python中的经典视觉模块：OpenCV(cv2)全面解析

[1. 前言](#1. 前言)

[2. 图像的读取、显示与保存](#2. 图像的读取、显示与保存)

[3. 图像的基本操作](#3. 图像的基本操作)

[4. 图像的颜色空间转换](#4. 图像的颜色空间转换)

[5. 图像的几何变换：对图像进行 "变形" 处理](#5. 图像的几何变换：对图像进行 “变形” 处理)

[6. 图像的滤波：给图像 "磨皮" 或 "祛痘"](#6. 图像的滤波：给图像 “磨皮” 或 “祛痘”)

[7. 图像的边缘检测：勾勒出图像的关键轮廓](#7. 图像的边缘检测：勾勒出图像的关键轮廓)

[8. 总结](#8. 总结)

1. 前言

在数字图像处理和计算机视觉领域，OpenCV 是一个极其强大且被广泛使用的开源库。本文将带大家简单了解 cv2 库中那些最实用、最常用的函数，让大家能粗略运用它们来完成各种基本图像处理任务，开启图像处理之旅。

2. 图像的读取、显示与保存

cv2.imread()：读取图像文件，把图像带进程序里
- 语法：cv2.imread(filename[, flags])
- 参数解释 ：
  - filename：图像文件的路径，就像告诉程序 "我要读哪个文件"。
  - flags：决定读取图像的方式。cv2.IMREAD_COLOR 是默认选项，读取彩色图像，只是会忽略透明度信息；cv2.IMREAD_GRAYSCALE 会把图像读成灰度的，只保留明暗信息；cv2.IMREAD_UNCHANGED 则是原汁原味地读取图像，包括透明度通道。
- 示例代码 ：

python 复制代码

import cv2

# 读取彩色图像
image = cv2.imread('image.jpg', cv2.IMREAD_COLOR)

# 读取灰度图像
gray_image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

cv2.imshow()：把图像展示出来，让你能看到读取的效果
- 语法：cv2.imshow(winname, mat)
- 参数解释 ：
  - winname：给显示图像的窗口起个名字，方便识别。
  - mat：就是你想显示的图像对应的矩阵对象。
- 示例代码 ：

python 复制代码

# 显示彩色图像
cv2.imshow('Colored Image', image)

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

# 等待用户按键事件，让窗口能停留展示图像
cv2.waitKey(0)

# 关闭所有创建的窗口，防止资源占用
cv2.destroyAllWindows()

cv2.imwrite()：把处理好的图像保存下来，留存结果
- 语法：cv2.imwrite(filename, img[, params])
- 参数解释 ：
  - filename：保存图像的文件名，包括路径和扩展名，比如存到哪个文件夹、用什么格式（.jpg、.png 等）保存。
  - img：要保存的图像对应的矩阵。
  - params：可以指定一些编码参数，像保存 JPEG 文件时，能设置压缩质量。
- 示例代码 ：

python 复制代码

# 保存图像
cv2.imwrite('saved_image.jpg', image)

# 保存灰度图像
cv2.imwrite('saved_gray_image.jpg', gray_image)

3. 图像的基本操作

获取图像属性：知道图像的基本信息
- 图像的形状 ：用 shape 属性，能知道图像的尺寸。彩色图像返回（行数，列数，通道数），灰度图像返回（行数，列数）。
- 示例代码 ：

python 复制代码

# 获取图像形状
print('Image shape:', image.shape)

# 获取灰度图像形状
print('Gray image shape:', gray_image.shape)

图像的数据类型：用 `dtype` 属性，了解图像像素的类型。

示例代码：

python 复制代码

# 获取图像数据类型
print('Image data type:', image.dtype)

图像的大小** ：用 `size` 属性，得到图像像素的总数。

示例代码：

python 复制代码

# 获取图像大小
print('Image size:', image.size)

图像通道分离与合并：对图像的色彩通道进行 "手术"
- cv2.split()：把图像的通道分开
- 示例代码 ：

python 复制代码

# 分离彩色图像通道，得到 B（蓝）、G（绿）、R（红）通道
b, g, r = cv2.split(image)

cv2.merge()：把单独的通道再合并回去

示例代码：

python 复制代码

# 合并通道，得到完整的彩色图像
merged_image = cv2.merge([b, g, r])

4. 图像的颜色空间转换

cv2.cvtColor()：实现颜色空间的转换
- 语法：cv2.cvtColor(src, code[, dst[, dstCn]])
- 参数解释 ：
  - src：输入图像。
  - code：转换的规则代码，比如 cv2.COLOR_BGR2GRAY 是把 BGR 转为灰度，cv2.COLOR_BGR2HSV 是转为 HSV 色彩模式。
  - dst：输出图像。
  - dstCn：输出图像的通道数。
- 示例代码 ：

python 复制代码

# 将 BGR 转换为灰度
gray_image2 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 将 BGR 转换为 HSV
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

5. 图像的几何变换：对图像进行 "变形" 处理

图像缩放：把图像放大或缩小
- cv2.resize()：调整图像大小
- 语法：cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])
- 参数解释 ：
  - src：输入图像。
  - dsize：直接指定输出图像的大小，像（宽，高）。
  - fx 和 fy：分别沿 x、y 轴的缩放比例。
  - interpolation：插值方法，cv2.INTER_LINEAR 适合放大图像，cv2.INTER_AREA 适合缩小图像。
- 示例代码 ：

python 复制代码

# 缩小图像
resized_image_small = cv2.resize(image, (300, 200), interpolation=cv2.INTER_AREA)

# 放大图像
resized_image_large = cv2.resize(image, (800, 600), interpolation=cv2.INTER_LINEAR)

图像平移：把图像在平面上 "挪个位置"
- 先构造平移矩阵，二维平移矩阵长这样：然后调用 cv2.warpAffine() 函数实现平移。
- 示例代码 ：

python 复制代码

# 创建平移矩阵，沿 x 轴平移 50 像素，沿 y 轴平移 100 像素
tx = 50
ty = 100
translation_matrix = np.array([[1, 0, tx],
                               [0, 1, ty]], dtype=np.float32)

# 进行平移操作
translated_image = cv2.warpAffine(image, translation_matrix, (image.shape[1], image.shape[0]))

图像旋转：让图像 "转个身"
- 先用 cv2.getRotationMatrix2D() 函数构造旋转矩阵。
- 语法：cv2.getRotationMatrix2D(center, angle, scale)
- 参数解释 ：
  - center：旋转围绕的中心点坐标。
  - angle：旋转角度，正数代表逆时针转。
  - scale：旋转时的缩放比例，1.0 表示不缩放。
- 再用 cv2.warpAffine() 函数完成旋转。
- 示例代码 ：

python 复制代码

# 创建旋转矩阵，以图像中心为旋转中心，旋转 45 度，不缩放
center = (image.shape[1] // 2, image.shape[0] // 2)
angle = 45
scale = 1.0
rotation_matrix = cv2.getRotationMatrix2D(center, angle, scale)

# 进行旋转操作
rotated_image = cv2.warpAffine(image, rotation_matrix, (image.shape[1], image.shape[0]))

当我们想取图像的中心点作为旋转中心时，正确的写法是 center = (image.shape[1] // 2, image.shape[0] // 2)，而不是 center = (image.shape[0] // 2, image.shape[1] // 2)，原因如下：

image.shape[1] 得到的是图像的宽度（即列数），对应 x 轴方向的尺寸，所以用它除以 2 得到图像中心在 x 轴方向的坐标，也就是中心点的 x 坐标。
image.shape[0] 得到的是图像的高度（即行数），对应 y 轴方向的尺寸，所以用它除以 2 得到图像中心在 y 轴方向的坐标，也就是中心点的 y 坐标。

图像裁剪：从图像中 "裁" 出需要的部分

借助数组切片操作就行。
- 示例代码 ：

python 复制代码

# 裁剪图像，从 (50,100) 开始，到 (200,300) 结束的区域
cropped_image = image[50:200, 100:300]

6. 图像的滤波：给图像 "磨皮" 或 "祛痘"

均值滤波：简单直接的模糊处理
- cv2.blur()：用均值滤波让图像模糊
- 语法：cv2.blur(src, ksize[, dst[, anchor[, borderType]]])
- 参数解释 ：
  - src：输入图像。
  - ksize：滤波器大小，像（宽，高）。
- 示例代码 ：

python 复制代码

# 进行均值滤波，用 5x5 的滤波器
blurred_image = cv2.blur(image, (5, 5))

高斯滤波：更自然柔和的模糊效果
- cv2.GaussianBlur()：用高斯滤波实现模糊
- 语法：cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
- 参数解释 ：
  - src：输入图像。
  - ksize：高斯核大小。
  - sigmaX 和 sigmaY：分别是 x、y 方向高斯核的标准差。
- 示例代码 ：

python 复制代码

# 进行高斯滤波，用 5x5 的高斯核，x 方向标准差为 0（自动计算）
gaussian_blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

中值滤波：专门对付椒盐噪声
- cv2.medianBlur()：用中值滤波去除噪声
- 语法：cv2.medianBlur(src, ksize)
- 参数解释 ：
  - src：输入图像。
  - ksize：滤波器大小，要是++正奇数++。
- 示例代码 ：

python 复制代码

# 进行中值滤波，用 5x5 的滤波器
median_blurred_image = cv2.medianBlur(image, 5)

双边滤波：模糊的同时保留边缘细节
- cv2.bilateralFilter()：实现双边滤波
- 语法：cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)
- 参数解释 ：
  - src：输入图像。
  - d：邻域直径，像素周围的范围。
  - sigmaColor 和 sigmaSpace：分别是颜色空间和坐标空间滤波器的标准差。
- 示例代码 ：

python 复制代码

# 进行双边滤波，领域直径 9，颜色空间标准差 75，坐标空间标准差 75
bilateral_filtered_image = cv2.bilateralFilter(image, 9, 75, 75)

7. 图像的边缘检测：勾勒出图像的关键轮廓

Canny 边缘检测：精准找出图像的边界线
- cv2.Canny()：用 Canny 算法检测边缘
- 语法：cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
- 参数解释 ：
  - image：输入图像，要是单通道灰度图。
  - threshold1 和 threshold2：分别是低阈值和高阈值，用于判断哪些边是强边、哪些是弱边。
  - edges：输出的边缘图像。
  - apertureSize：计算图像梯度时 Sobel 算子的孔径大小。
  - L2gradient：布尔值，决定用哪种公式计算图像梯度。
- 示例代码 ：

python 复制代码

# 进行 Canny 边缘检测，低阈值 100，高阈值 200
edges = cv2.Canny(gray_image, 100, 200)

8. 总结

Python 里的 cv2 库，把图像处理和计算机视觉的各种复杂操作都变成了简单的函数调用。从最基础的读取、显示和保存图像，到深入了解图像的各种属性，再到对图像进行颜色空间转换、几何变换、滤波处理以及边缘检测等一系列操作，我们都能借助 cv2 库轻松搞定。在实际项目里，我们完全可以根据自己的需求，把不同的函数灵活搭配组合，去应对各种棘手的图像处理任务。持续深入地学习和实践 cv2 库，还能不断解锁更多图像处理的奇妙招式。我是橙色小博，关注我，一起在人工智能领域学习进步！