OpenCV入门：从零开始的图像处理基础教程

最新推荐文章于 2025-07-17 11:42:29 发布
最新推荐文章于 2025-07-17 11:42:29 发布
阅读量794 收藏 10
点赞数 17
CC 4.0 BY-SA版权
文章标签： opencv 图像处理 人工智能 pytorch 深度学习 神经网络 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2501_91624122/article/details/148007258

在人工智能和计算机视觉领域，图像处理是一个非常重要的基础技能。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，它提供了大量的图像和视频处理功能。本文将从零开始，带你了解如何使用OpenCV进行基本的图像处理操作。

 

 

1. OpenCV简介

OpenCV是一个跨平台的开源库，支持多种编程语言，包括Python、C++和Java。它广泛应用于图像识别、目标检测、视频分析等领域。Python版本的OpenCV（cv2）由于其简单易用，成为许多初学者的首选。

2. 安装OpenCV

在开始之前，我们需要安装OpenCV。如果你使用的是Python，可以通过pip命令轻松安装：

bash

复制

pip install opencv-python

如果你需要使用OpenCV的额外功能（如深度学习模块），可以安装opencv-contrib-python：

bash

复制

pip install opencv-contrib-python

安装完成后，可以通过以下代码测试是否安装成功：

Python

复制

import cv2
print(cv2.__version__)

如果输出了OpenCV的版本号，说明安装成功。

3. 图像的基本操作

3.1 读取图像

OpenCV使用cv2.imread()函数读取图像。该函数返回一个NumPy数组，表示图像的像素值。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 检查图像是否成功读取
if image is None:
    print("无法读取图像，请检查路径是否正确！")
else:
    print("图像读取成功！")

3.2 显示图像

使用cv2.imshow()函数可以显示图像。需要注意的是，OpenCV默认使用BGR颜色空间，而不是常见的RGB。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 显示图像
cv2.imshow('Image', image)

# 等待用户按键
cv2.waitKey(0)

# 关闭所有窗口
cv2.destroyAllWindows()

3.3 保存图像

使用cv2.imwrite()函数可以将图像保存到指定路径。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 保存图像
cv2.imwrite('output_image.jpg', image)
print("图像保存成功！")

4. 图像的基本属性

OpenCV中的图像以NumPy数组的形式存储，因此可以通过数组操作获取图像的基本属性。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 获取图像的尺寸
height, width, channels = image.shape
print(f"图像宽度：{width}像素")
print(f"图像高度：{height}像素")
print(f"图像通道数：{channels}")

# 获取图像的像素值
pixel = image[100, 100]  # 获取坐标(100, 100)处的像素值
print(f"坐标(100, 100)处的像素值：{pixel}")

5. 图像的灰度化

灰度化是图像处理中常见的操作，可以将彩色图像转换为灰度图像。OpenCV提供了cv2.cvtColor()函数来实现这一操作。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 显示灰度图像
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 图像的二值化

二值化是将图像转换为黑白两色的过程。OpenCV提供了多种二值化方法，例如阈值分割。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用阈值分割进行二值化
_, binary_image = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)

# 显示二值化图像
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

7. 图像的裁剪与缩放

7.1 裁剪图像

通过数组切片可以轻松裁剪图像。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 裁剪图像
cropped_image = image[50:200, 100:300]  # 裁剪坐标(50, 100)到(200, 300)的区域

# 显示裁剪后的图像
cv2.imshow('Cropped Image', cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.2 缩放图像

使用cv2.resize()函数可以调整图像的大小。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 缩放图像
resized_image = cv2.resize(image, (200, 200))  # 将图像缩放到200x200像素

# 显示缩放后的图像
cv2.imshow('Resized Image', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

8. 图像的旋转

使用cv2.getRotationMatrix2D()和cv2.warpAffine()函数可以实现图像的旋转。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 获取图像中心
height, width = image.shape[:2]
center = (width // 2, height // 2)

# 获取旋转矩阵
rotation_matrix = cv2.getRotationMatrix2D(center, 45, 1.0)  # 旋转45度，缩放比例为1.0

# 旋转图像
rotated_image = cv2.warpAffine(image, rotation_matrix, (width, height))

# 显示旋转后的图像
cv2.imshow('Rotated Image', rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

9. 图像的滤波与去噪

9.1 均值滤波

均值滤波是一种简单的线性滤波器，用于去除图像中的噪声。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 应用均值滤波
blurred_image = cv2.blur(image, (15, 15))  # 使用15x15的核进行滤波

# 显示滤波后的图像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

9.2 高斯滤波

高斯滤波是一种更平滑的滤波器，常用于图像去噪。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 应用高斯滤波
gaussian_blurred_image = cv2.GaussianBlur(image, (15, 15), 0)

# 显示滤波后的图像
cv2.imshow('Gaussian Blurred Image', gaussian_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

10. 图像的边缘检测

OpenCV提供了多种边缘检测算法，其中最常用的是Canny边缘检测。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用Canny边缘检测
edges = cv2.Canny(image, 100, 200)

# 显示边缘检测后的图像
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

11. 图像的轮廓检测

轮廓检测是图像处理中的一个重要应用，可以用于目标识别和分割。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary_image = cv2.threshold(gray_image, 128, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 3)

# 显示轮廓检测后的图像
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

12. 图像的形态学操作

形态学操作包括膨胀、腐蚀、开运算和闭运算等，常用于图像的去噪和修复。

12.1 膨胀

Python

复制

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 二值化
_, binary_image = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)

# 定义结构元素
kernel = np.ones((5, 5), np.uint8)

# 膨胀操作
dilated_image = cv2.dilate(binary_image, kernel, iterations=1)

# 显示膨胀后的图像
cv2.imshow('Dilated Image', dilated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

12.2 腐蚀

Python

复制

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 二值化
_, binary_image = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)

# 定义结构元素
kernel = np.ones((5, 5), np.uint8)

# 腐蚀操作
eroded_image = cv2.erode(binary_image, kernel, iterations=1)

# 显示腐蚀后的图像
cv2.imshow('Eroded Image', eroded_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

13. 图像的直方图均衡化

直方图均衡化是一种常用的图像增强方法，可以改善图像的对比度。

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用直方图均衡化
equalized_image = cv2.equalizeHist(image)

# 显示直方图均衡化后的图像
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

14. 图像的模板匹配

模板匹配是一种在图像中查找特定模式的方法。

Python

复制

import cv2

# 读取图像和模板
image = cv2.imread('path_to_image.jpg')
template = cv2.imread('path_to_template.jpg', cv2.IMREAD_GRAYSCALE)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用模板匹配
result = cv2.matchTemplate(image_gray, template, cv2.TM_CCOEFF_NORMED)

# 获取匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# 绘制匹配结果
top_left = max_loc
bottom_right = (top_left[0] + template.shape[1], top_left[1] + template.shape[0])
cv2.rectangle(image, top_left, bottom_right, (0, 255, 0), 3)

# 显示匹配结果
cv2.imshow('Matched Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

15. 图像的特征提取

OpenCV提供了多种特征提取方法，如SIFT、SURF和ORB等。

15.1 ORB特征提取

Python

复制

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化ORB检测器
orb = cv2.ORB_create()

# 检测关键点和描述符
keypoints, descriptors = orb.detectAndCompute(image, None)

# 绘制关键点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=0)

# 显示特征提取结果
cv2.imshow('ORB Features', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

16. 图像的特征匹配

特征匹配是计算机视觉中的一个重要应用，可以用于图像拼接和目标识别。

Python

复制

import cv2

# 读取图像
image1 = cv2.imread('path_to_image1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('path_to_image2.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化ORB检测器
orb = cv2.ORB_create()

# 检测关键点和描述符
keypoints1, descriptors1 = orb.detectAndCompute(image1, None)
keypoints2, descriptors2 = orb.detectAndCompute(image2, None)

# 使用BFMatcher进行特征匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(descriptors1, descriptors2)

# 按距离排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制匹配结果
matched_image = cv2.drawMatches(image1, keypoints1, image2, keypoints2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

# 显示匹配结果
cv2.imshow('Feature Matching', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

17. 图像的透视变换

透视变换可以用于图像的视角校正。

Python

复制

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 定义源点和目标点
src_points = np.float32([[50, 50], [200, 50], [50, 200], [200, 200]])
dst_points = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])

# 获取透视变换矩阵
matrix = cv2.getPerspectiveTransform(src_points, dst_points)

# 应用透视变换
warped_image = cv2.warpPerspective(image, matrix, (300, 300))

# 显示透视变换后的图像
cv2.imshow('Warped Image', warped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

18. 图像的背景分割

背景分割是一种常用的视频处理技术，用于分离前景目标和背景。

Python

复制

import cv2

# 创建背景分割器
background_subtractor = cv2.createBackgroundSubtractorMOG2()

# 读取视频
cap = cv2.VideoCapture('path_to_video.mp4')

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 应用背景分割
    mask = background_subtractor.apply(frame)

    # 显示结果
    cv2.imshow('Background Subtraction', mask)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

19. 图像的实时处理

OpenCV可以用于实时图像处理，例如通过摄像头捕获视频流并进行处理。

Python

复制

import cv2

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 转换为灰度图像
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 显示灰度图像
    cv2.imshow('Gray Frame', gray_frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

20. 图像的水印添加

在图像中添加水印是一种常见的应用，可以用于版权保护。

Python

复制

import cv2

# 读取图像和水印
image = cv2.imread('path_to_image.jpg')
watermark = cv2.imread('path_to_watermark.png', cv2.IMREAD_UNCHANGED)

# 获取水印的alpha通道
alpha_channel = watermark[:, :, 3] / 255.0

# 获取水印的RGB通道
watermark = watermark[:, :, :3]

# 获取水印的大小
watermark_height, watermark_width = watermark.shape[:2]

# 获取图像的大小
image_height, image_width = image.shape[:2]

# 计算水印的位置
x = image_width - watermark_width - 10
y = image_height - watermark_height - 10

# 将水印添加到图像中
for c in range(0, 3):
    image[y:y+watermark_height, x:x+watermark_width, c] = alpha_channel * watermark[:, :, c] + (1 - alpha_channel) * image[y:y+watermark_height, x:x+watermark_width, c]

# 显示添加水印后的图像
cv2.imshow('Watermarked Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

本文从OpenCV的基本安装开始，逐步介绍了图像的读取、显示、保存、灰度化、二值化、裁剪、缩放、旋转、滤波、边缘检测、轮廓检测、形态学操作、直方图均衡化、模板匹配、特征提取、特征匹配、透视变换、背景分割、实时处理和水印添加等基础操作。这些内容为初学者提供了扎实的图像处理基础，帮助你快速上手OpenCV。

 

OpenCV从零开始：30天掌握图像处理基础
CSDN博客专家，系统架构师，有合作、疑惑请私信博主。
04-03 17万+
OpenCV从零开始：30天掌握图像处理基础，计算机视觉是人工智能领域的核心方向之一，旨在让计算机具备理解和解释视觉信息的能力。本文以 30 天学习计划为主线，结合 Python 代码与实战案例，系统讲解 OpenCV 图像处理核心技术。从环境搭建到高级应用，涵盖图像读取、几何变换、特征提取、视频处理等模块，助您快速上手计算机视觉开发。
从零开始：用OpenCV实现图像处理与目标检测的实战指南
威哥说编程
06-04 620
本文介绍了OpenCV在计算机视觉中的应用，重点讲解了图像处理和目标检测的基础操作。首先展示如何用OpenCV读取、显示和灰度化图像，并通过高斯模糊进行去噪处理。接着详细说明两种目标检测方法：传统Haar级联人脸检测和基于深度学习的YOLO物体检测。文章通过代码示例帮助读者快速入门，强调OpenCV作为开源工具的强大功能和易用性，为计算机视觉学习奠定基础。
openCV学习1——基础速成
2301_80216298的博客
11-27 411
因为上课要用，鼠鼠甚至python 0基础，所以这篇文章不会对一些Python语法做过多解释每一个板块我基本传的完整代码，不懂是什么效果的话，直接去IDE里运行一下目标：改参数能用就行(
第一章 图像处理基础
m0_57423682的博客
04-20 240
图像处理基础一、基本词汇二、图像读取、显示、保存三、图像像素处理 一、基本词汇 imread Image read的意思，读取图像 imshow Image show的意思，显示图像 waitkey 等待按键 destroyWindow 关闭窗口 filename 文件名 flags 标示 imwrite image write的意思，写图像即保存图像 UNCHANGED 不变的 GRAYSCALE 灰度 ANYDEPTH 任意深度 ANYCOLOR 任意颜色 winname 窗口名字 delay 等待 s
数字图像处理技术精要
最新发布
weixin_32661831的博客
07-17 499
图像处理是指使用计算机对图像数据执行各种操作，以达到改善图像质量、提取信息或转换图像格式的目的。它广泛应用于医疗、安全、工业、交通和许多其他领域。图像处理的最终目的是使图像更清晰、更易于理解、更适合存储或传输，甚至提供人类肉眼无法直接察觉的信息。离散余弦变换（DCT）是一种将信号从时域转换到频域的数学方法，广泛应用于图像和音频数据的压缩。DCT与离散傅里叶变换（DFT）和快速傅里叶变换（FFT）有着密切的联系，但DCT专注于实数域，能更有效地将数据集中到低频部分，这在图像压缩中尤其有用。
图像处理入门教程
热门推荐
陈俊岭的程序员之路（公众号求关注，方便交流）
12-29 6万+
　　最近有人问我图像处理怎么研究，怎么入门，怎么应用，我竟一时语塞。仔细想想，自己也搞了两年图像方面的研究，做个两个创新项目，发过两篇论文，也算是有点心得，于是总结总结和大家分享，希望能对大家有所帮助。在写这篇教程之前我本想多弄点插图，让文章看起来花哨一点，后来我觉得没必要这样做，大家花时间沉下心来读读文字没什么不好，况且学术和技术本身也不是多么花哨的东西。　　一、图像处理的应用　　这个其实没什么...
职业：图像处理入门教程
alppkk4545的博客
08-27 247
公司里有哥们想学图像处理，认为这东西看起来挺简单，应该可以很快入门进阶。他人之心，吾忖度之，不能再忖度了，否则会变成以小人之心度君子之腹。所以，应哥们的要求，我给他介绍一个图像处理入门教程。看起来入门比较麻烦，其实，只要功夫深，铁杵磨成针，欲速则不达，慢慢来，日积月累，总有一天可以运用自如，到达信手拈来的地步。 1 通识课程基础 ...
图像处理基础教程
07-09
图像处理方面的经典教程，整理后上传的，对数模什么的都有用
opencv python书籍_OpenCV轻松入门：面向python
weixin_39955142的博客
11-25 450
第1章 OPENCV入门11.1 如何使用11.2 图像处理基本操作31.2.1 读取图像31.2.2 显示图像51.2.3 保存图像91.3 OpenCV贡献库10第2章 图像处理基础112.1 图像的基本表示方法112.2 像素处理152.3 使用numpy.array访问像素232.4 感兴趣区域（ROI）292.5 通道操作322.5.1 通道拆分322.5.2...
OpenCV入门教程：从零开始学习图像处理
"本资源为OpenCV的基础教程，适合初学者，内容涵盖了OpenCV的Canny边缘...此外，教程可能还会涵盖更多OpenCV的基础操作，如读取和显示图像、颜色空间转换以及其他的图像处理技术，为学习者提供全面的OpenCV入门知识。
YOLO编程入门：从零搭建目标检测项目基础教程
05-25
本教程将指导读者如何从零开始搭建一个简单的目标检测项目。首先，需要准备一个合适的编程环境。Python是YOLO编程的主要语言，因此，需要安装Python3.7或更高版本，并确保使用pip工具安装必要的库，例如OpenCV、...
OpenCV轻松入门_python-opencvpdf_opencv
09-10
OpenCV轻松入门，面向Python
opencv 入门指南
10-18
opencv 开发指南，计算机视觉基础
从零开始：OpenCV 图像处理快速入门教程
weixin_43124720的博客
02-06 1154
从零开始：OpenCV 图像处理快速入门教程，适合初学者，0基础入门教程
OpenCV轻松入门（一）——OpenCV入门
weixin_46157873的博客
08-04 2123
import cv2 file_path = '/Users/guojun/Desktop/cute.jpeg' # 读取图片 retval = cv2.imread(file_path, cv2.IMREAD_GRAYSCALE) # 创建显示的窗口名称 cv2.namedWindow('cute') # 在窗口上显示图片 cv2.imshow('cute', retval) # 等待按键，0表示无限等待 cv2.waitKey(0) # 引用一个不存在的窗口来显示图像也是ok的 cv2.imsh.
Image Processing——图像处理教程（二）之MATLAB基础
hhy_csdn的博客
10-03 1万+
图像处理的MATLAB
OpenCV简单入门
玦尘的自说自话
07-14 682
什么是OpenCV OpenCV是一个基于BSD许可（开源）发行的轻量级跨平台计算机视觉库。它可以运行在Linux、Windows、Android和Mac OS操作系统上。它由一系列 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...
OpenCV系列课程一：图像处理入门（读写、拆分合并、变换、注释）、视频处理
qq_56591814的博客
10-13 2755
Opencv（Open Source Computer Vision Library）是一个基于开源发行的跨平台计算机视觉库，它实现了图像处理和计算机视觉方面的很多通用算法，已成为计算机视觉领域最有力的研究工具。在这里我们要区分两个概念：图像处理和计算机视觉的区别：图像处理侧重于“处理”图像–如增强，还原，去噪，分割等等；而计算机视觉重点在于使用计算机来模拟人的视觉，因此模拟才是计算机视觉领域的最终目标。
OpenCV 轻松入门 -图像轮廓
weixin_57013019的博客
05-19 196
OpenCV 轻松入门 -图像轮廓 一.什么是图像轮廓 二.使用步骤 1.获取图像轮廓 2.绘制图像轮廓 3.实物轮廓检测 总结 ——————————————————————— 一.什么是轮廓 图像轮廓是指将边缘连接起来形成的一个整体，用于后续计算。图像轮廓是图像中非常重要的一个信息，通过对图像轮廓的操作，我们能够获得目标图像的大小，方向，位置等信息。 二.使用步骤 1.获取图像轮廓 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值