opencv python教程简书_opencv轻松入门面向python「建议收藏」

前言

最近为了做人脸识别的比赛项目，自己学习了一下openCV的简单操作，
发几篇博文把学到的东西总结一下。慢慢码，不定期更新。

openCV简介

OpenCV（open指开源，CV是computer vision 计算机视觉的缩写）是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。

openCV的安装

在cmd中使用 pip install  opencv-python 直接安装

入门操作

1.读取、展示图片

openCV对图片处理的大概流程是这样的：

• 使用cv2下的imread函数读入图片；
• 对图片进行处理（灰度转化、模糊、掩膜等）；
• 使用imshow函数展示图片

接下来具体介绍一些每个函数及其参数。

cv2.imread(filename, flag=1) 读入图片

参数1：读入图片的路径；
参数2：标志量，如果flag=1，读入的为原图片；flag=0，读入灰度图；默认为1
返回值：返回值为一个矩阵，第一维是矩阵的长，第二维是矩阵的宽，第三维为图片的通道数。（如果flag=1则没有第三维）。

cv2.imshow(windowName, img) 显示图片

参数1：展示图片的窗口的名字；
参数2：需要展示的图片矩阵；

import cv2

# 导入图片
img = cv2.imread("../picture/01.jpg", 1)
print(img.shape)        # 查看图片矩阵形状
print(img)              # 查看图片矩阵

cv2.imshow("Output", img)   # imshow显示图片
# delay单位是毫秒，默认为0，waitkey函数意为窗口在delay秒后自动关闭，delay为0则无限等待
cv2.waitKey(0)    

效果：

2.读取视频

openCV中提供了读取视频的方法VideoCapture()
方法本质是将视频拆分成一张张图片，然后送入while循环中逐次读取出来，然后imshow在窗口当中。

cv2.VideoCapture(filename/deviceID)

函数传入的参数为视频的路径或者是摄像头id编号（笔记本摄像头默认编号为0）

import  cv2

# 调用摄像头只需更改视频路径为 0， 其他代码无需改动
cap = cv2.VideoCapture("./video/01.mp4")

while True:
    # 第一个变量bool类型用来判断，read（）函数是否成功执行，将捕获的信息存在img中
    success, img = cap.read()
    cv2.imshow("video", img)
    # 设置每张图片等待一毫秒消失，并且设置键盘输入q则结束视频的读取
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

结果：

图片处理

在此板块中，会介绍一些基本的图片处理方法。

1.图片转化为灰度图

转化为灰度图的目的一般情况下是为了减少图片处理的计算量 。自然界中,颜色本身非常容易受到光照的影响，rgb变化很大，反而梯度信息能提供更本质的信息。三通道转为一通道后，运算量大大减少。

cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

参数1：原图片矩阵
参数2：openCV中提供了很多设定好的参数，BGR2GRAY参数意为BGR图片转化到灰度图，其他参数不一一赘述。
返回值：一个二维的灰度图数组。

2.高斯模糊

进行高斯模糊的目的主要是对图像进行去噪声（无用的干扰特征），同时能够更多的保留图像的总体灰度分布特征。

cv2.GaussianBlur(src, ksize, sigmaX, sigmaY)

src: 图片输入路径。
ksize：运算用滑动窗口大小，窗口矩阵必须为奇数（高斯操作原因）。
sigmaX:X方向上的高斯核标准偏差。
sigmaY:Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出。
返回值：一个与src同规格的经模糊后图像。

3.边缘查找

使用cv2中提供的Canny函数进行图片的边缘查找

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient[[[）

image:输入图像
threshold1:设置的低阈值
threshold2:设置的高阈值，一般高低阈值的比例为3：1或者2：1
（根据图片边缘寻找情况，自行调整高低闸值）
返回值：一个带有边缘显示的图像。

4.腐蚀&膨胀腐蚀：

1. 腐蚀会把物体的边界腐蚀掉，卷积核沿着图象滑动，如果卷积核对应的原图的所有像素值为1，那么中心元素就保持原来的值，否则变为零。主要应用在去除白噪声，也可以断开连在一起的物体。
2. 膨胀：卷积核所对应的原图像的像素值只要有一个是1，中心像素值就是1。一般在除噪是，先腐蚀再膨胀，因为腐蚀在去除白噪声的时候也会使图像缩小，所以我们之后要进行膨胀。当然也可以用来将两者物体分开。

扩展：

开运算和闭运算

1.开运算和闭运算就是将腐蚀和膨胀按照一定的次序进行处理。 但这两者并不是可逆的，即先开后闭并不能得到原先的图像。
2.为了获取图像中的主要对象：对一副二值图连续使用闭运算和开运算，或者消除图像中的噪声，也可以对图像先用开运算后用闭运算，不过这样也会消除一些破碎的对象。

开运算：先腐蚀后膨胀，用于移除由图像噪音形成的斑点。
闭运算：先膨胀后腐蚀，用来连接被误分为许多小块的对象；

腐蚀操作 cv2.erode(img,kernel)

img: 输入图片路径。
kernel：用来操作的卷积核的大小。
返回值：腐蚀后的图像矩阵

膨胀操作 cv2.dilate(img,kernel)

img: 输入图片路径。
kernel：用来操作的卷积核的大小。
返回值：膨胀后的图像矩阵。

import cv2
import numpy as np

img = cv2.imread("../picture/01.jpg")
# 腐蚀与膨胀的卷积核的定义
kernel = np.ones((5, 5), np.uint8)
# 转化为灰度图
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# ksize()内核大小,blur模糊图像
imgBlur = cv2.GaussianBlur(imgGray, (7, 7), 0)

# 边缘检测, 第二三参数为闸值1，2
imgCanny = cv2.Canny(img, 150, 200)

# 膨胀,在边缘线模糊的情况下，进行增强
# 第二个参数为内核,第三个为对一幅图像进行迭代膨胀的次数
imgDialation = cv2.dilate(imgCanny, kernel=kernel, iterations=1)
# 腐蚀操作，与膨胀操作相反
imgEroded = cv2.erode(imgDialation, kernel, iterations=1)



cv2.imshow("Gray Image", imgGray)
cv2.imshow("Blur Image", imgBlur)
cv2.imshow("Canny Image", imgCanny)
cv2.imshow("Dialation Image", imgDialation)
cv2.imshow("Eroded Image", imgEroded)

cv2.waitKey(0)

效果图：
灰度图：

高斯模糊后：

边缘检测：

膨胀：

腐蚀：

5.裁剪&更改图片尺寸

更改图片尺寸

在很多时候需要对imread的图片进行大小的修改（神经网络的输入、在同一窗口中展示多张图片），openCV中提供了cv2.resize()函数来对图片的尺寸大小进行修改，本质是改变图片矩阵中像素点的数量。

cv2.resize(src, dsize, fX, fY,interpolation)

src: 输入图片路径。
dsize：输出图片大小，为一个一维两元素的列表/元组，分别指定宽和高。
fX：如果dsize为(0, 0)，则fX与fY生效，为X方向上缩放的倍率。
fY：y方向上缩放的倍率。
interpolation：表示插值方式，有以下几种：

• NTER_NEAREST – 最近邻插值
• INTER_LINEAR – 线性插值（默认）
• INTER_AREA – 区域插值
• INTER_CUBIC – 三次样条插值
• INTER_LANCZOS4 -Lanczos插值
  返回值：经过大小变换的新图象。

# resize参数 : 路径,输出图片大小(如果设置缩放,输出图片为(0,0), x缩放,y缩放, 插入方式
imgResize = cv2.resize(img, (250, 150))
cv2.imshow("Resize", imgResize)
cv2.waitKey(0)   

裁剪图片（通过切割图片矩阵实现）

在计算机中，图像是以矩阵的形式保存的（先行后列）。

比如一张宽度640像素、长度480像素的灰度图保存在一个480 * 640的矩阵中。
openCV中，默认的坐标系是从屏幕的左上方开始，向左为X，向右为Y。
虽然openCV中设置横方向为x坐标，但是在切割图片矩阵的时候是以img[height, weight]的方式进行切割的。

# 裁剪图像, 先写高度，再写宽度
imgCrope = img[0:200, 200:500]
cv2.imshow("Croppe", imgCrope)
cv2.waitKey(0) 

本部分完整代码：

import cv2
# 导入图片
img = cv2.imread("../picture/01.jpg")
print(img.shape)        # 高、宽、通道数、BGR

# 更改图片大小
# resize参数 : 路径,输出图片大小(如果设置缩放,输出图片为(0,0), x缩放,y缩放, 插入方式
imgResize = cv2.resize(img, (250, 150))
print(imgResize.shape)

# 裁剪图像, 先写高度，再写宽度
imgCrope = img[0:200, 200:500]
print(imgCrope.shape)

cv2.imshow("Output", img)
cv2.imshow("Resize", imgResize)
cv2.imshow("Croppe", imgCrope)

cv2.waitKey(0)           # delay单位是毫秒

运行结果：
原图片：

今天的文章opencv python教程简书_opencv轻松入门面向python「建议收藏」分享到此就结束了，感谢您的阅读。