLOR_RGBA2YUV_YV12', 'COLOR_RGBA2mRGBA', 'COLOR_XYZ2BGR', 'COLOR_XYZ2RGB', 'COLOR_YCR_CB2BGR', 'COLOR_YCR_CB2RGB', 'COLOR_YCrCb2BGR', 'COLOR_YCrCb2RGB', 'COLOR_YUV2BGR', 'COLOR_YUV2BGRA_I420', 'COLOR_YUV2BGRA_IYUV', 'COLOR_YUV2BGRA_NV12', 'COLOR_YUV2BGRA_NV21', 'COLOR_YUV2BGRA_UYNV', 'COLOR_YUV2BGRA_UYVY', 'COLOR_YUV2BGRA_Y422', 'COLOR_YUV2BGRA_YUNV', 'COLOR_YUV2BGRA_YUY2', 'COLOR_YUV2BGRA_YUYV', 'COLOR_YUV2BGRA_YV12', 'COLOR_YUV2BGRA_YVYU', 'COLOR_YUV2BGR_I420', 'COLOR_YUV2BGR_IYUV', 'COLOR_YUV2BGR_NV12', 'COLOR_YUV2BGR_NV21', 'COLOR_YUV2BGR_UYNV', 'COLOR_YUV2BGR_UYVY', 'COLOR_YUV2BGR_Y422', 'COLOR_YUV2BGR_YUNV', 'COLOR_YUV2BGR_YUY2', 'COLOR_YUV2BGR_YUYV', 'COLOR_YUV2BGR_YV12', 'COLOR_YUV2BGR_YVYU', 'COLOR_YUV2GRAY_420', 'COLOR_YUV2GRAY_I420', 'COLOR_YUV2GRAY_IYUV', 'COLOR_YUV2GRAY_NV12', 'COLOR_YUV2GRAY_NV21', 'COLOR_YUV2GRAY_UYNV', 'COLOR_YUV2GRAY_UYVY', 'COLOR_YUV2GRAY_Y422', 'COLOR_YUV2GRAY_YUNV', 'COLOR_YUV2GRAY_YUY2', 'COLOR_YUV2GRAY_YUYV', 'COLOR_YUV2GRAY_YV12', 'COLOR_YUV2GRAY_YVYU', 'COLOR_YUV2RGB', 'COLOR_YUV2RGBA_I420', 'COLOR_YUV2RGBA_IYUV', 'COLOR_YUV2RGBA_NV12', 'COLOR_YUV2RGBA_NV21', 'COLOR_YUV2RGBA_UYNV', 'COLOR_YUV2RGBA_UYVY', 'COLOR_YUV2RGBA_Y422', 'COLOR_YUV2RGBA_YUNV', 'COLOR_YUV2RGBA_YUY2', 'COLOR_YUV2RGBA_YUYV', 'COLOR_YUV2RGBA_YV12', 'COLOR_YUV2RGBA_YVYU', 'COLOR_YUV2RGB_I420', 'COLOR_YUV2RGB_IYUV', 'COLOR_YUV2RGB_NV12', 'COLOR_YUV2RGB_NV21', 'COLOR_YUV2RGB_UYNV', 'COLOR_YUV2RGB_UYVY', 'COLOR_YUV2RGB_Y422', 'COLOR_YUV2RGB_YUNV', 'COLOR_YUV2RGB_YUY2', 'COLOR_YUV2RGB_YUYV', 'COLOR_YUV2RGB_YV12', 'COLOR_YUV2RGB_YVYU', 'COLOR_YUV420P2BGR', 'COLOR_YUV420P2BGRA', 'COLOR_YUV420P2GRAY', 'COLOR_YUV420P2RGB', 'COLOR_YUV420P2RGBA', 'COLOR_YUV420SP2BGR', 'COLOR_YUV420SP2BGRA', 'COLOR_YUV420SP2GRAY', 'COLOR_YUV420SP2RGB', 'COLOR_YUV420SP2RGBA', 'COLOR_YUV420p2BGR', 'COLOR_YUV420p2BGRA', 'COLOR_YUV420p2GRAY', 'COLOR_YUV420p2RGB', 'COLOR_YUV420p2RGBA', 'COLOR_YUV420sp2BGR', 'COLOR_YUV420sp2BGRA', 'COLOR_YUV420sp2GRAY', 'COLOR_YUV420sp2RGB', 'COLOR_YUV420sp2RGBA', 'COLOR_mRGBA2RGBA']

那么这里的灰度转化需要用到的是cv2.COLOR_BGR2GRAY和cv2.COLOR_GRAY2BGR。

举例如下：

# 导入opencv
import cv2
# 读入原始图像，使用cv2.IMREAD_UNCHANGED
img = cv2.imread("girl.jpg", cv2.IMREAD_UNCHANGED)
# 查看打印图像的shape
shape = img.shape
print(shape)
# 判断通道数是否为3通道或4通道
if shape[2] == 3 or shape[2] == 4 :# 将彩色图转化为单通道图img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.imshow("gray_image", img_gray)
cv2.imshow("image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

显示出来的原图与灰度化之后的图为：

这里的灰度图是单通道的，若将此时的img_gray 再通过cv2.COLOR_GRAY2BGR转为三通道的图，它将还是灰度图，只是通道数变成了三个，三通道每个像素上的B、G、R值都相等，且等于img_gray 的那个像素，代码如下所示：

# 导入opencv
import cv2
# 读入灰度图
img = cv2.imread("girl_gray.jpg", cv2.IMREAD_UNCHANGED)
# 查看打印图像的shape
shape = img.shape
print(shape)
img_color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
print(img_color.shape)
cv2.imshow("color_image", img_color)
cv2.imshow("image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如图所示：

视觉上细看还是有些许不同，我们搞清楚它们在计算机内的区别就行，再看下原图、单通道灰度图、三通道灰度图的尺寸区别：

原图: (500, 500, 3)
单通道灰度图： (500, 500)
三通道灰度图： (500, 500, 3)

2.3.2 RGB与BGR转化

方法一：用OpenCV自带的方法

# 导入opencv
import cv2
# 读入图
img = cv2.imread("dark2.jpg", cv2.IMREAD_COLOR)
cv2.imshow("Origin", img)
img_cv_method = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
cv2.imshow("After transform", img_cv_method)cv2.waitKey(0)
cv2.destroyAllWindows()

方法二：用numpy转换，本质就是互换B和R通道，所以将方法一的代码中的cvtColor函数的那一行替换为

img_cv_method = img[:, :, ::-1]

效果是一样的，得到的原图和转换之后的图的显示如下所示：

2.3.3 通道分离

目的：将彩色图像分成B、G、R三个单通道图像，方便我们对BGR三个通道分别操作。

函数：

cv.split(    m[, mv] )

参数：待分离通道的图像。

举例：

# 加载opencv
import cv2
src = cv2.imread('split.jpg')
cv2.imshow('before', src)
# 调用通道分离
b, g, r = cv2.split(src)
# 三通道分别显示
cv2.imshow('blue', b)
cv2.imshow('green', g)
cv2.imshow('red', r)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下所示：

分离出来的每个通道都是一个灰度图。如果我们想看它们是对应通道的颜色，可以用下面的代码：

# 导入opencv模块
import numpy as np
import cv2image = cv2.imread("split.jpg")  # 读取要处理的图片
cv2.imshow("src", image)
cv2.waitKey(0)
B, G, R = cv2.split(image)  # 分离出图片的B，R，G颜色通道zeros = np.zeros(image.shape[:2], dtype="uint8")  # 创建与image相同大小的零矩阵
cv2.imshow("BLUE", cv2.merge([B, zeros, zeros]))  # 显示 （B，0，0）图像
cv2.imshow("GREEN", cv2.merge([zeros, G, zeros]))  # 显示（0，G，0）图像
cv2.imshow("RED", cv2.merge([zeros, zeros, R]))  # 显示（0，0，R）图像
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下所示：

这里我们可以看出，单通道是没有颜色的，只有数值，R、G、B颜色要放在三通道中才能显示出来。

2.3.4 通道合并

目的：三个单独的通道合并为一个彩图。

函数：

cv.merge(    mv[, dst]   )

参数：待合并的通道数，以list形式输入。

举例：

#加载opencv
import cv2
src=cv2.imread('split.jpg')
cv2.imshow('before',src)
#调用通道分离
b,g,r=cv2.split(src)
#将Blue通道数值修改为0
b[:] = 0
#合并修改后的通道
img_merge=cv2.merge([b,g,r])
cv2.imshow('merge',img_merge)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下所示：

OpenCV与图像处理学习一——图像基础知识、读入、显示、保存图像、灰度转化、通道分离与合并相关推荐

opencv进阶学习笔记2：numpy操作图像，色彩空间，查找指定颜色范围，通道分离与合并
基础部分传送门 python3+opencv学习笔记汇总目录(适合基础入门学习) 进阶版笔记目录: python+opencv进阶版学习笔记目录(适合有一定基础) Numpy操作图像 1.遍历图像每一 ...
OpenCV与图像处理学习十二——图像形状特征之HOG特征
OpenCV与图像处理学习十二--图像形状特征之HOG特征一.图像特征理解 1.1 颜色特征 1.2 纹理特征 1.3 形状特征 1.4 空间关系特征二.形状特征描述 2.1 HOG特征 2.1. ...
OpenCV与图像处理学习二——图像直方图与色彩空间
OpenCV与图像处理学习二--图像直方图与色彩空间 2.4 图像直方图(Image Histogram) 2.4.1 直方图的绘制 2.4.2 三通道直方图绘制 2.5 颜色空间 2.5.1 RGB ...
OpenCV与图像处理学习六——图像形态学操作：腐蚀、膨胀、开、闭运算、形态学梯度、顶帽和黑帽
OpenCV与图像处理学习六--图像形态学操作:腐蚀.膨胀.开.闭运算.形态学梯度.顶帽和黑帽四.图像形态学操作 4.1 腐蚀和膨胀 4.1.1 图像腐蚀 4.1.2 图像膨胀 4.2 开运算与闭运 ...
OpenCV与图像处理学习五——图像滤波与增强：线性、非线性滤波、直方图均衡化与Gamma变换
OpenCV与图像处理学习五--图像滤波与增强:线性.非线性滤波.直方图均衡化与Gamma变换三.图像滤波与增强 3.1 线性滤波 3.1.1 方框滤波 3.1.2 均值滤波 3.1.3 高斯滤波 ...
图像基础知识学习笔记
图像基础知识学习笔记文章目录图像基础知识学习笔记前言一.图像基础知识相关笔记 1.光学系统影响图像的结构主要包括什么? 2.常见噪声都有什么,其分类,及特点? 3.光圈,快门,景深? 4. I ...
OpenCV与图像处理学习八——图像边缘提取（Canny检测代码）
OpenCV与图像处理学习八--图像边缘提取(Canny检测代码) 一.图像梯度 1.1 梯度 1.2 图像梯度二.梯度图与梯度算子 2.1模板卷积 2.2 梯度图 2.3 梯度算子 2.3.1 R ...
OpenCV与图像处理学习三——线段、矩形、圆、椭圆、多边形的绘制以及文字的添加
OpenCV与图像处理学习三--线段.矩形.圆.椭圆.多边形的绘制以及文字的添加一.OpenCV中的绘图函数 1.1 线段绘制 1.2 矩形绘制 1.3 圆绘制 1.4 椭圆的绘制 1.5 多边形绘 ...
深度学习图像识别：基础知识与环境搭建
深度学习图像识别:基础知识与环境搭建 1. 深度学习的基本原理什么是人工智能? 通过学习掌握了某中技能的机器,我们认为它具备了人工智能什么是深度学习? 深度学习的概念源于人工神经网络的研究: 含多 ...

OpenCV与图像处理学习一——图像基础知识、读入、显示、保存图像、灰度转化、通道分离与合并

OpenCV与图像处理学习一——图像基础知识、读入、显示、保存图像、灰度转化、通道分离与合并

一、图像基础知识

1.1 数字图像的概念

1.2 数字图像的应用

1.3 OpenCV介绍

二、图像属性

2.1 图像格式

2.2 图像尺寸

2.2.1 读入图像

2.2.2 显示图像

2.2.3 保存图像

2.3 图像分辨率和通道数

2.3.1 灰度转化

2.3.2 RGB与BGR转化

2.3.3 通道分离

2.3.4 通道合并

OpenCV与图像处理学习一——图像基础知识、读入、显示、保存图像、灰度转化、通道分离与合并相关推荐

最新文章

热门文章