cv2 imread函数 python_opencv-python图形图像处理入门基础知识

OpenCV 是计算机视觉中经典的专用库，其支持多语言、跨平台，功能强大。OpenCV-Python为OpenCV提供了Python接口，使得使用者在Python中能够调用C/C++，在保证易读性和运行效率的前提下，实现所需的功能。

一、安装
安装方法有多种，老猿机器上无C++环境，因此直接使用pip安装，OpenCV-Python模块名为opencv-python(在windows下大小写不敏感，其他操作系统没验证)，具体安装命令如下：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

二、加载OpenCV
导入OpenCV 模块指令很简单：

import cv2 as cv

大多数OpenCV 的函数都在cv2模块内，cv2并不是版本2.X的意思，而是因为这个版本是在原cv版本的基础上采用了面向对象编程的方式重新实现，提供了更好的API接口。

三、读取图像文件
3.1、语法：imread(filename,mode)
3.2、参数说明
filename：图像文件名，不同操作系统支撑的文件类型不一样，但都支持bmp图像文件，另外可能还包括jpeg、png、tiff等格式文件
mode：文件读入模式，常用有三种取值
cv.IMREAD_COLOR： 对应值为1，加载彩色图像。任何图像的透明度都会被忽视。它是默认标志。
cv.IMREAD_GRAYSCALE：对应值为0，以灰度模式加载图
cv.IMREAD_UNCHANGED：对应值为-1，加载图像，包括alpha通道；
注意：除了这三个常用取值，还可以有多个取值，相关取值及含义如下：

3.3 返回值说明
imread返回一个BGR格式的图像对象，其类型为一个numpy数组。

3.4、案例
img = cv2.imread(r’F:screenpicedflower.jpg’)

注意：
图片文件名不能是中文名，否则识别会报错或不能读入；
imread会去除图像的alpha通道信息
四、显示图像
4.1、调用语法：imshow(title,img)
4.2、参数说明:
title：图像显示窗窗口标题和名字
img：opencv图像对象
imread读入的函数使用imshow即可显示，显示可以给显示窗设定标题，这个标题也是显示窗口的名字，标题不同的imshow会显示不同窗口。标题为一个英文字符串，相同标题的窗口就是同一个窗口。对于窗口，OpenCV提供鼠标及键盘事件处理机制。

imshow的窗口可以通过destroyWindow和destroyAllWindows进行关闭，前者要带窗口的标题，后者是关闭所有由当前程序创建的窗口。

4.3、案例
img = cv2.imread(r’F:screenpicedflower.jpg’)

cv2.imshow(‘img’,img)

五、VideoCapture读取摄像头、图像文件、或视频流
VideoCapture既支持从视频文件(.avi ， .mpg格式)读取，也支持直接从摄像机(比如电脑自带摄像头)中读取。要想获取视频需要先创建一个VideoCapture对象，VideoCapture对象的创建方式有以下三种：

调用语法：
VideoCapture(int deviceIndex，int apiPreference = CAP_ANY )：打开摄像头捕获视频。deviceIndex为摄像头序列号，打开缺省摄像头传0，apiPreference 为VideoCapture API后端标识符，老猿没有仔细研究，用缺省值即可

VideoCapture(filename，int apiPreference = CAP_ANY):打开filename指定的文件

更多VideoCapture的内容请参考《opencv学习—VideoCapture 类基础知识》。

下面的代码打开缺省摄像头捕获视频，并将捕获内容显示为窗口视频，并写入视频文件中保存，按q终止退出：

import cv2

def captureVideoFromCamera():

cap = cv2.VideoCapture(0,cv2.CAP_DSHOW)

WIDTH = 1920

HEIGHT = 1920

FILENAME = r’f:videomyvideo.avi’

FPS = 24

cap.set(cv2.CAP_PROP_FPS, 24)

建议使用XVID编码,图像质量和文件大小比较都兼顾的方案

fourcc = cv2.VideoWriter_fourcc(*‘XVID’)

out = cv2.VideoWriter(FILENAME, fourcc=fourcc, fps=FPS,frameSize=(WIDTH,HEIGHT))

if not cap.isOpened():

print(“Cannot open camera”)

exit()

while True:

逐帧捕获

ret, frame = cap.read()

如果正确读取帧，ret为True

if not ret:

print(“Can’t receive frame (stream end?). Exiting …”)

break

frame = cv2.flip(frame, 1) # 水平翻转

ret = out.write(frame)

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

显示结果帧e

cv2.imshow(‘frame’, frame)

if cv2.waitKey(1) == ord(‘q’): break

完成所有操作后，释放捕获器

out.release()

cap.release()

cv2.destroyAllWindows()

captureVideoFromCamera()

六、OpenCV-Python的鼠标事件捕获
OpenCV提供了设置鼠标事件回调函数来提供鼠标事件处理的机制，设置回调函数的方法如下：

cv2.setMouseCallback(winName, OnMouseFunction, param)

其中winName为要设置鼠标回调处理的窗口名，OnMouseFunction为回调函数，用于处理鼠标响应，param为设置回调函数时传入的应用相关特定参数，可以不设置，但需要在回调函数访问设置回调函数对象属性时非常有用。

示例：

cv2.namedWindow(‘image’)

cv2.setMouseCallback(‘image’, draw_circle)

七、waitKey键盘事件处理
openCV提供了快速的键盘处理支持函数waitKey，调用语法：

retval = cv.waitKey( [, delay] )

其中：

delay：等待键盘响应的时间，单位是毫秒，如果为0，则是一直等待到有键盘输入，否则就是等待对应时间还没有输入就超时返回
retval：如果是超时返回-1，否则返回对应键盘按键的ASCII码，但注意对于部分功能键如F1–F10返回值为0，其他功能键老猿未一一测试，可以确认ESC键值可以正常返回(返回值27)，Ctrl+c返回3
八、OpenCV的矩形绘制
OpenCV提供了在图像中绘制几何图形的方法，绘制的图像包括矩形、椭圆、扇形、弧等。本文主要介绍矩形的绘制，具体调用语法如下：

rectangle(img, pt1, pt2, color, thickness=None, lineType=None, shift=None)

其中参数：

img：要显示的图像，为numpy数组，格式为BGR格式
pt1：左上角点的坐标
pt2：右下角点的坐标
color：绘制的颜色，为BGR格式的三元组，如(255,0,0)表示蓝色
thickness：边框的厚度，如果为负数，则该矩形为实心矩形，否则为空心矩形
linetype：线型，包括4连通、8连通以及抗锯齿线型，使用缺省值即可
shift：坐标值的精度，为2就表示精确到小数点后2位
另外该方法还有个变种调用方式：

rectangle(img, rec, color[, thickness[, lineType[, shift]]])，其中的rec为上面pt1和pt2构建的矩形。

除了矩形，OpenCV还支持绘制点、直线、圆、椭圆、文本(不支持中文)等，具体可参考《使用Python OpenCV处理图像之详解直线、圆、矩形及文字的绘制》，老猿就不展开介绍了。

下面的示例代码是打开视频播放，鼠标点击后暂停播放并在点击位置画圆，再次点击恢复播放：

import cv2

def mouseEvent( event, x, y, flags, param):

if event == cv2.EVENT_LBUTTONDOWN:

param[0] = not param[0]

param[1] = (x,y)

def playVideoFile():

cap = cv2.VideoCapture(r’f:videozbl1.mp4’)

fps = 1

eventInf = [False,None]

frame = None

if not cap.isOpened():

print(“Cannot open camera”)

exit()

cv2.namedWindow(‘image’)

cv2.setMouseCallback(‘image’, mouseEvent,eventInf)

while True:

逐帧捕获

pause,mousePos = eventInf

if not pause:

ret, frame = cap.read()

if not ret:

if frame is None :

print(“The video has end.”)

else:

print(“Read video error!”)

break

else:

if mousePos:

cv2.circle(frame, mousePos,60, (255,0,0),2)

cv2.imshow(‘image’, frame)

ch = cv2.waitKey(int(1000/fps))

if ch == ord(‘q’): break

cap.release()

cv2.destroyAllWindows()

playVideoFile()

九、OpenCV的颜色空间转换方法
cv2.cvtColor是openCV提供的颜色空间转换函数，调用语法如下：

cvtColor(src, code, dstCn=None)

其中：

src：要转换的图像
code：转换代码，表示从何种类型的图像转换为何种类型，如下面需要使用的cv2.COLOR_BGR2GRAY就是将BGR格式彩色图像转换成灰度图片，具体转换代码请参考官网文档
dstCn：目标图像的通道数，如果为0表示根据源图像通道数以及转换代码自动确认
更多内容请参考《学习opencv之cvtColor》，示例请参考下面图像阈值处理部分的案例。

十、图像阈值处理
openCV图像的阈值处理又称为二值化，之所以称为二值化，是它可以将一幅图转换为感兴趣的部分(前景)和不感兴趣的部分(背景)。转换时，通常将某个值(即阈值)当作区分处理的标准，通常将超过阈值的像素作为前景。

阈值处理有2种方式，一种是固定阈值方式，又包括多种处理模式，另一种是非固定阈值，由程序根据算法以及给出的最大阈值计算图像合适的阈值，再用这个阈值进行二值化处理，非固定阈值处理时需要在固定阈值处理基础上叠加组合标记。

调用语法：

retval, dst = cv2.threshold (src, thresh, maxval, type)

其中：

src：源图像，8位或32位图像的numpy数组
thresh：阈值，0-255之间的数字，在进行处理时以阈值为边界来设不同的输出
maxval：最大阈值，当使用固定阈值方法时为指定阈值，当叠加标记时为允许最大的阈值，算法必须在小于该值范围内计算合适的阈值
type：处理方式，具体取值及含义如下：
dst：阈值化处理后的结果图像numpy数组，其大小和通道数与源图像相同
retval：叠加cv2.THRESH_OTSU或cv2.THRESH_TRIANGLE标记后返回真正使用的阈值
案例：

ret, mask = cv2.threshold(img, 35, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)

补充说明：

阈值判断时，是以小于等于阈值和大于阈值作为分界条件
如果是32位彩色图像，则是以RGB每个通道的值单独与阈值进行比较，按每个通道进行阈值处理，返回的是一个阈值处理后的RGB各自的值。请参考《OpenCV阈值处理函数threshold处理32位彩色图像的案例》。
下面的代码生成一个图像的掩码图像：

def createImgMask(img):

创建img的掩码

if img is None:return None

if len(img.shape)>=3:

img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

else:img2gray = img

ret, mask = cv2.threshold(img2gray, 35, 255, cv2.THRESH_BINARY)

return mask

十一、adaptiveThreshold自适应阈值化图像处理
上面介绍的threshold 函数的图像阈值处理对于某些光照不均的图像，这种全局阈值分割的方法会显得苍白无力。图像阈值化操作中，我们更关心的是从二值化图像中分离目标区域和背景区域，仅仅通过固定阈值很难达到理想的分割效果。在图片中的灰度是不均匀的，所以通常情况下图片中不同区域的阈值是不一样的。这样就需要一种方法根据图像不同区域亮度或灰度分布，计算其局部阈值来进行阈值处理。这种方法就是自适应阈值化图像处理，实际上这可以称为局部阈值法，在OpenCV中的adaptiveThreshold就是这种方法。

调用语法：

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

说明：

src：源图像，必须是8位的灰度图
dst：处理后的目标图像，大小和类型与源图像相同
maxValue：用于指定满足条件的像素设定的灰度值
adaptiveMethod：使用的自适应阈值算法，有2种类型ADAPTIVE_THRESH_MEAN_C算法(局部邻域块均值)或ADAPTIVE_THRESH_GAUSSIAN_C(局部邻域块高斯加权和)，ADAPTIVE_THRESH_MEAN_C的计算方法是计算出邻域的平均值再减去第六个参数C的值，ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出邻域的高斯均匀值再减去第六个参数C的值。处理边界时使用BORDER_REPLICATE | BORDER_ISOLATED模式
thresholdType：阈值类型，只能是THRESH_BINARY或THRESH_BINARY_INV二者之一，具体参考上面“图像阈值处理”的表格
blockSize：表示邻域块大小，用来计算区域阈值，一般选择3、5、7……
C：表示常数，它是一个从均匀或加权均值提取的常数，通常为正数，但也可以是负数或零
返回值：处理后的图像
补充说明：

亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小
在灰度图像中，灰度值变化明显的区域往往是物体的轮廓，所以将图像分成一小块一小块的去计算阈值往往会得出图像的轮廓。因此函数adaptiveThreshold除了将灰度图像二值化，也可以进行边缘提取
之所以能进行边缘提取，是因为当block很小时，如block_size=3 or 5 or 7时，“自适应”的程度很高，即容易出现block里面的像素值都差不多，这样便无法二值化，而只能在边缘等梯度大的地方实现二值化，结果显得它是边缘提取函数
当把blockSize设为比较大的值时，如blockSize=21 or 31 or 41时，adaptiveThreshold便是二值化函数
blockSize必须为大于1的奇数(原理老猿还没弄清楚) ，
如果使用平均值方法，平均值mean为180，差值delta为10，maxValue设为255。那么灰度小于170的像素为0，大于等于170的像素为255，如果是反向二值化，灰度小于170的像素为255，大于等于170的像素为0
案例：

import cv2

img = cv2.imread(r’F:screenpic1.jpg’,cv2.IMREAD_GRAYSCALE)

newImg = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 3, 5)

cv2.imshow(‘img’,img)

cv2.imshow(‘newImg’,newImg)

cv2.waitKey(60000)

运行效果：

源图：

下面是分别设置不同块大小的结果图，左图块大小为31，右图为3：

可以看到blockSize小时，轮廓识别效果明显，而大时，就是一个二值化图像。

十二、OpenCV的图像修复方法
OpenCV中的cv2.inpaint()函数使用插值方法修复图像，调用语法如下：

dst = cv2.inpaint(src，mask, inpaintRadius，flags)

参数含义如下：

src：输入8位1通道或3通道图像
inpaintMask：修复掩码，8位1通道图像。非零像素表示需要修复的区域
dst：输出与src具有相同大小和类型的图像
inpaintRadius：算法考虑的每个点的圆形邻域的半径
flags：修复算法标记，其中INPAINT_NS表示基于Navier-Stokes方法，INPAINT_TELEA表示Alexandru Telea方法。具体方法在此不展开介绍
下面的代码对一个包含亮色Logo的图片进行去Logo处理：

import cv2

def createImgMask(img):

创建img的掩码

if img is None:return None

if len(img.shape)>=3:

img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

else:

img2gray = img

ret, mask = cv2.threshold(img2gray, 35, 255, cv2.THRESH_BINARY)

return mask

def delLogFromImg(img):

imgMask = createImgMask(img)

imgMask = cv2.inpaint(img, imgMask , 3, cv2.INPAINT_TELEA)

return imgMask

img1 = cv2.imread(r’F:emplogo.jpg’)

img2 = cv2.imread(r’F:emplogo.jpg’,cv2.IMREAD_GRAYSCALE)

newImg1 = delLogFromImg(img1)

newImg2 = delLogFromImg(img2)

cv2.imshow(‘img1’,img1)

cv2.imshow(‘newImg1’,newImg1)

cv2.imshow(‘img2’,img2)

cv2.imshow(‘newImg2’,newImg2)

cv2.waitKey(60000)

执行截图1：

小结
本文详细介绍了opencv-python的安装、加载图像文件、捕获摄像头、显示图像、鼠标事件捕获、键盘事件处理、几何图像绘制、颜色空间转换、图像阈值处理、图像修复等基础知识，适合开始学习opencv-python的初学者。

关于原文链接
本文在CSDN的“老猿Python”首发，头条号、微信公众号和百家号“老猿Python”转载，由于这些平台对外部链接的限制，文中不能包含外部链接。如果是头条请点击文章底部最下方的“了解更多”跳转CSDN阅读原文，如果是微信公众号请点击文章底部最下方的“阅读原文”跳转CSDN阅读原文，否则请在百度搜索或CSDN搜索中输入"CSDN老猿Python”加文章标题关键字搜寻本文。
————————————————
版权声明：本文为CSDN博主「齐妹爱了爱了」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_35713375/article/details/112158783