OPENCV图像处理基础

最新推荐文章于 2025-07-23 22:03:10 发布
原创 最新推荐文章于 2025-07-23 22:03:10 发布 · 1w 阅读 · 489 ·
CC 4.0 BY-SA版权
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。

OPENCV图像处理基础

1.图像处理基础

1.1 数字图像

1.1.1 数字图像概念：

数字图像：又称数码图像，一幅二维图像可以由一个数组或矩阵表示。数字图像可以理解为一个二维函数f(x,y),其中x和y是空间（平面）坐标，而在任意坐标出的值f称为图像在该点处的强度或灰度。

图像处理的目的：改善图示的信息便于人们理解，有利于存储、传输和表示。
在这里插入图片描述

1.1.2 数字图像起源：

起源于20世纪20年代，媒体报纸业。

1.1.3 常见成像方式：

电磁波谱；γ射线成像；X射线成像；紫外线波段成像可见光波段成像；红外线波段成像等；
下图为X-射线成像：
在这里插入图片描述

1.1.4 数字图像的应用：

传统领域：医学，空间应用，生物学，军事
最新领域：数码相机，指纹识别，人脸识别，图像检索，游戏，电影特技等；
图像处理、机器视觉、人工智能关系：
图像处理主要研究二维图像，处理一个图像或一组图像之间的相互转换过程，包括图像滤波、图像识别、图像分割等；计算机视觉主要研究映射到单幅或多幅图像上的三维场景，从图像中提取抽象的语义信息，实现图像理解是计算机视觉的追求目标；人工智能在计算机视觉上的目标就是解决像素值和语义之间关系，主要的问题又图片检测、图片识别、图片分割和图片检索等。

1.1.5 Opencv介绍：

  • 开源发行的跨平台计算机视觉库，是数字图像处理和计算机视觉领域非常常见的工具包
    安装：打开终端/命令行cmd/虚拟环境，使用命令：pip install opencv-contrib-python 或 pip install opencv-python
    如果安装失败，可先下载再使用pip命令安装，具体可参考相关教程。

1.2 图像属性

1.2.1 图像格式：

BMP格式：Windows系统下的标准位图格式，未经过压缩，一般图像文件比较大
JPEG格式：应用最广泛的格式之一，它采用一种特殊的有损压缩算法，达到较大的压缩比（可达到2：1甚至40：1）
GIF格式：可以是一张静止的图片，也可以是动画，支持透明背景图像，适用于多种操作系统，“体型”很小。但是其色域不太广，只支持256种颜色。
PNG格式：与JPG格式类似，压缩比高于GIF，支持图像透明，支持Alpha通道调节图像的透明度。
TIFF：特点是图像格式复杂，存储信息多，在Mac中广泛使用，非常有利于原稿的复制。很多地方将TIFF格式用于印刷。

注：JPEG和JPG区别可参考：https://www.zhihu.com/question/20329498。这里可理解为一个东西。

1.2.2 图像尺寸：

图像尺寸的长度和宽度以像素为单位。
像素（pixel）：像素是数码影像最基本的单位，每个像素就是一个小点，不同颜色的点聚集起来即成为一幅图片。灰度像素点数值范围在0到255之间，0表示黑，255表示白，其他值表示处于黑白之间；彩色图用红、绿、蓝三通道的二维矩阵来表示。每个数值也是在0~255之间，0表示相应的基色，而255则表示相应的基色在该像素中取得最大值。

1.2.3 图像分辨率和通道：

分辨率：单位长度中的像素数目。每英寸图像中的像素点数，单位是像素每英寸（PPI）。图像分辨率越高，像素的点密度越高，图像越清晰。
通道数：图像的位深度，是指描述图像中每个pixel数值所占的二进制数。位深度越大则图像能表示的颜色数就越多，色彩越丰富逼真。

  • 8位：单通道图像，也就是灰度图，灰度值范围2^8=256
  • 24位：三通道3*8=24
  • 32位：三通道加透明度Alpha通道
    在这里插入图片描述

1.2.4 图像直方图：

图像直方图（Image Histogram）是用来表示数字图像中亮度分布的直方图，描绘了图像中每个亮度值的像素数。图像直方图中，横坐标左侧为纯黑、较暗的区域，右侧为较亮、纯白的区域。

图像直方图能表现出图像中的像素强度分布情况，它统计了每一个强度值所具有的像素个数。我们常借助图像直方图来实现图像的二值化。

1.2.5 图像颜色空间：

概念：一种彩色模型，用途实在某些标准下用通常可接受的方式对彩色加以说明。
常见颜色空间：RGB HSV HSI CMYK

RGB颜色空间：依据人眼识别的颜色创建，图像中每一个像素都有R,G,B三个颜色分量组成，这三个大小均为【0，255】。通常表示某个颜色的时候，写成一个3维向量的形式，如（105，123，135）。
颜色模型：归一化后，原点（0，0，0)对应黑色，距原点最远的顶点对应白色，坐标为（1，1，1）；从黑色到白色的灰度值分布在这两个点的连线上，该虚线称为灰度线；立方体的其余各点对应不同的颜色，红绿蓝等等。
在这里插入图片描述
HSV颜色空间：根据颜色的直观特性创建的一种颜色空间。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。
颜色模型：S通道，色彩/色调，代表颜色；S通道，饱和度，取值范围0%~100%，值越大颜色越饱和；V通道，明暗，数值越高越明亮，0%黑到100%白。
在这里插入图片描述

1.3 本章代码实现

1.读入图像
在这里插入图片描述

#导入opencv的python版本依赖库cv2
import cv2

#使用opencv中imread函数读取图片，
#0代表灰度图形式打开，1代表彩色形式打开
img = cv2.imread('split.jpg',1)
print(img.shape)
#print(img)

2.显示图像及保存图像（cv2和plt）
在这里插入图片描述
在这里插入图片描述

#导入opencv依赖库
import cv2

#读取图像，读取方式为彩色读取
img = cv2.imread('split.jpg',1)
#
cv2.imshow('photo',img)
k = cv2.waitKey(0)
if k == 27:   # 输入ESC键退出
    cv2.destroyAllWindows()
elif k == ord('s'): # 输入S键保存图片并退出
    cv2.imwrite('split_.jpg',img)
cv2.destroyAllWindows()

import cv2
from matplotlib import pyplot as plt

#使用Matplotlib导入图像
img = cv2.imread('test_image.png',0)
plt.imshow(img, cmap = 'gray', interpolation = 'bicubic')

#隐藏X、Y轴上的刻度
#plt.xticks([]), plt.yticks([])
plt.show()

3.通道转化，三通道转为单通道灰度图

在这里插入图片描述

import cv2 
#读入原始图像，使用cv2.IMREAD_UNCHANGED
img = cv2.imread("girl.jpg",cv2.IMREAD_UNCHANGED)
#查看打印图像的shape
shape = img.shape
print(shape)
#判断通道数是否为3通道或4通道
if shape[2] == 3 or shape[2] == 4 :
    #将彩色图转化为单通道图
    img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    cv2.imshow("gray_image",img_gray)
cv2.imshow("image", img)
cv2.waitKey(1000)
cv2.destroyAllWindows()

4.通道转化，单通道转为三通道灰度图

img_color = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)

5.图像通道分离与合并

import cv2 as cv
import numpy as np
src=cv.imread('split.jpg')
#cv.namedWindow('before',cv.WINDOW_NORMAL)
cv.imshow('before',src)
cv.waitKey(0)
#通道分离
b,g,r=cv.split(src)
cv.imshow('blue',b)
cv.imshow('green',g)
cv.imshow('red',r)
cv.waitKey(0)
#通道合并
#merge参数以list形式输入
src=cv.merge([b,g,r])
cv.imshow('merge',src)
cv.waitKey(0)
# 修改某个通道
src[:,:,2]=100
cv.imshow('single',src)
cv.waitKey(0)
cv.destroyAllWindows()

6.RGB转BGR

import cv2 
import matplotlib.pyplot as plt 
img = cv2.imread("test2.png", cv2.IMREAD_COLOR)
cv2.imshow("Opencv_win", img)
# 用opencv自带的方法转
img_cv_method = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 用numpy转，img[:,:,::-1]列左右翻转
img_numpy_method = img[:,:,::-1] # 本来是BGR 现在逆序，变成RGB
# 用matplot画图
plt.subplot(1,3,1)
plt.imshow(img_cv_method)
plt.subplot(1,3,2)
plt.imshow(img_numpy_method)
plt.subplot(1,3,3)
plt.imshow(img)
plt.savefig("./plt.png")
plt.show()
#保存图片
cv2.imwrite("opencv.png", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.RGB与HSV转化

import cv2
#色彩空间转换函数
def color_space_demo(image):
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    cv2.imshow('gray',gray)
    hsv=cv2.cvtColor(image,cv2.COLOR_BGR2HSV)
    #print(hsv)
    cv2.imshow('hsv',hsv)
#读入一张彩色图
src=cv2.imread('girl.jpg')
cv2.imshow('before',src)
#调用color_space_demo函数进行色彩空间转化
color_space_demo(src)
cv2.waitKey(0)
cv2.destroyAllWindows()

8.绘制直方图
在这里插入图片描述

方法一

from matplotlib import pyplot as plt
import cv2

girl = cv2.imread("girl.jpg")
cv2.imshow("girl", girl)
# girl.ravel()函数是将图像的三位数组降到一维上去，
#256为bins的数目,[0, 256]为范围
plt.hist(girl.ravel(), 256, [0, 256])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

方法二

from matplotlib import pyplot as plt
import cv2
import numpy as np
img = cv2.imread('girl.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.imshow(img_gray, cmap=plt.cm.gray)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])


plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

三通道直方图绘制

from matplotlib import pyplot as plt
import cv2
girl = cv2.imread("girl.jpg")
cv2.imshow("girl", girl)
color = ("b", "g", "r")
#使用for循环遍历color列表，enumerate枚举返回索引和值
for i, color in enumerate(color):
    hist = cv2.calcHist([girl], [i], None, [256], [0, 256])
    plt.title("girl")
    plt.xlabel("Bins")
    plt.ylabel("num of perlex")
    plt.plot(hist, color = color)
    plt.xlim([0, 260])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

2.图像基本操作与opencv代码实现

2.1 Opencv中的绘图函数

1.线段绘制
在这里插入图片描述
2.矩形绘制
在这里插入图片描述
3.圆绘制
在这里插入图片描述
4.椭圆绘制
在这里插入图片描述
5.多边形绘制
在这里插入图片描述
6.添加文字
在这里插入图片描述
7.代码实现

import numpy as np
import cv2

# 创建一张黑色的背景图
img=np.zeros((512,512,3), np.uint8)

# 绘制一条线宽为5的线段
cv2.line(img,(0,0),(511,511),(255,0,0),1)

# 画一个绿色边框的矩形，参数2：左上角坐标，参数3：右下角坐标
cv2.rectangle(img,(384,0),(510,128),(0,255,0),3)

# 画一个填充红色的圆，参数2：圆心坐标，参数3：半径
cv2.circle(img,(447,63), 63, (0,0,255), -1)

# 在图中心画一个填充的半圆
cv2.ellipse(img, (256, 256), (100, 50), 0, 0, 180, (255, 0, 0), -1)

#绘制多边形
pts=np.array([[10,5],[20,30],[70,20],[50,10]], np.int32)
pts=pts.reshape((-1,1,2))
cv2.polylines(img,[pts], True, (0,0,255),1)

# 这里 reshape 的第一个参数为-1, 表明这一维的长度是根据后面的维度的计算出来的。
#添加文字
font=cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img,'OpenCV',(10,500), font, 4,(255,255,255),2)


winname = 'example'
cv2.namedWindow(winname)
cv2.imshow(winname, img)
cv2.waitKey(0)
cv2.destroyWindow(winname)

效果如下：
在这里插入图片描述

2.2 图像的几何变换

1.图像平移
将图像中所有的点按照指定的平移量水平或者垂直移动。
在这里插入图片描述

import cv2
import numpy as np
img = cv2.imread('img2.png')
# 构造移动矩阵H
# 在x轴方向移动多少距离，在y轴方向移动多少距离
H = np.float32([[1, 0, 50], [0, 1, 25]])
rows, cols = img.shape[:2]
print(img.shape)
print(rows, cols)

# 注意这里rows和cols需要反置，即先列后行
res = cv2.warpAffine(img, H, (2*cols, 2*rows))  
cv2.imshow('origin_picture', img)
cv2.imshow('new_picture', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.图像缩放
下采样：缩小图像称为下采样或降采样。
上采样：放大图像称为上采样。
图像缩放是指图像大小按照指定的比例或长宽进行放大或缩小。
在这里插入图片描述
在这里插入图片描述

import cv2
import numpy as np

img = cv2.imread('img2.png')
# 方法一：通过设置缩放比例，来对图像进行放大或缩小
res1 = cv2.resize(img, None, fx=2, fy=2, 
                  interpolation=cv2.INTER_CUBIC)
height, width = img.shape[:2]
# 方法二：直接设置图像的大小，不需要缩放因子
#cv2.INTER_NEAREST（最近邻插值） cv2.INTER_AREA （区域插值） cv2.INTER_CUBIC（三次样条插值） cv2.INTER_LANCZOS4（Lanczos插值）

res2 = cv2.resize(img, (int(0.8*width), int(0.8*height)),interpolation=cv2.INTER_LANCZOS4)
cv2.imshow('origin_picture', img)
#|cv2.imshow('res1', res1)
cv2.imshow('res2', res2)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.图像旋转
根据图像的旋转中心，将图像旋转一定的角度。旋转后图像的大小一般会改变，即可以把转出显示区域的图像截去，或者扩大图像范围来显示所有的图像。图像的旋转变换也可以用矩阵变换来表示。
设点p0(x,y)逆时针旋转θ角后的对应坐标为p(x,y),则p(x,y)为：
在这里插入图片描述
为避免信息的丢失，图像平移前应有一定的坐标平移。图像旋转后，会出现许多空洞点，对这些点需要进行填充处理。
在这里插入图片描述

import cv2
import numpy as np
img=cv2.imread('img2.png',1)
rows,cols=img.shape[:2]
#参数1：旋转中心，参数2：旋转角度，参数3：缩放因子
#参数3正为逆时针，负值为正时针
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,1,)
print(M)
#第三个参数是输出图像的尺寸中心
dst=cv2.warpAffine(img,M,(cols,rows))
#borderValue为填充值
#dst=cv2.warpAffine(img,M,(cols,rows),borderValue=(255,255,255))
while(1):
    cv2.imshow('img', img)
    cv2.imshow('img1',dst)
    #0xFF==27  ESC
    if cv2.waitKey(1)&0xFF==27:
        break
cv2.destroyAllWindows()

4.仿射变换
仿射变换是对图像进行旋转、平移、缩放等操作以达到数据增强的效果。
特点：变换前是直线，变换后依然是直线；直线的比例保持不变。
在这里插入图片描述
在这里插入图片描述

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src = cv2.imread('bird.png')
#获取图像大小
rows, cols = src.shape[:2]
#设置图像仿射变换矩阵
pos1 = np.float32([[50,50], [200,50], [50,200]])
pos2 = np.float32([[10,100], [200,50], [100,250]])
M = cv2.getAffineTransform(pos1, pos2)
print(M)
#图像仿射变换
result = cv2.warpAffine(src, M, (2*cols, 2*rows))
#显示图像
cv2.imshow("original", src)

cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

5.透视变化
将图像投影到一个新的视平面。
在这里插入图片描述

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src = cv2.imread('bird.png')
#获取图像大小
rows, cols = src.shape[:2]
#设置图像透视变换矩阵
pos1 = np.float32([[114, 82], [287, 156],
                   [8, 100], [143, 177]])
pos2 = np.float32([[0, 0], [188, 0], 
                   [0, 262], [188, 262]])
M = cv2.getPerspectiveTransform(pos1, pos2)
#图像透视变换
result = cv2.warpPerspective(src, M, (2*cols,2*rows))
#显示图像
cv2.imshow("original", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

6.文档

最低0.47元/天 解锁文章

200万优质内容无限畅学
wang-jin
关注
opencv对图像处理
m0_53850135的博客
10-26 1769
腐蚀：求局部最小值，原图高亮部分被蚕食膨胀：求局部最大值，原图高亮部分部分扩张。
OpenCV图像处理
陶将的博客
03-19 531
Opencv提供两种变换函数，cv2.warpAffine()和cv2.warpPerspective()
opencv学习（图像处理）
最新发布
weixin_63566653的博客
07-23 1462
方法有：均值滤波（做简单的平均卷积操作，进行归一化），方框滤波（基本和均值一样，可以选择归一化（所有在卷积核中的数值相加求平均值），也可以不归一化），高斯滤波（高斯模糊的卷积核里的数值的满足高斯分布(正态分布)的，相当于更重视中间的数值），中值滤波（对卷积核中的像素数值从小到大排序，用中间值代替）等。BORDER_REFLECT 101:反射法，也就是以最边缘像素为轴，对称，gfedcb | abcdefgh | gfedcba。CV2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变。
OpenCV图像处理（全）
热门推荐
shinuone的博客
08-30 8万+
备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。
opencv图像处理
baimei1的博客
06-27 1727
opencv接口调用
精品推荐-OpenCV图像处理基础教程合集（视频+课件+代码）.zip
04-30
精品推荐-OpenCV图像处理基础教程合集，包含视频+课件+代码。 1. 概述 - OpenCV介绍与环境搭建 2. 加载、修改、保存图像 3. 矩阵的掩膜操作 4. Mat对象 5. 图像操作 6. 图像混合 7. 调整图像亮度与对比度 8. 绘制...
【计算机视觉】OpenCV图像处理基础操作：图像调整与几何变换方法综述OpenCV库在
04-17
内容概要：本文档《OpenCV图像处理基础操作指南》详细介绍了OpenCV库在图像处理方面的基础操作，包括调整图像亮度与对比度、Gamma校正、色彩空间转换（RGB转HSV/灰度）、调整色相/饱和度、几何变换（缩放、旋转、...
OpenCV图像处理与分析实验室工具
04-27
OpenCV图像处理与分析实验室工具是一个强大的软件包，它利用OpenCV库来提供一系列图像处理与分析的操作。OpenCV是一个开源的计算机视觉和机器学习软件库，它提供了丰富的功能来执行复杂的视觉任务，如图像捕捉、转换...
OpenCV图像处理基础——基于C++实现
06-19
OpenCV图像处理基础——基于C++实现版本视频培训课程概况：教程中会讲解到OpenCV的基础知识及使用方法，并基于OpenCV实现基础的图像处理算法；除此之外课程包含如下的内容： 图像颜色空间及类型转换及应用（BGR、...
【计算机视觉】OpenCV图像处理基础操作指南：涵盖亮度对比度调整、色彩空间转换及图像滤波增强技术
04-28
内容概要：本文档《OpenCV图像处理基础操作指南》详细介绍了OpenCV这一广泛应用于计算机视觉和图像处理领域的开源库的基础操作。内容包括OpenCV的安装方法，以及对图像进行基本调整的操作，如调整亮度和对比度、改变...
OpenCV中的图像处理
qq_45194239的博客
08-01 843
注意：HSV的色相范围为[0, 179]，饱和度范围为[0, 255]，值范围为[0, 255]，不同的软件使用不同的规模，因此要将OpenCV值和它们比较，需要将这些范围标准化。查看以下示例，输入图像为噪点图像，在第一种情况下，采用值为127的全局阈值；在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行。函数的第三个参数是输出图像的大小，其形式应为(width, height)，其中width = 列数，height = 行数。，图像的大小可以手动指定，也可以指定缩放比例，可以使用不同的插值方法。
OpenCV 中的图像处理
春华秋实
01-22 1042
颜色空间转换 目标 • 你将学习如何对图像进行颜色空间转换，比如从BGR 到灰度图，或者从BGR 到HSV 等。 • 我没还要创建一个程序用来从一幅图像中获取某个特定颜色的物体。 • 我们将要学习的函数有：cv2.cvtColor()，cv2.inRange() 等。
opencv基本的图像处理
qq_20467929的博客
07-31 560
opencv常用图像处理，基本使用方法总结
OpenCV 图片处理与绘制
思则变的专栏
11-18 1842
将彩色图像转化为灰度图像的过程是图像的灰度化处理。彩色图像中的每个像素的颜色由R，G，B 三个分量决定，而每个分量中可取值0-255，这样一个像素点可以有1600 多万（256*256*256=1677256）的颜色的变化范围。而灰度图像是R，G，B 三个分量相同的一种特殊的彩色图像，其中一个像素点的变化范围为256 种，所以在数字图像处理中一般将各种格式的图像转化为灰度图像以使后续的图像的计算量少一些。灰度图像的描述与彩色图像一。
Python OpenCV 图像处理基础教程
这些基础知识构成了OpenCV图像处理的基础，通过它们可以实现各种图像分析和处理任务。随着对OpenCV的理解加深，可以进一步探索更复杂的计算机视觉算法和应用，例如目标识别、人脸识别、图像分割等。
评论 4
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