Python图像处理利器：OpenCV核心功能详解 – wiki基地

作者： /

Python图像处理利器：OpenCV核心功能详解

引言

在计算机视觉和图像处理领域，OpenCV (Open Source Computer Vision Library) 是一个功能强大且应用广泛的开源库。它提供了数以千计的优化算法，涵盖了从基础的图像读写、编辑到高级的物体识别、3D重建等多种应用。对于Python开发者来说，借助opencv-python包，我们可以轻松地将这些强大的功能集成到我们的项目中。

本文将作为一份入门指南，详细介绍OpenCV在Python中最常用、最核心的功能，帮助你快速上手图像处理。

一、环境准备

在开始之前，请确保你已经安装了OpenCV库。如果尚未安装，可以通过pip轻松完成：

bash
pip install opencv-python

同时，OpenCV在Python中处理图像时，其数据结构与NumPy库紧密相关。图像被表示为NumPy数组，因此通常也需要安装NumPy：

bash
pip install numpy

二、核心功能详解

1. 图像的读取、显示与保存

这是所有图像处理任务的起点。

  • cv2.imread(): 读取图像。
  • cv2.imshow(): 显示图像。
  • cv2.imwrite(): 保存图像。

注意点：
– imread()的第二个参数指定了读取模式，例如cv2.IMREAD_COLOR (彩色，默认)、cv2.IMREAD_GRAYSCALE (灰度)。
– OpenCV默认的色彩空间是 BGR 而非我们通常认为的 RGB。
– imshow()需要与cv2.waitKey()和cv2.destroyAllWindows()配合使用，否则图像窗口可能一闪而过或无响应。

代码示例：

“`python
import cv2
import numpy as np

读取一张图片，路径根据你的实际情况修改

‘image.jpg’ 应该存在于你的代码运行目录下，或者提供完整路径

try:
img = cv2.imread(‘image.jpg’, cv2.IMREAD_COLOR)

# 检查图像是否成功加载
if img is None:
    raise FileNotFoundError("无法加载图像，请检查文件路径是否正确。")

# 获取图像的尺寸 (高度, 宽度, 通道数)
height, width, channels = img.shape
print(f"图像尺寸: 高={height}, 宽={width}, 通道数={channels}")

# 在窗口中显示图像
cv2.imshow('Original Image', img)

# 将图像转换为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('Grayscale Image', gray_img)

# 保存灰度图像
cv2.imwrite('grayscale_image.jpg', gray_img)
print("灰度图像已保存为 grayscale_image.jpg")

# 等待用户按键，0表示无限等待
print("请按任意键关闭所有窗口...")
cv2.waitKey(0)

# 关闭所有OpenCV创建的窗口
cv2.destroyAllWindows()

except FileNotFoundError as e:
print(e)
except Exception as e:
print(f”发生未知错误: {e}”)

``
*(你需要准备一张名为image.jpg` 的图片放在代码同目录下才能运行此示例)*

2. 图像基本操作

a. 缩放与裁剪

  • 缩放 (Resizing): 使用cv2.resize()可以改变图像的大小。可以指定目标尺寸，也可以指定缩放比例。
  • 裁剪 (Cropping): 图像本质上是NumPy数组，因此裁剪操作就是数组的切片操作。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# 缩放：将宽度和高度都缩小一半
resized_img = cv2.resize(img, (img.shape[1] // 2, img.shape[0] // 2))
cv2.imshow(‘Resized’, resized_img)

# 裁剪：获取图像左上角 200x300 的区域
# NumPy切片格式为 [y_start:y_end, x_start:x_end]
cropped_img = img[0:300, 0:200]
cv2.imshow('Cropped', cropped_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

“`

b. 色彩空间转换

如前所述，OpenCV默认使用BGR色彩空间。但在很多场景下（例如，色彩追踪），HSV（色相、饱和度、明度）色彩空间更为有效。使用 cv2.cvtColor() 进行转换。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# BGR to HSV
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.imshow(‘HSV Image’, hsv_img)

# BGR to Grayscale
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('Grayscale Image', gray_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

“`

3. 图像滤波与模糊

图像滤波可以用来减少噪声或实现特殊效果。

  • cv2.GaussianBlur(): 高斯模糊，最常用的模糊方法之一，能有效去除高斯噪声。
  • cv2.medianBlur(): 中值模糊，对去除椒盐噪声（黑白噪点）特别有效。
  • cv2.bilateralFilter(): 双边滤波，可以在降噪的同时保持边缘清晰，效果更好但计算成本更高。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# 高斯模糊，(5,5)是核大小，0是标准差
gaussian = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow(‘Gaussian Blur’, gaussian)

# 中值模糊，核大小必须是奇数
median = cv2.medianBlur(img, 5)
cv2.imshow('Median Blur', median)

cv2.waitKey(0)
cv2.destroyAllWindows()

“`

4. 边缘检测

Canny边缘检测是一种非常流行的边缘检测算法，以其多阶段处理（高斯滤波、计算梯度、非极大值抑制、双阈值）和高准确度而闻名。

  • cv2.Canny(): 执行Canny边缘检测。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’, cv2.IMREAD_GRAYSCALE)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# Canny边缘检测
# 100和200是minVal和maxVal阈值
edges = cv2.Canny(img, 100, 200)
cv2.imshow(‘Canny Edges’, edges)

cv2.waitKey(0)
cv2.destroyAllWindows()

“`

5. 阈值处理

阈值处理是将灰度图像转换为二值图像（只有黑白两色）的过程，是许多分析任务（如轮廓发现）的前置步骤。

  • cv2.threshold(): 简单阈值处理。
  • cv2.adaptiveThreshold(): 自适应阈值处理，对于光照不均的图像效果更好。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’, cv2.IMREAD_GRAYSCALE)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# 简单二值阈值
# 像素值>127的设为255(白色)，否则为0(黑色)
ret, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow(‘Binary Threshold’, binary_img)

# 自适应阈值
adaptive_img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                                     cv2.THRESH_BINARY, 11, 2)
cv2.imshow('Adaptive Threshold', adaptive_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

“`

6. 轮廓发现与绘制

轮廓可以看作是连接了所有具有相同颜色或强度的连续点的曲线。轮廓检测是形状分析和对象识别的基础。

  • cv2.findContours(): 查找图像中的轮廓。
  • cv2.drawContours(): 将找到的轮廓绘制到图像上。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
ret, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)

# 查找轮廓
# cv2.RETR_TREE表示检索所有轮廓并重建嵌套轮廓的完整层次结构
# cv2.CHAIN_APPROX_SIMPLE压缩水平、垂直和对角线段，只留下它们的端点
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

print(f"找到了 {len(contours)} 个轮廓")

# 在原图上绘制轮廓
# -1 表示绘制所有轮廓
# (0, 255, 0) 是绿色
# 2 是线条粗细
cv2.drawContours(img, contours, -1, (0, 255, 0), 2)

cv2.imshow('Contours', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

“`

7. 在图像上绘图

OpenCV提供了直接在图像上绘制形状和文本的功能，非常适合用于调试或结果可视化。

  • cv2.line(): 绘制直线。
  • cv2.rectangle(): 绘制矩形。
  • cv2.circle(): 绘制圆形。
  • cv2.putText(): 绘制文本。

代码示例：

“`python
import cv2

img = cv2.imread(‘image.jpg’)
if img is None:
print(“请先准备 image.jpg 文件”)
else:
# 绘制一个蓝色的矩形
cv2.rectangle(img, (50, 50), (250, 250), (255, 0, 0), 2)

# 绘制一个红色的圆形
cv2.circle(img, (350, 150), 100, (0, 0, 255), -1) # -1表示填充

# 绘制一段文本
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img, 'OpenCV Rocks!', (10, 450), font, 1.5, (255, 255, 255), 3, cv2.LINE_AA)

cv2.imshow('Drawing', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

“`

结论

本文详细介绍了Python中OpenCV库的几大核心功能，包括图像的读写、基本操作、滤波、边缘检测、阈值处理、轮廓分析以及绘图等。掌握这些基础是通往更高级计算机视觉应用（如人脸识别、目标跟踪、机器学习图像预处理）的基石。

OpenCV的世界远不止于此，它还包含了视频处理、相机标定、特征匹配等众多高级主题。希望这篇详解能为你打开一扇通往精彩视觉世界的大门，激发你进一步探索和学习的兴趣。

滚动至顶部