OpenCV入门
读图、展示和保存新图
import cv2
image = cv2.imread('000.jpg')
print(f"width:{image.shape[1]} pixels")
print(f"height:{image.shape[0]} pixels")
print(f"channels:{image.shape[2]} pixels")
cv2.imshow("Image", image)
cv2.waitKey(0) # 数字0表示按任意键0毫秒后执行
cv2.imwrite("new_image.jpg", image)
cv2.imread()返回一个代表图片的NumPy数组，还有第二个参数，表示读取图片返回的格式，有三种选择：cv2.IMREAD_COLOR, cv2.IMREAD_GRAYSCALE 和 cv2.IMREAD_UNCHANGED。分别用1，0和-1表示。
OpenCV采用的格式为H×W×C，通道顺序为BGR，而Python的Pillow库为RGB。
像素点及局部图像
为获取某点的像素，需要有一个简单的左边概念，左上角（0，0）点为原点，向下向右为正。OpenCV读取图片片后返回的是一个NumPy矩阵对象，可以使用下表来获取特定坐标的像素值。如（b,g,r)=image[10,10]便可得到（10，10）点的像素值，此处使用了Python中的turple数据结构，涉及packing和unpacking的操作，同样也可以改变其值，如image[10,10]=(255,255,0)。
获取局部图像可以使用Python中切片的概念，如patch1=iamge[0:100, 0:100], cv2.imshow(“patch1”,patch1), 便可显示此局部图像，也可以进行修改，如image[0:100, 0:100]=(0, 255, 255)。
基本线条操作
import cv2
import numpy as np
canvas = np.zeros((300, 300, 3), dtype='uint8') # 生成全0矩阵，即一张黑色图片
for _ in range(0, 25):
radius = np.random.randint(5, 200) # 生成半径
color = np.random.randint(0, 256, size=(3,)).tolist() # 填充颜色
pt = np.random.randint(0, 200, size=(2,)) # 生成圆的中心点
cv2.circle(canvas, tuple(pt), radius, color, -1) # 传递参数并画圆
# 重复25次，随机生成半径、颜色和中心点
cv2.imshow('Canvas', canvas)
cv2.waitKey(0)
平移
M = np.float32([[1, 0, 25], [0, 1, 50]])
shifted_image = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
M中的参数[1, 0, 25]表示向[1， 0]方向移动25像素。最终表示将图片向右移动25像素，向下移动50像素。
旋转
(h, w) = image.shape[:2]
center = (w // 2, h // 2)
M = cv2.getRotationMatrix2D(center, 135, 1.0)
Rotated_image = cv2.warpAffine(image, M, (w, h))
先获取高度和宽度还有中心点，创建旋转矩阵M，cv2.getRotationMatrix2D有三个参数：第一个为旋转时固定的点；第二个为旋转角度；第三个为图片缩放尺度，其中1表示保持原图大小。然后进行仿射变换，完成旋转。
缩放
new_w, new_h = 100, 200
resized_image = cv2.resize(image, (new_w, new_h), interpolation=cv2.INTER_AREA)
缩放操作主要为变换图片大小可使用cv2.resize()函数，该函数可使用的参数有三个：第一个参数为图像对象，第二个参数为缩放尺寸，第三个参数为插值选项。
官方建议缩小使用cv2.INTER_AREA，放大使用cv2.INTER_LINEAR。
翻转
翻转分为水平翻转和垂直翻转，API为cv2.flip()
flipped_image = cv2.flip(image, -1)
第二个参数1表示水平翻转，0表示垂直翻转，-1表示水平加垂直翻转。
裁剪
裁剪使用NumPy中的切片操作即可
cropped_image = image[200:500, 500:800]
算术操作
OpenCV进行阶段操作，NumPy是取模。
x, y = np.uint8([100]), np.uint8([200])
cv2.add(x, y)
cv2.subtract(x, y)
print(x + y)
print(x - y)
位操作
rectangle = np.zeros((100, 100), dtype="uint8")
cv2.rectangle(rectangle, (30, 30), (70, 70), 255, -1)
cv2.imshow("Rectangle", rectangle)
circle = np.zeros((100, 100), dtype="uint8")
cv2.circle(circle, (50, 50), 25, 255, -1)
cv2.imshow("Circle", circle)
bitwiseAnd = cv2.bitwise_and(rectangle, circle)
cv2.imshow("AND", bitwiseAnd)
bitwiseOr = cv2.bitwise_or(rectangle, circle)
cv2.imshow("OR", bitwiseOr)
bitwiseXor = cv2.bitwise_xor(rectangle, circle)
cv2.imshow("XOR", bitwiseXor)
bitwiseNot = cv2.bitwise_not(circle)
cv2.imshow("NOT", bitwiseNot)
cv2.waitKey(0)
在灰度图像素级别的布尔运算，分别对两张图片进行交集、并集、异或操作，对原型单独做了一次非操作。
Masking操作
Masking操作，及使用mask（起遮罩效果）可以让我们只关注图像的某一区域，可以称作为感兴趣区域。
image = cv2.imread('000.jpg')
cv2.imshow("image", image)
mask = np.zeros(image.shape[:2], dtype="uint8")
(cX, cY) = (image.shape[1] // 2, image.shape[0] // 2)
cv2.rectangle(mask, (cX - 75, cY - 75), (cX + 75, cY + 75), 255, -1)
cv2.imshow("Mask", mask)
masked = cv2.bitwise_and(image, image, mask=mask)
cv2.imshow("Mask Applied To Image", masked)
cv2.waitKey(0)
色彩通道分离与融合
通道分离主要使用split方法，融合则用merge方法。
image = cv2.imread('000.jpg')
(B, G, R) = cv2.split(image)
merged = cv2.merge([B, G, R])
cv2.imshow("Red", R)
cv2.imshow("Green", G)
cv2.imshow("Blue", B)
cv2.imshow("Merged", merged)
cv2.waitKey(0)
颜色空间转换
颜色空间转换主要使用cv2.cvtColor函数。
image = cv2.imread('000.jpg')
cv2.imshow("Original", image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray", gray)
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2.imshow("HSV", hsv)
lab = cv2.cvtColor(image, cv2.COLOR_BGR2Luv)
cv2.imshow("L*a*b*", lab)
cv2.waitKey(0)
颜色直方图
OpenCV使用cv2.calcHist方法来计算直方图，参数有images、channels、mask、histSize和ranges。
plt.figure()
p1 = plt.subplot(121)
p2 = plt.subplot(122)
# Grayscale Histogram
p1.plot(hist)
chans = cv2.split(image)
colors = ("b", "g", "r")
# Color Histogram "
for (chan, color) in zip(chans, colors):
hist = cv2.calcHist([chan], [0], None, [256], [0, 256])
p2.plot(hist, color=color)
plt.show()
平滑与模糊
在边缘检测方面很有用处，常用的平滑方法有均值、高斯、中值、双边。
image = cv2.imread('test.jpg')
blurred = np.hstack([
cv2.blur(image, (3, 3)),
cv2.blur(image, (5, 5)),
cv2.blur(image, (7, 7))])
cv2.imshow("Averaged", blurred)
blurred = np.hstack([
cv2.GaussianBlur(image, (3, 3), 0),
cv2.GaussianBlur(image, (5, 5), 0),
cv2.GaussianBlur(image, (7, 7), 0)])
cv2.imshow("Gaussian", blurred)
blurred = np.hstack([
cv2.medianBlur(image, 3),
cv2.medianBlur(image, 5),
cv2.medianBlur(image, 7)])
cv2.imshow("Median", blurred)
blurred = np.hstack([
cv2.bilateralFilter(image, 5, 21, 21),
cv2.bilateralFilter(image, 7, 31, 31),
cv2.bilateralFilter(image, 9, 41, 41)])
cv2.imshow("Bilateral", blurred)
cv2.waitKey(0)
边缘检测
image = cv2.imread('000.jpg')
cv2.imshow("image", image)
blured = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blured = cv2.GaussianBlur(blured, (5, 5), 0)
cv2.imshow("Blurred", blured)
canny = cv2.Canny(blured, 30, 150)
cv2.imshow("Canny", canny)
cv2.waitKey(0)
先转化成灰度图，然后进行平滑操作，最后使用Canny算子进行边缘检测。