Python：OpenCV 教程
一个开源的计算机视觉和机器学习库。支持Python和C++语法，可用于图像和视频处理，库里含数百个优化算法，涵盖了计算机视觉和图像处理的多个方面。
- 图像处理：图像滤波、边缘检测、颜色空间转换、形态学操作、特征提取等。
- 视频分析：视频捕捉、运动分析、物体检测与追踪等。
- 机器学习与人工智能：OpenCV集成了深度学习框架，可以进行人脸识别、目标检测、图像分类等。
- 计算机视觉：图像匹配、物体识别、立体视觉、深度图计算等。
1.安装(Python3.x)
pip install opencv-python
如果需要额外的模块（例如 contrib 模块），可以安装 opencv-contrib-python：
pip install opencv-contrib-python
该版本包括更多模块和功能。
用OpenCV完成一次图像读写。对单张图片的操作包括读取、显示、保存。
#导入Opencv库
import cv2#读取图片
image_path = "C:/PythonCode/test001.png"
img = cv2.imread(image_path)#检查读取是否成功
if img is None:print("Error")exit()#显示图偏
cv2.imshow("display Image",img)#等待用户按键输入，0表示无限等待，直到用户按任意键
key = cv2.waitKey(0)#执行按键，当按下s键保存，其他键不保存
if key == ord('s'): # 如果按下 's' 键# 保存图像output_path = "C:/Users/罗翔/Downloads/saved_image.jpg"cv2.imwrite(output_path, img)print(f"图像已保存为 {output_path}")
else: # 如果按下其他键print("图像未保存。")
#关闭窗口
cv2.destroyAllWindows()| 模块名 | 描述 |
| cv2.core | 核心模块，包含了图像处理的基础功能（如图像数组的表示和操作）。 |
| cv2.imgproc | 图像处理模块，提供图像的各种操作，如滤波、图像变换、形态学操作等。 |
| cv2.highgui | 图形用户界面模块，提供显示图像和视频的功能。 |
| cv2.video | 提供视频处理的功能，如视频捕捉、视频流的处理等。 |
| cv2.features2d | 特征检测与匹配模块，包含了角点、边缘、关键点检测等。 |
| cv2.ml | 机器学习模块，提供了多种机器学习算法，可以进行图像分类、回归、聚类等。 |
| cv2.calib3d | 相机校准和 3D 重建模块。 |
| cv2.objdetect | 目标检测模块。 |
| cv2.dnn | 深度学习模块。 |
2.图像处理基础
可以把图像理解为二维数组，每个图像就是一个多维数组，每个元素对应图像中一个像素。图像的尺寸和颜色模式也可以通过数组的形状来表示。OpenCV通过Numpy数组表示图像数据。
图像基本属性：
- 尺寸（Width，Height）：通过img.shape获取。
- 颜色通道（Channels）：通常RGB三个通道，也有单通道灰度图。
- 数据类型（Data type）：常见有uint8（0-255），也可以是float32或其他。
| 功能 | 函数 | 示例 |
| 读取图像 | cv2.imread( ) | img = cv2.imread('image.jpg'),img存储一个Numpy数组，图片不存在返回None。 |
| 显示图像 | cv2.imshow( ) | cv2.imshow("Display Window",image) |
| 等待按键输入 | cv2.waitKey(0) | |
| 关闭所有窗口 | cv2.destroyAllWindows() | |
| 保存图像 | cv2.imwrite( ) | cv2.imwrite("output_image.jpg",image) |
| 图像操作 | ||
| 获取像素值 | image[start,end] | pixel = image[100, 100] # 获取 (100, 100) 处的像素值 |
| 修改像素值 | image[start,end]=[r,g,b] | image[100, 100] = [255, 255, 255] # 将 (100, 100) 处的像素设置为白色 |
| 获取ROI | image[start1:end1,start2:end2] | roi = image[50:150, 50:150] # 获取 (50,50) 到 (150,150) 的区域 |
| 修改ROI | image[start1:end1,start2:end2]=[R,G,B] | image[50:150, 50:150] = [0, 255, 0] # 将 ROI 区域设置为绿色 |
| 分离通道 | cv2.split() | b, g, r = cv2.split(image) |
| 合并通道 | cv2.merge([b,g,r]) | merged_image = cv2.merge([b, g, r]) |
另一些基本操作方法
| 操作 | 函数/方法 | 说明 |
|---|---|---|
| 访问像素值 | image[y, x] | 获取或修改像素值。 |
| 图像 ROI | image[y1:y2, x1:x2] | 获取或修改图像中的矩形区域。 |
| 通道分离与合并 | cv2.split() / cv2.merge() | 分离或合并图像通道。 |
| 图像缩放 | cv2.resize() | 调整图像大小。 |
| 图像旋转 | cv2.getRotationMatrix2D() | 旋转图像。 |
| 图像平移 | cv2.warpAffine() | 平移图像。 |
| 图像翻转 | cv2.flip() | 翻转图像。 |
| 图像加法 | cv2.add() | 对两幅图像进行加法运算。 |
| 图像减法 | cv2.subtract() | 对两幅图像进行减法运算。 |
| 图像混合 | cv2.addWeighted() | 对两幅图像进行加权混合。 |
| 阈值处理 | cv2.threshold() | 对图像进行阈值处理。 |
| 平滑处理 | cv2.blur() / cv2.GaussianBlur() | 对图像进行平滑处理。 |
图像位运算 | ||
| 按位与操作 | cv2.bitwise_and() | 掩码操作、图像分割 |
| 按位或操作 | cv2.bitwise_or() | 图像叠加 |
| 按位取反操作 | cv2.bitwise_not() | 图像反色 |
| 按位异或操作 | cv2.bitwise_xor() | 图像差异检测 |
3.图像形态学操作
图像形态学操作是图像处理中的一种重要技术，主要用于处理二值图像（即黑白图像）。
| 操作 | 函数 | 说明 | 应用场景 |
|---|---|---|---|
| 腐蚀 | cv2.erode() | 用结构元素扫描图像，如果结构元素覆盖的区域全是前景，则保留中心像素。 | 去除噪声、分离物体。 |
| 膨胀 | cv2.dilate() | 用结构元素扫描图像，如果结构元素覆盖的区域存在前景，则保留中心像素。 | 连接断裂的物体、填充空洞。 |
| 开运算 | cv2.morphologyEx() | 先腐蚀后膨胀。 | 去除小物体、平滑物体边界。 |
| 闭运算 | cv2.morphologyEx() | 先膨胀后腐蚀。 | 填充小孔洞、连接邻近物体。 |
| 形态学梯度 | cv2.morphologyEx() | 膨胀图减去腐蚀图。 | 提取物体边缘。 |
| 顶帽运算 | cv2.morphologyEx() | 原图减去开运算结果。 | 提取比背景亮的细小物体。 |
| 黑帽运算 | cv2.morphologyEx() | 闭运算结果减去原图。 | 提取比背景暗的细小物体。 |
4. 图像边缘检测
图像边缘检测是计算机视觉和图像处理中的一项基本任务，它用于识别图像中亮度变化明显的区域，这些区域通常对应于物体的边界。
是 OpenCV 中常用的边缘检测函数及其说明:
| 函数 | 算法 | 说明 | 适用场景 |
|---|---|---|---|
cv2.Canny() | Canny 边缘检测 | 多阶段算法，检测效果较好，噪声抑制能力强。 | 通用边缘检测，适合大多数场景。 |
cv2.Sobel() | Sobel 算子 | 基于一阶导数的边缘检测，可以检测水平和垂直边缘。 | 检测水平和垂直边缘。 |
cv2.Scharr() | Scharr 算子 | Sobel 算子的改进版本，对边缘的响应更强。 | 检测细微的边缘。 |
cv2.Laplacian() | Laplacian 算子 | 基于二阶导数的边缘检测，对噪声敏感。 | 检测边缘和角点。 |
5.图像轮廓检测
轮廓检测是图像处理中的重要任务，用于提取图像中物体的边界。
OpenCV 提供了强大的轮廓检测功能，可以用于物体识别、形状分析、目标跟踪等应用。以下是 OpenCV 图像轮廓检测的详细说明。
轮廓检测的基本概念
轮廓: 图像中物体的边界，由一系列点组成。
轮廓层次结构: 轮廓之间的嵌套关系，例如一个轮廓是否包含另一个轮廓。
轮廓特征: 轮廓的面积、周长、边界矩形、最小外接矩形、最小外接圆等。
轮廓检测常用函数
| 函数名称 | 功能描述 |
|---|---|
cv2.findContours() | 查找图像中的轮廓 |
cv2.drawContours() | 在图像上绘制轮廓 |
cv2.contourArea() | 计算轮廓的面积 |
cv2.arcLength() | 计算轮廓的周长或弧长 |
cv2.boundingRect() | 计算轮廓的边界矩形 |
cv2.minAreaRect() | 计算轮廓的最小外接矩形 |
cv2.minEnclosingCircle() | 计算轮廓的最小外接圆 |
cv2.approxPolyDP() | 对轮廓进行多边形近似 |
轮廓检测的应用
- 物体识别: 通过轮廓检测可以识别图像中的物体，例如检测圆形、矩形等。
- 形状分析: 通过计算轮廓的特征（如面积、周长、边界矩形等），可以分析物体的形状。
- 目标跟踪: 在视频中，可以通过轮廓检测跟踪运动的目标。
- 图像分割: 通过轮廓检测可以将图像中的物体分割出来。
OpenCV 提供了强大的轮廓检测功能，可以用于提取图像中物体的边界，并计算轮廓的特征。
以下是轮廓检测的主要步骤和函数：
| 步骤 | 函数 | 说明 |
|---|---|---|
| 图像预处理 | cv2.cvtColor() | 将图像转换为灰度图。 |
| 二值化处理 | cv2.threshold() | 将灰度图转换为二值图像。 |
| 查找轮廓 | cv2.findContours() | 查找图像中的轮廓。 |
| 绘制轮廓 | cv2.drawContours() | 绘制检测到的轮廓。 |
| 计算轮廓面积 | cv2.contourArea() | 计算轮廓的面积。 |
| 计算轮廓周长 | cv2.arcLength() | 计算轮廓的周长。 |
| 计算边界矩形 | cv2.boundingRect() | 计算轮廓的边界矩形。 |
| 计算最小外接矩形 | cv2.minAreaRect() | 计算轮廓的最小外接矩形。 |
| 计算最小外接圆 | cv2.minEnclosingCircle() | 计算轮廓的最小外接圆。 |
| 多边形逼近 | cv2.approxPolyDP() | 对轮廓进行多边形逼近。 |