OpenCV最详细入门（一）

您所在的位置：网站首页 › 视觉识别的基本内容有什么 › OpenCV最详细入门（一）

OpenCV最详细入门（一）

2024-07-16 16:24:37| 来源: 网络整理| 查看: 265

OpenCV详细入门（基础篇）一、OpenCV介绍

OpenCV（open source computer vision library）是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。在计算机视觉项目的开发中，OpenCV作为较大众的开源库，拥有了丰富的常用图像处理函数库，采用C/C++语言编写，可以运行在Linux/Windows/Mac等操作系统上，能够快速的实现一些图像处理和识别的任务。此外，OpenCV还提供了Java、python、cuda等的使用接口、机器学习的基础算法调用，从而使得图像处理和图像分析变得更加易于上手，让开发人员更多的精力花在算法的设计上。

二、编译环境

直接pip安装 pip install opencv-python 注意： 1.安装的是opencv_python，但在导入的时候是import cv2。 2.OpenCV依赖一些库，比如Numpy和matplotlib，先安装上。

三、图像基本操作

在这里插入图片描述（1）读入图片

import cv2 #opencv读取的格式是BGR import matplotlib.pyplot as plt import numpy as np %matplotlib inline img=cv2.imread('cat.jpg') cv2.imshow("img",img) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述

img.shape

(414, 500, 3)

总所周知，图片就是一个矩阵，每一个像素点都是矩阵中的一个数值而已，对于彩色图片，是采用BGR三通道显示的，也就是一个彩色图片是由三个矩阵组成的，所以上述输出的(414, 500, 3)中，表示是414×500的彩色图片。

img=cv2.imread("Resources/test.png",cv2.IMREAD_GRAYSCALE) img.shape

(559, 768) cv2.IMREAD_COLOR：彩色图像 cv2.IMREAD_GRAYSCALE：灰度图像 img为灰度图像，不是彩色图像，所以img.shape是一个二维矩阵。

def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows()

在这里定义了一个图像显示的函数，其中imshow()为显示函数，waitKey(0)为无限时间的显示函数，如果改为参数1就是显示1ms以此类推，destroyAllWindows()按下任意键便可关闭窗口。

cv2.imwrite('mycat.png',img)

保存图片代码

vc = cv2.VideoCapture('test.mp4') # 检查是否打开正确 if vc.isOpened(): open, frame = vc.read() else: open = False

读取视频

while open: ret, frame = vc.read() if frame is None: break if ret == True: gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) cv2.imshow('result', gray) if cv2.waitKey(100) & 0xFF == ord('q'): break vc.release() cv2.destroyAllWindows()

上述代码为展示视频，并且当视频播放完或键盘按下q就退出。

img=cv2.imread('cat.jpg') cat=img[0:50,0:200] cv_show('cat',cat)

在这里插入图片描述对图片进行截取，因为图片就是一个二维数组，可以按照二维数组那样截取。

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

对图片进行颜色通道提取

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

对图片进行颜色通道合并，与split正好相反

top_size,bottom_size,left_size,right_size = (50,50,50,50) replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE) reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT) reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101) wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP) constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0) plt.subplot(231), plt.imshow(img, 'gray'), plt.title('ORIGINAL') plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE') plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT') plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101') plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP') plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT') plt.show()

img_cat=cv2.imread('cat.jpg') img_dog=cv2.imread('dog.jpg') img_dog = cv2.resize(img_dog, (500, 414))#将两个图片改为同样大小 res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)#猫占0.4权重，狗占0.6权重 plt.imshow(res)

在这里插入图片描述

res = cv2.resize(img, (0, 0), fx=1, fy=3)

更改图片长宽比在这里插入图片描述

四、图像处理

BGR转HSV 在 HSV 颜色空间下，比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。 HSV 表达彩色图像的方式由三个部分组成： -Hue（色调、色相） -Saturation（饱和度、色彩纯净度） -Value（明度）用下面这个圆柱体来表示 HSV 颜色空间，圆柱体的横截面可以看做是一个极坐标系，H 用极坐标的极角表示，S 用极坐标的极轴长度表示，V 用圆柱中轴的高度表示。在这里插入图片描述在Hue一定的情况下，饱和度减小，就是往光谱色中添加白色，光谱色所占的比例也在减小，饱和度减为0，表示光谱色所占的比例为零，导致整个颜色呈现白色。明度减小，就是往光谱色中添加黑色，光谱色所占的比例也在减小，明度减为0，表示光谱色所占的比例为零，导致整个颜色呈现黑色。

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) cv2.imshow("hsv", hsv) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述图像阈值 ret, dst = cv2.threshold(src, thresh, maxval, type) src：输入图，只能输入单通道图像，通常来说为灰度图 dst：输出图 thresh：阈值 maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值 **type：**二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0 cv2.THRESH_BINARY_INV THRESH_BINARY的反转 cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变 cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0 cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV) ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC) ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO) ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV) titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] images = [img, thresh1, thresh2, thresh3, thresh4, thresh5] for i in range(6): plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()

在这里插入图片描述图像平滑

img = cv2.imread('lenaNoise.png') blur = cv2.blur(img, (3, 3))# 均值滤波 box1 = cv2.boxFilter(img,-1,(3,3), normalize=True) # 方框滤波 box2 = cv2.boxFilter(img,-1,(3,3), normalize=False) # 方框滤波 aussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波 median = cv2.medianBlur(img, 5) # 中值滤波 res = np.hstack((blur,aussian,median))

在这里插入图片描述其中可以看出中值滤波的效果最佳。形态学-腐蚀操作

pie = cv2.imread('pie.png') kernel = np.ones((30,30),np.uint8) erosion_1 = cv2.erode(pie,kernel,iterations = 1) erosion_2 = cv2.erode(pie,kernel,iterations = 2) erosion_3 = cv2.erode(pie,kernel,iterations = 3) res = np.hstack((erosion_1,erosion_2,erosion_3)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述从左到右分别是腐蚀一次到三次的效果图。形态学-膨胀操作

pie = cv2.imread('pie.png') kernel = np.ones((30,30),np.uint8) dilate_1 = cv2.dilate(pie,kernel,iterations = 1) dilate_2 = cv2.dilate(pie,kernel,iterations = 2) dilate_3 = cv2.dilate(pie,kernel,iterations = 3) res = np.hstack((dilate_1,dilate_2,dilate_3)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述从左到右分别是膨胀一次到三次的效果图。开运算与闭运算

# 开：先腐蚀，再膨胀 img = cv2.imread('dige.png') kernel = np.ones((5,5),np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) cv2.imshow('opening', opening) cv2.waitKey(0) cv2.destroyAllWindows() # 闭：先膨胀，再腐蚀 img = cv2.imread('dige.png') kernel = np.ones((5,5),np.uint8) closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) cv2.imshow('closing', closing) cv2.waitKey(0) cv2.destroyAllWindows()

梯度运算

# 梯度=膨胀-腐蚀 pie = cv2.imread('pie.png') kernel = np.ones((7,7),np.uint8) dilate = cv2.dilate(pie,kernel,iterations = 5) erosion = cv2.erode(pie,kernel,iterations = 5) res = np.hstack((dilate,erosion)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) cv2.imshow('gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows()

在这里插入图片描述如上图可以看出，通过梯度运算可以将图片的边缘提取出。礼帽与黑帽礼帽 = 原始输入-开运算结果黑帽 = 闭运算-原始输入礼帽突出了原图像中更亮的局域黑帽突出了原图像中更暗的局域

#礼帽 img = cv2.imread('dige.png') tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv2.imshow('tophat', tophat) cv2.waitKey(0) cv2.destroyAllWindows() #黑帽 img = cv2.imread('dige.png') blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel) cv2.imshow('blackhat ', blackhat ) cv2.waitKey(0) cv2.destroyAllWindows()

图像梯度-Sobel算子在这里插入图片描述 dst = cv2.Sobel(src, ddepth, dx, dy, ksize) ddepth:图像的深度 dx和dy分别表示水平和竖直方向 ksize是Sobel算子的大小

img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) cv_show(sobelx,'sobelx')

在这里插入图片描述

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) sobelx = cv2.convertScaleAbs(sobelx) sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) sobely = cv2.convertScaleAbs(sobely) sob=np.hstack((sobelx,sobely)) cv_show(sob,"sob")

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210705172703742.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dVSFU2NDg=,size_16,color_FFFFFF,t_70

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) sobelxy = cv2.convertScaleAbs(sobelxy) cv_show(sobelxy,'sobelxy')

在这里插入图片描述可以看出，sobelx与sobely分开算效果更加完美。图像梯度-Scharr算子图像梯度-laplacian算子不同算子的差异

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) sobelx = cv2.convertScaleAbs(sobelx) sobely = cv2.convertScaleAbs(sobely) sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) scharrx = cv2.Scharr(img,cv2.CV_64F,1,0) scharry = cv2.Scharr(img,cv2.CV_64F,0,1) scharrx = cv2.convertScaleAbs(scharrx) scharry = cv2.convertScaleAbs(scharry) scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) laplacian = cv2.Laplacian(img,cv2.CV_64F) laplacian = cv2.convertScaleAbs(laplacian) res = np.hstack((sobelxy,scharrxy,laplacian)) cv_show(res,'res')

在这里插入图片描述从左到右分别是Sobel、Scharr、Laplacian不同算子的效果图。可以看出Scharr要比Sobel显示的边缘更加多，而Laplacian就显示的更加少了。

Canny边缘检测

使用高斯滤波器，以平滑图像，滤除噪声。

计算图像中每个像素点的梯度强度和方向。

应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

通过抑制孤立的弱边缘最终完成边缘检测。 1:高斯滤波器 2:梯度和方向在这里插入图片描述 3：非极大值抑制 4：双阈值检测

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE) v1=cv2.Canny(img,80,150) v2=cv2.Canny(img,50,100) res = np.hstack((v1,v2)) cv_show(res,'res')

在这里插入图片描述可以通过改变最大值和最小值来进行调整参数。

图像金字塔

高斯金字塔拉普拉斯金字塔在这里插入图片描述高斯金字塔：向下采样方法（缩小）高斯金字塔：向上采样方法（放大）

img=cv2.imread("AM.png") print (img.shape) up=cv2.pyrUp(img) print (up.shape) down=cv2.pyrDown(img) print (down.shape)

(442, 340, 3) (884, 680, 3) (221, 170, 3) pyrUp()放大图像，空白的像素点补0. pyrDown()缩小图像，将奇数行和列去掉。放大缩小后会比原图像模糊，因为有像素值丢失。拉普拉斯金字塔在这里插入图片描述

down=cv2.pyrDown(img) down_up=cv2.pyrUp(down) l_1=img-down_up cv_show(l_1,'l_1') 图像轮廓

cv2.findContours(img,mode,method) mode:轮廓检索模式 RETR_EXTERNAL ：只检索最外面的轮廓； RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中； RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界; RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次; method:轮廓逼近方法 CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。 CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。在这里插入图片描述

img = cv2.imread('contours.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) #传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度 # 注意需要copy,要不原图会变。。。 draw_img = img.copy() res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)#-1表示显示所有轮廓，123表示第123个轮廓 cv_show(res,'res')

轮廓特征

cnt = contours[0] #面积 cv2.contourArea(cnt) #周长，True表示闭合的 cv2.arcLength(cnt,True)

轮廓近似轮廓近似，用最少的线来代替，在几个点之间的直线，如果能用更少的点来表示，就采用更少的点。在这里插入图片描述

epsilon = 0.15*cv2.arcLength(cnt,True) #主要进行调参的函数 approx = cv2.approxPolyDP(cnt,epsilon,True) draw_img = img.copy() res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2) cv_show(res,'res')

在这里插入图片描述图中白色的是原图像，红色的是轮廓近似。边界矩形

img = cv2.imread('contours.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) cnt = contours[0] x,y,w,h = cv2.boundingRect(cnt) img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) cv_show(img,'img')

在这里插入图片描述

总结

看到这里，图像的大部分基本操作已经学会了，我们学了计算机如何保存图片、如何显示图片、如何读取视频、如何更改图片的颜色通道、灰度图、各种滤波、形态学、图像梯度等这些简单的操作更像是我们在一些软件中常见的功能，之后我们就要学一些可以对图像进行修改的操作了。那么我们下一篇博客继续共同学习

【本文地址】

公司简介

联系我们

今日新闻

点击排行

实验室常用的仪器、试剂和: 说到实验室常用到的东西，主要就分为仪器、试剂和耗

不用再找了，全球10大实验: 01、赛默飞世尔科技（热电）Thermo Fisher Scientif

三代水柜的量产巅峰T-72坦: 作者：寞寒最近，西边闹腾挺大，本来小寞以为忙完这

通风柜跟实验室通风系统有: 说到通风柜跟实验室通风，不少人都纠结二者到底是不

集消毒杀菌、烘干收纳为一: 厨房是家里细菌较多的地方，潮湿的环境、没有完全密

实验室设备之全钢实验台如: 全钢实验台是实验室家具中较为重要的家具之一，很多

图片新闻

实验室药品柜的特性有哪些: 实验室药品柜是实验室家具的重要组成部分之一，主要

小学科学实验中有哪些教学: 计算机计算器一般打孔器打气筒仪器车显微镜

实验室各种仪器原理动图讲: 1.紫外分光光谱UV分析原理：吸收紫外光能量，引起分

高中化学常见仪器及实验装: 1、可加热仪器：2、计量仪器：（1）仪器A的名称：量

微生物操作主要设备和器具: 今天盘点一下微生物操作主要设备和器具，别嫌我啰嗦

浅谈通风柜使用基本常识: 　众所周知，通风柜功能中最主要的就是排气功能。在

OpenCV最详细入门（一）

OpenCV最详细入门（一）

今日新闻

点击排行

推荐新闻

图片新闻

专题文章