计算机视觉OpenCv学习系列：第二部分、图像操作

第一节、图像读取与显示

1.图像理解

---

人眼中的图像–假设是一个灰度/彩色图片，而在计算机眼中都是像素点的数字。

灰度图像 – 单通道

彩色图像– 三通道

2.图像读取与显示

---

读取：2个Api函数–imread、imshow

# 导入OpenCV支持的包，这个cv2并不是opencv的版本号，只是这个包的名字
import cv2 as cv

# 导入Numpy支持的包，因为像素点对于计算机来说都是数组存储
import numpy as np

# 读取图像
imread()

# 显示图像
imshow()
#加载图像的顺序都是B-G-R

函数与参数：

cv.imread(filename[,flags])->retval(Numpy数组)
# filename表示文件路径
# []内的参数表示可选，也可以不填
# retval是读取之后返回的结果

cv.imshow(winname,mat)->None
# winname表示窗口标题（只能是英文的）
# mat表示图像对象，也就是上面返回的retval

显示与等待时间：

cv.waitKey(0)
# 表示一直等待，直到任意一个键盘操作
cv.waitKey(1000)
# 表示等待1000ms或者1s

# 如果不加等待结果就是一闪而过

3.代码练习与测试

代码示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

def show_image():
    image = cv.imread("F:\python\研究生python\Datawhale\计算机视觉OpenCV\github_opencv\\lena.jpg") # BGR的读取顺序
    cv.imshow("lena",image)
    cv.waitKey(1000)
    cv.destroyAllWindows() # 销毁该程序创建的所有窗口

windows下读取文件路径的选择：

第二节、图像色彩空间转换

1.图像色彩空间

---

在OpenCV中我们最常用的色彩空间是HSV,RGB,YCrCb三种。

HSV和YCrCb空间对于亮色的区别比RGB好，所以在使用的时候需要灵活选择使用那种色彩空间。

• RGB色彩空间，设备独立
• HSV色彩空间，对计算机友好，区分各种色彩
• YCrCb, Y分量表示信息，CrCb可以被压缩
• RGB是计算机显示器的标准支持色彩系统
• RGB的取值范围0~255
• HSV取值范围H：0_180，SV:0255

2.函数说明与解释

---

图像色彩转换都有下面的三个情况。

• 从一个色彩空间转换到另外一个色彩空间
• 信息传递与损失
• 过程可逆与不可逆

实现色彩转换可以通过使用函数实现：

cv.cvtColor(src,code[,dst[,dstCn]])->dst # []表示的是可选的参数，也可以不写
# src表示输入图像，类型为CV_8U(字符类型)、CV_32F(浮点类型)
# code表示：从什么转换到什么，下面是cv的枚举类型对应的含义。
# cv::COLOR——BGR2RGB = 4 通道交换
# cv::COLOR——BGR2GRAY = 6 彩色到灰度
# cv::COLOR——GRAY2BGR = 8 灰度到彩色
# cv::COLOR——BGR2HSV = 40 彩色到彩色，BGR转换成HSV
# 注意从彩色到灰色，再从灰色到彩色，只是通道数恢复了，其中的信息损失是无法恢复的。

3.代码练习与测试

---

def color_space_demo():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("lena",image)
    hsv = cv.cvtColor(image,cv.COLOR_BGR2HSV)
    ycrcb = cv.cvtColor(image,cv.COLOR_BGR2YCrCb)
    cv.imshow("hsv",hsv)
    cv.imshow("ycrcb",ycrcb)
    cv.waitKey(0)
    cv.destroyAllWindows()

转换的示例：

def color_space_demo():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("lena", image)
    gray = cv.cvtColor(image, 6)  # 相当于cv.COLOR_BGR2GRAY
    image2 = cv.cvtColor(gray, 8)  # 相当于cv.COLOR_GRAY2BGR
    cv.imshow("gray", gray)
    cv.imshow("image2", image2)
    print("image's shape:", image.shape)
    print("gray's shape:", gray.shape)
    print("image2's shape:", image2.shape)
    cv.waitKey(0)
    cv.destroyAllWindows()

如果我们把彩色图片转换成灰度再转换回来，可以发现他丢失了色彩的信息，如果打印通道数的话发现虽然通道数转换回来了，但是里面的信息已经丢失了，也就是转换之后每个通道中的值是相同的，并不是原来彩色图片中通道的值。

但是BGR和HSV，YCrCb这些彩色之间是可以相互转换的。

第三节、图像对象的创建与赋值

1.图像对象属性

---

• 图像宽高 image.shape (h, w, c) – (高，宽，通道数)

• 图像深度 image

  如下图所示的一个png图片（不包含透明通道，一共3个通道）位深度表示每个通道占的1个字节(8bit)，所以下图的一个png图片所有通道深度一共是24。如果使用folat32存储图片的话，一个png图片的深度就是3 * 32 = 96。

• 图像数据类型 image.dtype

• 图像通道 image.shape

• 如何加载不同通道的图像

用c/c++做opencv中的一些数据类型和opencv-python的一些数据类型。

左边是c/c++做opencv，其中U对应unit，S对应int，F对应float，C对应通道数。

右边是用python做opencv。

一般第一步都是将图像转成float32类型，以免后续计算的时候有精度丢失出现，最后再转成int类型得到图片。

2.图像对象创建与赋值

---

在OpenCV中所有图片对象都是Numpy Array。

创建图像就是创建numpy array

# Numpy常用函数

1. numpy.array
2. numpy.zeros
3. numpy.zeros_like  # 生成一个和读入图片大小完全一致，但是黑色的图片，即在所有位置都填成0
4. numpy.asarray  # 把正常的python数组变成Numpy数组
5. numpy.copy
6. numpy.reshape

一些函数的解释：

1. numpy.array(object, dtype=None, *, copy=True, order=‘K’, subok=False, ndmin=0, like=None)

   • object 数组

   • dtype 数据类型

2. numpy.zeros(shape, dtype=float, order=‘C’, *, like=None)

   • 数组维度
   • dtype 数据类型

3. numpy.asarray(a, dtype=None, order=None, *, like=None)

   • 数组对象

   • dtype 数据类型

4. numpy.reshape(a, newshape, order=‘C’)

   • 数组维度

   • dtype 数据类型

创建图片一般不会像左图所示自己去写，而是使用右图中的函数去创建。

def make_numpy():
    m = np.zeros((3, 3, 3), dtype=np.uint8)
    print(m)
    m[:] = 255
    print(m)
    m[:] = (255, 0, 0)
    print(m)

3.代码练习与测试

---

自己创建一些numpy array并且输出图片

def make_numpy_show():
    m = np.zeros((512, 512, 3), dtype=np.uint8)
    m.shape  # 分别是H W C
    m[:] = 255
    cv.imshow("m1", m)
    n = np.zeros_like(m)  # 用m的大小去创造一个n，并且n中元素全为0
    print(n)
    cv.imshow("n", n)
    n[:256] = (255, 0, 0)
    cv.imshow("n2", n)
    cv.waitKey(0)
    cv.destroyAllWindows()

输出示例如下所示：

尝试给画布左右分隔添加颜色

def try_color():
    m = np.zeros((512, 512, 3), dtype=np.uint8)
    print(m.shape)  # 分别是H W C
    m[:256] = (255, 0, 0)
    m[0:256, 0:256] = (0, 0, 255)
    print(m)
    cv.imshow("m1", m)
    cv.waitKey(0)
    cv.destroyAllWindows()

第四节、图像像素的读写操作

1.图像像素

---

（1）像素与分辨率

如下图高分辨率就是8x8的像素，低分辨率就是2x2的像素。（高分辨率携带的像素数量多于低分辨率）

例如，我们有一个大熊猫的图片，高分辨率就可以连大熊猫的毛发都能看到，低分辨率可能画出来大熊猫的轮廓都很吃力。

• 像素实际大小：dpi x inches = 像素总数

• 术语dpi：每英寸的点数目，96dpi — 针对打印

• 术语ppi: 每英寸的像素数目 — 针对图像分辨率

  下图所示的就是相机像素从一百万到四百万对应的像素数目。

（2）OpenCV中的像素

• 灰度图像排序
  • 灰度图片只有一个通道
  • 左上角的值就是图片中的左上角第一个像素点

• 彩色图片排序
  • 彩色图片有三个通道
  • 开始的像素点在左上角，结束的像素点在右下角

2.像素遍历

---

（1）像素遍历

像素遍历参照上面灰度图片和彩色图片的示意图，使用for循环来遍历numpy数组，一个for循环管高度方向的，另一个for循环管宽度方向，从左到右，从上到下遍历数组。

• 像素遍历本质就是numpy数组
• 访问假设变量image
• 获取图像维度信息: image.shape – 彩色图像分别是H(高) W(宽) C(通道数)，灰度图片就是H(高) W(宽)
• 图像访问像素: image[row, col]
• 图像赋值像素: image[row, col] = (b,g,r) – 彩色图片每个位置对应三个值

（2）像素读写

• 读写像素，彩色图像：
  • b, g, r = image[row, col]
  • image[row, col] = (255-b, 255-g, 255-r)
• 读写像素，灰度图像：
  • pv = image[row, col]
  • image[row, col] = 255-pv

3.代码练习与测试

---

def visit_pixel_demo():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("lena",image)
    h, w, c = image.shape
    print("h: ", h, "w: ", w, "c:", c)
    for row in range(h):
        for col in range(w):
            b, g, r = image[row, col]
            image[row, col] = (255-b, 255-g, 255-r) # 取反色，把原图RGB，通过255-，变成反色。
    cv.imshow("visited", image)
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

同理我们可以如上节所学代码实现在图片的某一个部分添加颜色快。

def visit_pixel_demo2():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("lena", image)
    h, w, c = image.shape
    print("h: ", h, "w: ", w, "c:", c)
    print(image.dtype)
    image[0:256, 256:512] = (0, 0, 255) # 在右上角添加了一个红色块
    cv.imshow("visited", image)
    cv.waitKey(0)
    cv.destroyAllWindows()

第五节、图像算术操作

1.算术操作

---

（1）加、减、乘、除

1. 加法

img1[row, col] + img2[row, col] --> dst[row, col] # img1和img2的大小要相同，对应像素点相加结果给dst

黑色是(0, 0, 0)所以和什么像素值相加就是什么什么，而中间OpenCV绿色加粉色最后就是米黄色的OpenCV。

2. 减法

img2[row, col] - img1[row, col] --> dst[row, col] # img1和img2的大小要相同，对应像素点相减结果给dst

3. 乘法

img1[row, col] * img2[row, col] --> dst[row, col] # img1和img2的大小要相同，对应像素点相乘结果给dst

4. 除法

img2[row, col] / img1[row, col] --> dst[row, col] # img1和img2的大小要相同，对应像素点相除结果给dst

2.像素算术操作

---

（1）OpenCV函数实现算术操作

但是在OpenCV中并不需要我们手动写计算式，而是调用现有的函数就可以。

1.加法 cv.add(src1, src2[, dst[, mask[, dtype]]]) ->dst
2.减法 cv.subtract(src1,src2[,dst[,mask[,dtype]]])->dst
3.乘法 cv.multiply(src1,src2[,dst[,scale[,dtype]]])->dst
4.除法 cv.divide(src1, src2[, dst[, scale[, dtype]]])->dst

参数说明：

• src1 & src2都是图像
• 加法，保证不越界：saturate(src1 + src2) --> 0~255 - 意思是两个数(0-255)做加法(0-512)如果大于255，就赋值成255；如果做减法小于0，就赋值成0。
• 加法和减法是有mask的，乘法除法没有。

（2）mask参数

因为mask参数只在加法和减法中出现，所以以加法为例。

cv.add(src1, src2[, dst[, mask[, dtype]]]) --> dst

• src1输入图像1
• src2输入图像2
• mask表示模板，只包括0和非零部分。

结果如下图所示：做加法的时候只将mask为1的部分做加法，其余部分和mask一样补0。

mask不同，提取的图像区域不同，所以当需要提取不规则区域的时候可以使用mask

3.代码练习于测试

---

# 算术操作实现加、减、乘、除
def arithmetic_demo():
    image1 = cv.imread(r"F:\python\opencv-4.x\samples\data\opencv-logo.png")
    image2 = np.zeros_like(image1)
    image2[:, :] = (110, 0, 250)
    image1 = cv.resize(image1, None, fx=0.5, fy=0.5)  # 调整图片大小
    image2 = cv.resize(image2, None, fx=0.5, fy=0.5)  # 调整图片大小
    cv.imshow("img1", image1)
    cv.imshow("img2", image2)
    added = cv.add(image1, image2)  # 加法
    subbed = cv.subtract(image1, image2)  # 减法
    multiplied = cv.multiply(image1, image2)  # 乘法
    divided = cv.divide(image1, image2)  # 除法
    cv.imshow("added", added)
    cv.imshow("subbed", subbed)
    cv.imshow("multiplied", multiplied)
    cv.imshow("divided", divided)
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

使用mask之后的效果：

# 使用mask实现的算术（加法、减法）操作实现加法
def arithmetic_demo_mask():
    image1 = cv.imread(r"F:\python\opencv-4.x\samples\data\opencv-logo.png")
    image2 = np.zeros_like(image1)
    image2[:, :] = (110, 0, 250)
    image1 = cv.resize(image1, None, fx=0.5, fy=0.5)  # 调整图片大小
    image2 = cv.resize(image2, None, fx=0.5, fy=0.5)  # 调整图片大小
    cv.imshow("img1", image1)
    cv.imshow("img2", image2)
    h, w, c = image1.shape
    print("h: ", h, "w: ", w, "c:", c)
    mask = np.zeros((h, w), dtype=np.uint8)
    mask[100:200, 100:250] = 1
    added = cv.add(image1, image2, mask=mask)  # 使用mask参数对[100:200, 100:250]部分进行add操作，其余位置补0
    subbed = cv.subtract(image2, image1, mask=mask)  # 使用mask参数对[100:200, 100:250]部分进行sub操作，其余位置补0
    cv.imshow("added", added)
    cv.imshow("subbed", subbed)
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

学习参考

本系列所有OpenCv相关的代码示例和内容均来自博主学习的网站：opencv_course