OpenCV1

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

1. 简介

灰度图：0~255
彩色图：RGB三个分量

安装OpenCv之前需要先安装numpy,matplotlib。

pip install opencv-python

import cv2

能导入这个就说明安装成功了

安装包含 contrib 扩展模块的版本----》因为我们要利用SIFT和SURF等进行特征提取

pip install opencv-python opencv-contrib-python

core模块实现了最核心的数据结构及其基本运算，如绘图函数、数组操作相关函数等。
·highgui模块实现了视频与图像的读取、显示、存储等接口。
·imgproc模块实现了图像处理的基础方法，包括图像滤波、图像的几何变换、平滑、阈值分割、形态学
处理、边缘检测、目标检测、运动分析和对象跟踪等。

2. 图像基础操作

2.1 图像的IO操作

import numpy as py
import cv2 as cv
import matplotlib.pyplot as plt#读取图像---》默认读取--》彩色
img = cv.imread("../image/dili.jpg")
#显示图像
cv.imshow("dili",img)
cv.waitKey(0)
cv.destroyAllWindows()

cv.waitKey(0)的作用是
这是一个等待键盘输入的函数，参数 0 表示无限期等待用户按下任意键。
OpenCV 的 cv.imshow() 显示窗口需要配合 cv.waitKey() 才能正常停留，否则窗口会瞬间闪过。
只有当用户按下键盘上的任意键后，程序才会继续执行后续代码（这里就是执行 cv.destroyAllWindows()）。
如果参数是其他数值（如 cv.waitKey(500)），则表示等待 500 毫秒（0.5 秒）后自动继续，无需按键。

cv.destroyAllWindows()是关闭图像

img = cv.imread("../image/dili.jpg")plt.imshow(img[:,:,::-1])
plt.show()

OpenCV 读取图像时，默认使用 BGR 颜色通道顺序（蓝色、绿色、红色）。
Matplotlib 的 imshow() 函数则默认期望图像是 RGB 颜色通道顺序（红色、绿色、蓝色）

第一个 : ：表示选取所有行（图像的高度方向）
第二个 : ：表示选取所有列（图像的宽度方向）
::-1 ：表示对第三个维度（颜色通道）进行反向切片，即把 BGR 顺序反转成 RGB 顺序

img = cv.imread("../image/dili.jpg",0)plt.imshow(img,cmap="gray")
plt.show()

img = cv.imread(…, 0) 执行后，img 是一个二维数组（形状为 (高度, 宽度)），每个元素代表对应像素的灰度值（0 为纯黑，255 为纯白），灰度图像没有RGB
Matplotlib 默认的颜色映射表不是灰度（而是 viridis 等彩色映射），如果不指定 cmap=“gray”，直接显示二维灰度数组，会用彩色伪影来表示不同的灰度值

#保存图像
cv.imwrite("../image/dili_save.jpg",img)

2.2 绘制图形

import numpy as py
import cv2 as cv
import matplotlib.pyplot as plt#创建图形
img = py.zeros((512,512,3),py.uint8)
#绘制线
cv.line(img,(0,0),(511,511),(255,0,0),5)
#显示结果
plt.imshow(img[:,:,::-1])
plt.show()

np.zeros() 创建一个全为 0 的数组，代表黑色图像

(512,512,3) 表示图像尺寸为 512x512 像素，3 个颜色通道（BGR 格式），意思就是长宽为512，高为3，这个高就是RGB

np.uint8 是数据类型，代表每个像素值范围是 0-255

(0,0) 是线段的起点坐标（左上角）
(511,511) 是线段的终点坐标（右下角）
(255,0,0) 是线条颜色，这里是蓝色（BGR 格式）
5 是线条的粗细，单位为像素

cv.circle(img,(256,256),60,(0,0,255),4)

(256,256)表示圆心,60表示半径，4表示宽度

cv.circle(img,(256,256),60,(0,0,255),-1)

-1表示填充

cv.rectangle(img,(100,100),(300,300),(0,255,0),5)

分别是左上角坐标和右下角坐标

cv.putText(img,"hello",(100,150),cv.FONT_HERSHEY_COMPLEX,5,(255,255,255),3)

5表示字体大小，3表示字体宽度，(100,150)表示字体位置

2.3 获取并修改图像中的像素点

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = np.zeros((256,256,3),np.uint8)

plt.imshow(img[:,:,::-1])

其实应该是全黑的，因为我的背景是黑色，所以显示为白色

img[100,100]

返回的是这个位置的RGB值

img[100,100,0]

返回的是这个位置，蓝色通道的值

img[100,100] = [0,0,255]
plt.imshow(img[:,:,::-1])
img[100,100]

2.4 获取图像属性

img.shape

img.dtype

img.size

2.5 图像通道的拆分和合并

dili = cv.imread("../../py/image/dili.jpg")
plt.imshow(dili[:,:,::-1])
plt.show()

b,g,r = cv.split(dili)

一个通道就是灰色了

img2=cv.merge((b,g,r))
plt.imshow(img2[:,:,::-1])

2.6 色彩空间转换

gray = cv.cvtColor(dili,cv.COLOR_BGR2GRAY)
plt.imshow(gray, cmap="gray")

这样就转换为灰度图了

hsv = cv.cvtColor(dili,cv.COLOR_BGR2HSV)
plt.imshow(hsv)

3. 算术操作

3.1 图像加法

np相加的话，超过255的话，那么就是和之后取模255—》模运算
cv加法的话，超过255的话，那么就是等于255了—》饱和运算

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

rain = cv.imread("../../py/image/rain.jpg")
plt.imshow(rain[:,:,::-1])

view = cv.imread("../../py/image/view.jpg")
plt.imshow(view[:,:,::-1])

img1 = cv.add(rain,view)
plt.imshow(img1[:,:,::-1])

img2= rain+ view
plt.imshow(img2[:,:,::-1])

所以cv的加法更好

3.2 图像混合

就是加法的权重不同

反正就是这样
img = aimg1 +bimg2+x
a,b,x都是参数

img3 = cv.addWeighted(rain,0.3,view,0.7,0)
plt.imshow(img3[:,:,::-1])

权值之和为1,0就是x

4. OpenCV图像处理

4.1 几何变换

kids = cv.imread("../../py/image/kids.jpg")
plt.imshow(kids[:,:,::-1])

#绝对尺寸缩放
rows,cols = kids.shape[:2]

kids.shape 是 OpenCV 中图像的形状属性，返回一个元组 (高度, 宽度, 通道数)（对于彩色图像）或 (高度, 宽度)（对于灰度图像）。
第一个元素是图像的高度（行数，rows）
第二个元素是图像的宽度（列数，cols）
第三个元素（如果存在）是通道数（如 RGB 图像为 3）
[:2] 表示截取元组的前 2 个元素，即只获取高度和宽度，忽略通道数（即使图像有通道信息也不处理）

res = cv.resize(kids,(cols*2,rows*2))
plt.imshow(res[:,:,::-1])

看坐标就知道变大了

res1=cv.resize(kids,None,fx=0.5,fy=0.5)
plt.imshow(res1[:,:,::-1])

0.5表示缩小为原来的de0.5倍

4.2 图像平移

#图像平移->平移矩阵
M = np.float32([[1,0,100],[0,1,50]])

表示往（1,0）方向也就是x方向移动100，y方向移动50

res2 = cv.warpAffine(kids,M,(cols,rows))
plt.imshow(res2[:,:,::-1])

(cols,rows)表示移动后显示范围画布的大小，并不是图像的大小
注意cv中，坐标原点在左上角，x轴往右，y轴往下

res2 = cv.warpAffine(kids,M,(cols*2,rows*2))
plt.imshow(res2[:,:,::-1])

4.3 图像旋转

#图像旋转
M = cv.getRotationMatrix2D((cols/2,rows/2),90,1)
res3 = cv.warpAffine(kids,M,(cols,rows))
plt.imshow(res3[:,:,::-1])

(cols/2,rows/2)是旋转中心，90就是选择角度，1表示对图像的缩放比例
(cols,rows)表示画布的大小

#图像旋转
M = cv.getRotationMatrix2D((cols/2,rows/2),90,0.5)
res3 = cv.warpAffine(kids,M,(cols,rows))
plt.imshow(res3[:,:,::-1])

4.4 仿射变换

仿射变换就是对图像缩放旋转平移的组合

点之间的映射，仿射前后，平行的线还是平行的，线的比例关系不变
共线的点还是共线，共面的还是共面

plt.imshow(res3[:,:,::-1])
#%%
#仿射变换
#原始图像位置
pts1 = np.float32([[50,50],[200,50],[50,200]])
#仿射变换后位置
pts2 = np.float32([[100,100],[200,50],[100,250]])
#构建仿射变换矩阵
M = cv.getAffineTransform(pts1,pts2)
M

前面两列是线性变换，后一列是平移

#仿射变换
#原始图像位置
pts1 = np.float32([[50,50],[200,50],[50,200]])
#仿射变换后位置
pts2 = np.float32([[100,100],[200,50],[100,250]])
#构建仿射变换矩阵
M = cv.getAffineTransform(pts1,pts2)
#应用仿射变换
res4 = cv.warpAffine(kids,M,(cols,rows))
plt.imshow(res4[:,:,::-1])

(cols,rows)是输出图像大小

仿射变换后，点线的关系和原图是一样的
但是线的长度会发送变化，角度也会

4.5 透射变换

总结