[Python从零到壹] 三十四.OpenCV入门详解——显示读取修改及保存图像

欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望我们都能在人生路上开心快乐、共同成长。

该系列文章主要讲解Python OpenCV图像处理和图像识别知识，前期主要讲解图像处理基础知识、OpenCV基础用法、常用图像绘制方法、图像几何变换等，中期讲解图像处理的各种运算，包括图像点运算、形态学处理、图像锐化、图像增强、图像平滑等，后期研究图像识别、图像分割、图像分类、图像特效处理以及图像处理相关应用。

上一篇文章介绍了图像处理基础知识，这篇文章将详细讲解OpenCV入门知识，包括OpenCV常见数据类型、显示图像、读取像素、修改像素、创建图像、复制图像、保存图像等内容。希望文章对您有所帮助，如果有不足之处，还请海涵。接下来，让我们开启整个系列的学习吧！

下载地址：

• https://github.com/eastmountyxz/Python-zero2one

前文赏析：

第一部分 基础语法

• [Python从零到壹] 一.为什么我们要学Python及基础语法详解
• [Python从零到壹] 二.语法基础之条件语句、循环语句和函数
• [Python从零到壹] 三.语法基础之文件操作、CSV文件读写及面向对象

第二部分 网络爬虫

• [Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例
• [Python从零到壹] 五.网络爬虫之BeautifulSoup基础语法万字详解
• [Python从零到壹] 六.网络爬虫之BeautifulSoup爬取豆瓣TOP250电影详解
• [Python从零到壹] 七.网络爬虫之Requests爬取豆瓣电影TOP250及CSV存储
• [Python从零到壹] 八.数据库之MySQL基础知识及操作万字详解
• [Python从零到壹] 九.网络爬虫之Selenium基础技术万字详解（定位元素、常用方法、键盘鼠标操作）
• [Python从零到壹] 十.网络爬虫之Selenium爬取在线百科知识万字详解（NLP语料构造必备技能）

第三部分 数据分析和机器学习

• [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
• [Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
• [Python从零到壹] 十三.机器学习之聚类分析万字总结全网首发（K-Means、BIRCH、层次聚类、树状聚类）
• [Python从零到壹] 十四.机器学习之分类算法三万字总结全网首发（决策树、KNN、SVM、分类算法对比）
• [Python从零到壹] 十五.文本挖掘之数据预处理、Jieba工具和文本聚类万字详解
• [Python从零到壹] 十六.文本挖掘之词云热点与LDA主题分布分析万字详解
• [Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解
• [Python从零到壹] 十八.可视化分析之Basemap地图包入门详解
• [Python从零到壹] 十九.可视化分析之热力图和箱图绘制及应用详解
• [Python从零到壹] 二十.可视化分析之Seaborn绘图万字详解
• [Python从零到壹] 二十一.可视化分析之Pyechart绘图万字详解
• [Python从零到壹] 二十二.可视化分析之OpenGL绘图万字详解
• [Python从零到壹] 二十三.十大机器学习算法之决策树分类分析详解(1)
• [Python从零到壹] 二十四.十大机器学习算法之KMeans聚类分析详解(2)
• [Python从零到壹] 二十五.十大机器学习算法之KNN算法及图像分类详解(3)
• [Python从零到壹] 二十六.十大机器学习算法之朴素贝叶斯算法及文本分类详解(4)
• [Python从零到壹] 二十七.十大机器学习算法之线性回归算法分析详解(5)
• [Python从零到壹] 二十八.十大机器学习算法之SVM算法分析详解(6)
• [Python从零到壹] 二十九.十大机器学习算法之随机森林算法分析详解(7)
• [Python从零到壹] 三十.十大机器学习算法之逻辑回归算法及恶意请求检测应用详解(8)
• [Python从零到壹] 三十一.十大机器学习算法之Boosting和AdaBoost应用详解(9)
• [Python从零到壹] 三十二.十大机器学习算法之层次聚类和树状图聚类应用详解(10)

第四部分 Python图像处理基础

• [Python从零到壹] 三十三.图像处理基础篇之什么是图像处理和OpenCV配置
• [Python从零到壹] 三十四.OpenCV入门详解——显示读取修改及保存图像

第五部分 Python图像运算和图像增强

第六部分 Python图像识别和图像处理经典案例

第七部分 NLP与文本挖掘

第八部分 人工智能入门知识

第九部分 网络攻防与AI安全

第十部分 知识图谱构建实战

扩展部分 人工智能高级案例

作者新开的“娜璋AI安全之家”将专注于Python和安全技术，主要分享Web渗透、系统安全、人工智能、大数据分析、图像识别、恶意代码检测、CVE复现、威胁情报分析等文章。虽然作者是一名技术小白，但会保证每一篇文章都会很用心地撰写，希望这些基础性文章对你有所帮助，在Python和安全路上与大家一起进步。

---

一.OpenCV常见数据类型

OpenCV是一个轻量级高效的跨平台计算机视觉库，实现了图像处理和计算机视觉方面的多种通用算法。所谓的图像可以理解为一个数组，图像处理就是对数组的处理。首先，本文将介绍OpenCV中常见的数据类型，包括点Point类、颜色Scalar类、尺寸Size类、矩形Rect类、矩阵Mat类[1-2]。

1.点Point

表示二维坐标系中的点，含x和y。其示例如下：

#OpenCV示例
Point p; p.x=1, p.y=2;
Point p=Point(1, 2);

#Python示例
points_list = [(160, 160), (136, 160)]

2.颜色Scalar

包含四个元素的数组，设置像素值RGB三通道，第四个参数可忽略。其示例如下：

#OpenCV示例 BGR三分量
Scalar(b, g, r);

#Python示例
(0, 0, 255)

3.尺寸Size

它和Point相似，主要成员包括height和width。其示例如下：

#OpenCV示例
Size(5, 5);
Size_(_Tp _width, _Tp _height);

#Python示例
width, height = img.shape

4.矩形Rect

Rect类称为矩形类，包含Point类的成员x和y（代表矩形左上角的坐标）和Size类的成员width和height（代表矩形的大小）。其示例如下：

#OpenCV示例
Rect rect = rect1 & rect2;    #求两矩形交集
Rect rect = rect1 | rect2;    #求两矩形并集
Rect rectShift = rect + point;  #矩形平移
Rect rect = rect1 + size;     #矩形缩放

#Python示例
cv2.rectangle(img, (20,20), (150,250), (255,0,0), 2)

5.矩阵Mat

通用的矩阵类，用来创建和操作多维矩阵。其示例如下：

#OpenCV示例
Mat M(3,2, CV_8UC3, Scalar(0,0,255));

#Python示例
np.zeros((256,256,3), np.uint8)

---

二.OpenCV读取与显示图像

在OpenCV2中，图像的读取和显示是最简单的两句代码，它们通过imread()和imshow()函数实现[3]。OpenCV读取图像的imread()函数原型如下，它将从指定的文件加载图像并返回矩阵，如果无法读取图像（因为缺少文件、权限不正确、格式不支持或图像无效等），则返回空矩阵（Mat::data==NULL）。

• retval = imread(filename[, flags])
  – filename表示需要载入的图片路径名，其支持Windows位图、JPEG文件、PNG图片、便携文件格式、Sun rasters光栅文件、TIFF文件、HDR文件等。
• flags为int类型，表示载入标识，它指定一个加载图像的颜色类型，默认值为1。其中cv2.IMREAD_UNCHANGED表示读入完整图像或图像不可变，包括alpha通道；cv2.IMREAD_GRAYSCALE表示读入灰度图像；cv2.IMREAD_COLOR表示读入彩色图像，默认参数，忽略alpha通道。

OpenCV中显示图像调用imshow()函数，它将在指定窗口中显示一幅图像，窗口会自动调整为图像大小，其原型如下所示：

• imshow(winname, mat)
  – winname表示窗口的名称
  – mat表示要显示的图像

下面是第一个示例程序，主要用于读取和加载经典的“Lena”图像。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2

#读取图片
img = cv2.imread("Lena.png")

#显示图像
cv2.imshow("Demo", img)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图2-1所示：

需要注意，在图像显示过程中，如果代码中没有waitKey(0)函数，其运行结果可能会出现错误，加载一幅灰色的图像，如图2-2所示。

因此，在显示图像过程中，通常还会调用两个操作窗口的函数，它们分别是waitKey()和destroyAllWindows()。

• retval = waitKey([, delay])
  – 键盘绑定函数，共一个参数delay，表示等待的毫秒数，看键盘是否有输入，返回值为ASCII值。如果其参数为0，则表示无限期的等待键盘输入；参数大于0表示等待delay毫秒；参数小于0表示等待键盘单击。

• destroyAllWindows()
  – 该函数可以轻易删除所有建立的窗口。如果你想删除特定的窗口可以使用 cv2.destroyWindow()，并在括号内输入要删除的窗口名。

同时，可以设置加载图像后无限期等待，直到输入指定的按键才退出窗口，如下面的代码需要输入ESC才退出。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2

#读取图片
img = cv2.imread("Lena.png")

#显示图像
cv2.imshow("Demo", img)

#无限期等待输入
k=cv2.waitKey(0)

#如果输入ESC按键退出
if k==27:
    cv2.destroyAllWindows()

此外，在对比实验中，我们通常需要显示多张图片，此时可以调用NumPy和Matplotlib库辅助完成[4]，具体实现过程如下所示。

• NumPy（Numeric Python）是Python提供的数值计算扩展包，拥有高效的处理函数和数值编程工具，主要用于科学计算，如矩阵数据类型、线性代数、矢量处理等。
• Matplotlib是Python强大的数据可视化工具和2D绘图库，常用于创建海量类型的2D图表和一些基本的3D图表，类似于MATLAB和R语言。Matplotlib提供了一整套和Matlab相似的命令API，十分适合交互式地进行制图，而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。Matplotlib是一名神经生物学家John D. Hunter博士于2007年创建，函数设计上参考了Matlab，现在在Python的各个科学计算领域都得到了广泛应用。

该程序是调用cv2.imread()函数分别读取四张图片，并转换为RGB颜色空间，接着通过for循环分别设置各子图对应的图像、标题及坐标轴名称，其中plt.subplot(2,2)表示生成2×2张子图。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图像
img1 = cv2.imread('lena.png')
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)

img2 = cv2.imread('xluo.png')
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)

img3 = cv2.imread('flower.png')
img3 = cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)

img4 = cv2.imread('huawei.png')
img4 = cv2.cvtColor(img4, cv2.COLOR_BGR2RGB)

#显示四张图像
titles = ['lena', 'people', 'flower', 'huawei']
images = [img1, img2, img3, img4]
for i in range(4):
   plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

输出如图2-3所示，它显示了四幅图像。在图像处理对比中，同时对比多种算法的处理效果是非常重要的手段之一。

---

三.OpenCV像素处理

OpenCV中读取图像的像素值可以直接通过遍历图像的位置实现，如果是灰度图像则返回其灰度值，如果是彩色图像则返回蓝色（B）、绿色（G）、红色（G）三个分量值。其示例如下：

• 灰度图像：返回值 = 图像[位置参数]
  示例：test=img[88,42]

• 彩色图像：返回值 = 图像[位置元素, 0 | 1 | 2 ]获取BGR三个通道像素
  示例：blue=img[88,142,0] green=img[88,142,1] red=img[88,142,2]

当需要修改图像中的像素时，则定位指定像素并直接赋新像素值即可，彩色图像需要依次给三个分量赋值。如下列代码所示。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2

#读取图片
img = cv2.imread("Lena.png")

#读取像素
test = img[88,142]
print("读取的像素值:", test)

#修改像素
img[88,142] = [255, 255, 255]
print("修改后的像素值:", test)

#分别获取BGR通道像素
blue = img[88,142,0]
print("蓝色分量", blue)
green = img[88,142,1]
print("绿色分量", green)
red = img[88,142,2]
print("红色分量", red)

#显示图像
cv2.imshow("Demo", img)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

读取的像素值及修改后的像素值结果如图2-4所示。

下面代码是将100到200行、150到250列的像素区域设置为白色的效果。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2

#读取图片
img = cv2.imread("Lena.png")

#该区域设置为白色
img[100:200, 150:250] = [255,255,255]

#显示图像
cv2.imshow("Demo", img)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

图2-5是最终显示的效果图，它将img[100:200, 150:250] 区域显示为白色。

---

四.NumPy像素处理

前面是直接读取和修改图像像素的方法，下面讲解通过NumPy库读取像素和修改像素的方法。NumPy是Python提供的数值计算扩展包，拥有高效的处理函数和数值编程工具，Array是NumPy库中最基础的数据结构，表示数组。NumPy可以很方便地创建各种不同类型的多维数组，并且执行一些基础操作。

在图像处理中，NumPy读取像素调用item()函数实现，修改像素调用itemset()实现，其原型如下所示[5]。使用Numpy进行像素读取，调用方式如下：

• 返回值 = 图像.item(位置参数)
  例如：blue = img.item(78, 100, 0)

使用Numpy的itemset函数修改像素，调用方式如下：

• 图像.itemset(位置, 新值)
  例如：img.itemset((88,99), 255)

最终实现代码如下所示。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy

#读取图片
img = cv2.imread("Lena.png")
print(type(img))

#Numpy读取像素
print(img.item(78, 100, 0))
print(img.item(78, 100, 1))
print(img.item(78, 100, 2))

#Numpy修改像素
img.itemset((78, 100, 0), 100)
img.itemset((78, 100, 1), 100)
img.itemset((78, 100, 2), 100)
print(img.item(78, 100, 0))
print(img.item(78, 100, 1))
print(img.item(78, 100, 2))

输出结果如下所示，原始图像BGR像素值为88、84、196，修改后的像素值为100、100、100。

<class 'numpy.ndarray'>
88
84
196
100
100
100

---

五.OpenCV创建图像

由于在OpenCV2中没有CreateImage函数，如果需要创建图像，则需要使用Numpy库函数实现。如下述代码，调用np.zeros()函数创建空图像，创建的新图像使用Numpy数组的属性来表示图像的尺寸和通道信息，其中参数img.shape表示原始图像的形状，np.uint8表示类型。

• emptyImage = np.zeros(img.shape, np.uint8)

例如img.shape为(500, 300, 3)，它表示500×300像素的图像，3表示这是一个RGB图像。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#读取图片
img = cv2.imread("Lena.png")

#创建空图像
emptyImage = np.zeros(img.shape, np.uint8)

#显示图像
cv2.imshow("Demo", emptyImage)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

显示结果如图2-6所示，这是一幅新创建的“空白”图像。

---

六.OpenCV复制图像

复制原有图像来获取一幅新图像，可以调用copy()函数实现。

• emptyImage2 = img.copy()

下述代码实现了图像的创建和复制功能。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#读取图片
img = cv2.imread("Lena.png")

#创建空图像
emptyImage = np.zeros(img.shape, np.uint8)

#复制图像
emptyImage2 = img.copy()

#显示图像
cv2.imshow("Demo1", img)
cv2.imshow("Demo2", emptyImage)
cv2.imshow("Demo3", emptyImage2)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

最终输出结果如图2-7所示，Demo1表示原始图像，Demo2表示创建的空白图像，Demo3表示复制的图像。

---

七.OpenCV保存图像

在OpenCV中，输出图像到文件使用的函数为imwrite()，其函数原型如下：

• retval = imwrite(filename, img[, params])
  – filename表示要保存的路径及文件名
  – img表示图像矩阵
  – params表示特定格式保存的参数编码，默认值为空。对于JPEG图片，该参数（cv2.IMWRITE_JPEG_QUALITY）表示图像的质量，用0-100的整数表示，默认值为95。对于PNG图片，该参数（cv2.IMWRITE_PNG_COMPRESSION）表示的是压缩级别，从0到9，压缩级别越高，图像尺寸越小，默认级别为3。对于PPM、PGM、PBM图片，该参数表示一个二进制格式的标志（cv2.IMWRITE_PXM_BINARY）[2]。注意，该类型为Long，必须转换成int。

下面是一个调用imwrite()函数输出图像到指定的文件的代码。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#读取图像
img = cv2.imread("Lena.png")

#显示图像
cv2.imshow("Demo", img)

#保存图像
cv2.imwrite("dst1.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 5])  
cv2.imwrite("dst2.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 100])  
cv2.imwrite("dst3.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0])  
cv2.imwrite("dst4.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

原始图像“Lena.jpg”为222KB，调用imwrite()函数输出保存的图像共四张，如图2-8所示，其中“dst1.jpg”被压缩，大小为4.90KB，“dst2.jpg”图像大小为99.1KB，“dst3.png”大小为499KB，“dst4.png”大小为193KB。

---

八.总结

写到这里，这篇文章就介绍结束。本文详细介绍了OpenCV图像处理的基础用法，包括图像读取、显示、像素处理、创建、复制、写入和保存。通过这篇文章，初学者将学会基本的图像处理操作，代码比较简单，但希望大家一定要自己动手实现所有代码和案例，只有不断实践才能提升。

感谢在求学路上的同行者，不负遇见，勿忘初心。图像处理系列主要包括三部分，分别是：

这周的留言感慨～

十二年CSDN的博客分享，如果要说分享最让我开心的是什么？不是传道，不是授业，也不是解惑，而是接下来这类事。这些年已经陆续鼓励了一些朋友当老师，而昨天得知这一位博友真的去到新疆南疆成为了一名小学老师，我很是感动，是真的感动，六年前我曾鼓励他如果想，就放弃高额工资的互联网大厂，去做自己想做的，没想到已经当了四年老师。又当爹又当妈，国语普及，文化教育，这里面的艰辛不是一两句道得清，除了佩服就是鼓励。
正如你说的一样，“一辈子总得做点有意义的事情，生命实在太短暂，一定要活得积极、正面”。或许，这也是我在CSDN分享博客的最大意义，再比如云南那位老友的留言，“农村的孩子下雨没有伞，只能拼命奔跑”，希望你以后也能成为一名教师，感恩有你们，感谢有你们。我也希望自己早日毕业回到家乡，花上三四十年做好两件事，一是认真教书，二是将少数民族文物抢救和文字语音保护做好，也鼓励更多人一起加入进来。自己虽然很菜吧，但还是有一些喜欢的事，尤其陪伴爱的人，挺好，爱你们喔。2022年继续加油，在CSDN分享更高质量的博客和专栏。

(By:娜璋之家 Eastmount 2022-01-23 夜于贵阳 https://blog.csdn.net/Eastmount )

---

参考文献：

• [1] 冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.
• [2] 阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社，2008.
• [3] Eastmount. [Python图像处理] 一.图像处理基础知识及OpenCV入门函数[EB/OL]. (2018-08-16). https://blog.csdn.net/Eastmount/article/details/81748802.
• [4] 杨秀璋, 颜娜. Python网络数据爬取及分析从入门到精通（分析篇）[M]. 北京：北京航天航空大学出版社, 2018.
• [5] Eastmount. [Python图像处理] 二.OpenCV+Numpy库读取与修改像素[EB/OL]. (2018-08-28). https://blog.csdn.net/eastmount/article/details/82120114.