
一、环境准备
python
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 配置中文字体显示(可选)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
二、图像的基本操作
1. 图像读取、显示与保存
使用OpenCV操作
python
# 读取图像(支持多种格式)
img = cv2.imread('example.jpg')
print(f"图像尺寸: {img.shape}") # 输出:(高度, 宽度, 通道数)
# 显示图像
cv2.imshow('OpenCV Window', img)
cv2.waitKey(0) # 等待按键
cv2.destroyAllWindows()
# 保存图像
cv2.imwrite('output.jpg', img) # 自动保存为JPG格式
使用Matplotlib操作
python
# 读取并显示图像
plt.figure(figsize=(10,5))
img_plt = plt.imread('example.png') # 自动归一化到[0,1]
plt.subplot(121)
plt.imshow(img_plt)
plt.title('Matplotlib显示')
# OpenCV与Matplotlib颜色空间差异
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # BGR转RGB
plt.subplot(122)
plt.imshow(img_rgb)
plt.title('OpenCV转RGB显示')
plt.show()
⚠️ 注意事项:
- OpenCV读取的像素值范围是[0,255],Matplotlib自动归一化到[0,1]
- 路径含中文时需使用
cv2.imdecode
特殊处理- 保存质量可通过参数控制(如
cv2.imwrite('out.jpg', img, [int(cv2.IMWRITE_JPEG_QUALITY), 90])
)
2. 像素级操作
单个像素访问与修改
python
# 访问特定位置像素值
px = img[100, 50] # 获取坐标(50,100)处像素值
print(f"Blue={px[0]}, Green={px[1]}, Red={px[2]}")
# 修改像素值
img[100, 50] = [0, 255, 0] # 将该位置改为绿色
区域像素操作
python
# 提取ROI区域(感兴趣区域)
roi = img[50:150, 100:200]
# 批量修改像素值
img[200:300, 300:400] = [0, 0, 255] # 填充红色矩形
像素值统计分析
python
print(f"最大像素值: {img.max()}")
print(f"最小像素值: {img.min()}")
print(f"平均像素值: {img.mean()}")
3. 通道操作
通道分离与合并
python
# 分离通道(OpenCV方式)
b, g, r = cv2.split(img)
cv2.imshow('Blue Channel', b)
# 合并通道
merged = cv2.merge([b, g, r])
# 直接操作特定通道(Numpy方式)
img_copy = img.copy()
img_copy[:, :, 0] = 0 # 清空蓝色通道
多光谱分析示例
python
# 显示各通道灰度图
plt.figure(figsize=(12, 3))
for i, ch in enumerate(['Blue', 'Green', 'Red']):
plt.subplot(1,3,i+1)
plt.imshow(cv2.split(img)[i], cmap='gray')
plt.title(f'{ch}通道')
plt.axis('off')
plt.show()
三、完整实践案例
python
def image_processing_pipeline(path):
# 1. 图像读取
src = cv2.imread(path)
if src is None:
print("错误:无法读取图像!")
return
# 2. 通道分析
b, g, r = cv2.split(src)
# 3. 创建特殊效果
special_effect = src.copy()
special_effect[:, :, 1] = cv2.add(special_effect[:, :, 1], 50) # 增强绿色通道
# 4. 结果展示
plt.figure(figsize=(15, 5))
plt.subplot(141)
plt.imshow(cv2.cvtColor(src, cv2.COLOR_BGR2RGB))
plt.title('原图')
plt.subplot(142)
plt.imshow(r, cmap='gray')
plt.title('红色通道')
plt.subplot(143)
plt.imshow(special_effect[:, :, [2,1,0]])
plt.title('增强绿色通道')
plt.subplot(144)
plt.imshow(b, cmap='viridis') # 使用不同色图
plt.title('蓝色通道(Viridis色图)')
plt.tight_layout()
plt.show()
# 执行处理流程
image_processing_pipeline('test_image.jpg')
四、性能优化技巧
- 向量化操作替代循环:
python
# 推荐方式(Numpy向量化)
start_time = cv2.getTickCount()
brighter = cv2.add(img, np.array([30]))
print(f"耗时:{(cv2.getTickCount() - start_time)/cv2.getTickFrequency():.4f}s")
# 不推荐方式(双重循环)
start_time = cv2.getTickCount()
for y in range(img.shape[0]):
for x in range(img.shape[1]):
img[y,x] = np.clip(img[y,x] + 30, 0, 255)
print(f"耗时:{(cv2.getTickCount() - start_time)/cv2.getTickFrequency():.4f}s")
- 内存连续性优化:
python
# 检查数组内存布局
if not img.flags.c_contiguous:
img = np.ascontiguousarray(img)
五、常见问题解决方案
-
图像无法显示:
- 检查路径是否包含中文/特殊字符
- 确认图像尺寸是否超过屏幕分辨率
- 尝试使用
cv2.resizeWindow()
调整窗口大小
-
颜色显示异常:
python# 统一颜色空间转换 def show_image统一(img_bgr, title='Image'): plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)) plt.title(title) plt.axis('off') plt.show()
-
大图像处理:
python# 金字塔下采样 pyramid = cv2.pyrDown(img) print(f"下采样后尺寸:{pyramid.shape}")
六、扩展学习方向
-
进阶操作:
- 使用
cv2.LUT()
实现色彩查找表变换 - 掩膜操作(mask)进行区域处理
- 利用Numpy数组的布尔索引进行条件修改
- 使用
-
性能提升:
- 使用OpenCV内置函数替代Python循环
- 多线程处理图像块
- CUDA加速(需安装opencv-contrib-python包)
-
实际应用:
- 图像增强:直方图均衡化、CLAHE算法
- 颜色空间转换:HSV/YUV等
- 形态学操作:腐蚀、膨胀
通过掌握这些基础操作,您将为后续的图像处理学习打下坚实基础。建议通过实际项目(如证件照背景替换、图像特效制作)加深理解。
下一篇我们将进入图像的「几何变换世界」,学习如何用数学矩阵实现图像的平移、旋转、缩放,以及不同插值算法对图像质量的影响。现在请打开你的图像,尝试裁剪一个有趣的ROI区域并修改它的颜色吧!
思考:为什么对大尺寸图像使用
cv2.split()
会更耗内存?如何用NumPy实现更高效的通道分离?