目录
前言
一、环境搭建
1.python包的下载
2.Pycharm下载
1.进入官网
2.下载并安装pycharm
二、初识OpenCV
1.OpenCV介绍
2.图片读取，电脑眼里的图片
3.RGB颜色通道的获取
4.图像填充
5.图像融合
6.图像阈值
三、完整代码演示：
cat.jpg
dog.JPEG
rode.png
test1.py:
test2.py:
test3.py:
test4.py:
test5.py:
前言
学过DSP（Digital Signal Processing 数字信号处理）之后，想必紧接着就要学习DIP（Digital Image Processing）了，DSP是对一维信号的处理，而DIP则是对二维图像的处理。OpenCv支持多种语言，这里使用的是Python，旨在学习OpenCv的同时，也去多尝试使用和熟悉Python（什么？为什么没有DSP的教程？因为DSP还没学明白，而且之前做的DSP都是使用matlab来实现的）
一、环境搭建
1.python包的下载
关于python的下载这里不再介绍了，下载完python之后都会附带一个pip工具。
本次项目主要会用到opencv-python和opencv-contrib-python两个python包。还记得怎么下载吗？在之前的一篇文章中提到过下载方式，但是并没有演示
使用python查看官网是否发布新的内容-CSDN博客
python包可以使用pip快速而且十分方便的下载，具体步骤如下：
step1:
按下win+R（或者右键点“开始”，然后点运行）弹出运行框，输出cmd按下回车，进入命令提示行
step2：
输入以下指令下载opencv-python：
pip install opencv-python
包就会自动下载了（很炫酷的那种），
step3：
输入以下指令下载opencv-contrib-python
pip install opencv-contrib-python
step4：
测试导入包：
进入命令提示行，输入：
python
然后输入
import cv2
如果不报错，说明下载成功
也可以输入一下代码，查看全部已经下载的python包
pip list
输入以下代码，退出python
exit()
2.Pycharm下载
python编辑的IDE有许多：
1. PyCharm：JetBrains 公司开发的一款强大的 Python IDE，功能丰富，支持代码补全、调试、单元测试等功能。
2. Visual Studio Code：微软开发的轻量级代码编辑器，支持 Python 开发，通过安装插件可以实现调试、Linting 等功能。
3. Jupyter Notebook：基于 Web 的交互式 Python 环境，适合进行数据分析和可视化编程。
4. Spyder：科学计算和数据分析的 Python IDE，集成了 IPython 控制台、代码编辑器和变量查看器等功能。
5. Atom：GitHub 开发的文本编辑器，通过安装插件可以实现 Python 开发的功能。
6. Sublime Text：一款轻量级的文本编辑器，通过安装插件可以支持 Python 开发。
7. PyDev：Eclipse 的插件，提供了Python项目支持；适合有 Eclipse 使用经验的用户。
之前写的那个脚本是用vscode写的，对于轻量级的代码，用vscode当然没问题，但对于比较大型的项目，还是建议使用专门的IDE进行编辑。这里选择的是Pycharm
下载Pycharm步骤如下：
1.进入官网
pycharm官网：
Download PyCharm: Python IDE for Professional Developers by JetBrains
2.下载并安装pycharm
pycharm有专业版
和社区版
专业版需要收费（当然，某多几块钱就能买来破解脚本），而社区版则是免费，社区版在官网下边，得往下翻一翻才能看到。下载之后就是一个.exe，点运行，下一步下一步，选择一个安装目录，下一步下一步就可以了。
二、初识OpenCV
1.OpenCV介绍
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。OpenCV 最初由 Intel 开发，后来由 Willow Garage 接手维护。它可以在多个平台上运行，包括 Windows、Linux、Mac OS 等，支持多种编程语言，如 C++、Python、Java 等。
OpenCV 提供了许多功能和算法，包括但不限于：
1. 图像处理：包括图像加载、保存、显示、通道分离合并、图像滤波、颜色空间转换等。
2. 特征检测与描述：如 Harris 角点检测、SIFT、SURF、ORB 等特征点算法。
3. 目标检测：如 Haar 特征级联、HOG 特征分类器等。
4. 图像分割：如基于区域的分割、基于边缘的分割等。
5. 机器学习：OpenCV 与 ML 模块结合，可用于训练和应用机器学习模型。
6. 摄像头标定：用于相机校准和三维重建。
7. 视频分析：包括视频捕获、处理、分析和特征跟踪等。
OpenCV 受到广泛的应用，涵盖了计算机视觉、机器视觉、图像处理、模式识别等多个领域。开发者可以利用 OpenCV 快速实现各种图像处理和计算机视觉任务，同时通过社区的积极贡献，OpenCV 每天都在不断发展和完善。
总的来说，OpenCV是一个功能强大的计算机视觉库，为开发者提供了丰富的工具和算法，帮助他们在图像处理和计算机视觉任务中取得成功。
2.图片读取，电脑眼里的图片
我们可以使用CV2里的方法来进行读取一个图片和现实一个图片
import cv2
# 通道
img = cv2.imread('cat.jpg')
cv2.imshow('img ', img )
cv2.waitKey(0) # 类似延时函数，单位ms。参数为0时，为按下任意键之后结束“延时“
cv2.destroyAllWindows()
我们读取到是下边这张图片，图片只要放在.py文件相同的目录即可。
我们知道，图片是有一个一个像素点组成的，RGB三原色组成了一张彩色的图片，对于黑白的图片，只需要知道亮度就可以获得一张图片。这里的RGB是三个数组，数组的大小等于图片的像素大小，数组里的每一个值的取值都为0到255,0对应黑，255对应最亮，也就是纯白。就像这样：
RGB三个数组，也就是对应三个颜色通道，三个颜色通道合在一起，就组成一张图片。
cv2.imread（）函数，读取出来的就是一个三维数组，记录着RGB三个数组的值。
保存处理好的图片可以使用以下代码：
cv2.imwrite("out_img.jpg", cur_img) # 图片保存
使用PS也可以查看每个通道的信息：
3.RGB颜色通道的获取
RGB颜色通道的获取有两组简答的方法，一是直接将通过cv2.imread读取到的img的其中两个维度置为0，只留下其中一个维度，那就可以得到只包含其中一个颜色通道的数据了，需要注意的是，cv2读取的图片是GBR，跟我们常见的RGB刚好是反着的三个数组，因此在处理时需要注意，尤其是在使用非cv2的图片显示函数时，一定要先将GBR转化为RGB（下边的代码会提到）
import cv2 # 通道 img = cv2.imread('cat.jpg') cur_img = img.copy() # 让b和g都变为0，那就剩下r了，下同 cur_img[:, :, 0] = 0 # b g r cur_img[:, :, 1] = 0 # b g r cv2.imshow('r', cur_img)cv2.waitKey(0) # 类似延时函数，单位ms。参数为0时，为按下任意键之后结束“延时“ cv2.destroyAllWindows()
这里演示的是其中一个通道的获取，其他通道的获取也类似。
此外，cv2也提供了一个方法来获取RGB，注意这个方法获取到也是GBR，我们也可以通过GBR的值来重新合成一张图片
import cv2 # 通道 img = cv2.imread('cat.jpg') b, g, r = cv2.split(img) # 获取b g r三个通道img2 = cv2.merge([b, g, r]) # 根据bgr还原图像 cv2.imshow('img', img2) cv2.waitKey(0)
依次绘制RGB三个通道的图片如图：
4.图像填充
图像填充简单点说，就是把图像四周填充上东西。OpenCv内置的有填充的方法，并提供了多种填充方式
import cv2
import matplotlib.pyplot as plt
# 图像填充
img = cv2.imread('cat.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将读取到的bgr转化为rgb
top_size, bottom_size, left_size, right_size = (100, 100, 100, 100) # 设置需要填充的大小
# 图像填充
cropped_img1 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REPLICATE)
cropped_img2 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REFLECT)
cropped_img3 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REFLECT_101)
cropped_img4 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_WRAP)
cropped_img5 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_CONSTANT)
# BORDER_REPLICATE：复制法，也就是复制最边缘像素。
# BORDER_REFLECT：反射法, 对感兴趣的图像中的像素在两边进行复制
# BORDER_REFLECT_101: 反射法, 也就是以最边缘像素为轴, 对称
# BORDER_WRAP: 外包装法
# BORDER_CONSTANT：常量法，常数值填充
fig, axs = plt.subplots(nrows=2, ncols=3) # 分区绘制图像
axs[0, 0].imshow(img_rgb)
axs[0, 1].imshow(cropped_img1)
axs[0, 2].imshow(cropped_img2)
axs[1, 0].imshow(cropped_img3)
axs[1, 1].imshow(cropped_img4)
axs[1, 2].imshow(cropped_img5)
plt.show()
cv2.waitKey(0)
这里使用了plot绘图，并使用subplots进行分区（跟Matlab的方法好像很像，至少名字很像），因此在绘图前，需要将cv2读取到的GBR转化为RGB，也就是：
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将读取到的bgr转化为rgb
绘制出来的结果为：
5.图像融合
图像融合是图像处理的一部分，这里以图像融合为例来介绍。
刚才已经提到了计算机眼里的图像是三个数组，那我们可不可以对数组进行操作呢？比如把数组的值+10？当然可以，处理起来就跟处理一个数组一样。同样，我们也可以将两个同样大小的数组进行融合，注意必须是同样大小的数组。我们这里在导入一个dog的图像
直接使用.shpe查看两个图像数组的大小
import cv2
# 图像融合和简单计算
img1 = cv2.imread('cat.jpg')
img2 = cv2.imread('dog.JPEG')
print(f"img1: {img1.shape}")
print(f"img2: {img2.shape}")
我们发现两个图像不一样大，狗的图像更大，那我们就裁剪一下狗的图片，使之与猫一样大，然后使用cv2.add进行融合
img1 = cv2.resize(img1, (650, 433)) # 调整狗的大小，使之与猫的大小一致
# img2 = cv2.resize(img2, (0, 0), fx=0.5, fy=0.5) # 也可以不指定调整后的大小，而是指定调整后x，y的倍数
cv2.imshow('img', cv2.add(img1, img2)) # 显示融合后的图像（巨丑）
cv2.waitKey(0)
这里要介绍一下cv2.add（）与直接img1+img2的区别了，刚才已经提到，数组内的值取值范围是0到255，使用add函数，如果两个图形某个位置的值相加大于255，则会被置为255，而直接img1+img2的话，则得到的某个位置的值为该位置相加的值%255.
相加之后的图片巨丑，就不在演示了
6.图像阈值
图像阈值是一个大头，很多处理都会用到
cv2内置的也有阈值除了函数，跟图像填充一样，也提供了多种处理方式
阈值的除了主要是为了将图片二值化（或者说我遇到最多的就是二值化和边沿检查）
在现实图片之前，还是需要将RGB转化为GBR。threshold函数的第一个参数应是某一个通道的值。这次读取的图片是一个智能车比赛时的赛道
import cv2
import matplotlib.pyplot as plt
# 阈值
img = cv2.imread('rode.png')
b, g, r = cv2.split(img)
# 二值化
ret1, thresh1 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_BINARY_INV)
ret3, thresh3 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_TRUNC)
ret4, thresh4 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_TOZERO)
ret5, thresh5 = cv2.threshold(b, thresh=123, maxval=255, type=cv2.THRESH_TOZERO_INV)
# cv2.THRESH_BINARY超过阈值部分取maxval(最大值)，否则取O
# cV2.THRESH_BINARY_INV THRESH_BINARY的反转
# cv2.THRESH_TRUNC大于阈值部分设为阈值，否则不变
# cv2.THRESH_TOZERO大于阈值部分不改变，否则设为O
# cV2.THRESH_TOZERO_INV THRESH_TOZERO的反转
# 将 BGR 转化为 RGB
img_rgb = cv服务器托管网2.cvtColor(img, cv2.COLOR_BGR2RGB)
thresh1_rgb = cv2.cvtColor(thresh1, cv2.COLOR_RGB2BGR)
thresh2_rgb = cv2.cvtColor(thresh2, cv2.COLOR_RGB2BGR)
thresh3_rgb = cv2.cvtColor(thresh3, cv2.COLOR_RGB2BGR)
thresh4_rgb = cv2.cvtColor(thresh4, cv2.COLOR_RGB2BGR)
thresh5_rgb = cv2.cvtColor(thresh5, cv2.COLOR_RGB2BGR)
# 显示图像
fig, axs = plt.subplots(nrows=2, ncols=3)
axs[0, 0].imshow(img_rgb)
axs[0, 1].imshow(thresh1_rgb)
axs[0, 2].imshow(thresh2_rgb)
axs[1, 0].imshow(thresh3_rgb)
axs[1, 1].imshow(thresh4_rgb)
axs[1, 2].imshow(thresh5_rgb)
plt.show() # 绘制图像运行
结果如下图：
三、完整代码演示：
cat.jpg
dog.JPEG
rode.png
test1.py:
import cv2
# 通道
img = cv2.imread('cat.jpg')
cur_img = img.copy()
# 让b和g都变为0，那就剩下r了，下同
cur_img[:, :, 0] = 0 # b g r
cur_img[:, :, 1] = 0 # b g r
cv2.imshow('r', cur_img)
cur_img = img.copy()
cur_img[:, :, 0] = 0 # b g r
cur_img[:, :, 2] = 0 # b g r
cv2.imshow('g', cur_img)
cur_img = img.copy()
cur_img[:, :, 1] = 0 # b g r
cur_img[:, :, 2] = 0 # b g r
cv2.imshow('b', cur_img)
cv2.waitKey(0) # 类似延时函数，单位ms。参数为0时，为按下任意键之后结束“延时“
cv2.destroyAllWindows()
# cv2.imwrite("out_img.jpg", cur_img) # 图片保存
test2.py:
import cv2
# 通道
img = cv2.imread('cat.jpg')
b, g, r = cv2.split(img) # 获取b g r三个通道
# bb = img[:, :, 0] # 或者这样获取
print(b)
print(f"b.shape: {b.shape}")
print(f"g.shape: {g.shape}")
print(f"r.shape: {r.shape}")
print(f"img.shape: {img.shape}")
img2 = cv2.merge([b, g, r]) # 根据bgr还原图像
cv2.imshow('img', img2)
cv2.waitKey(0)
test3.py:
import cv2
import matplotlib.pyplot as plt
# 图像填充
img = cv2.imread('cat.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将读取到的bgr转化为rgb
top_size, bottom_size, left_size, right_size = (100, 100, 100, 100) # 设置需要填充的大小
# 图像填充
cropped_img1 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REPLICATE)
cropped_img2 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REFLECT)
cropped_img3 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_REFLECT_101)
cropped_img4 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_WRAP)
cropped_img5 = cv2.copyMakeBorder(img_rgb, top_size, bottom_size, left_size, right_size,
borderType=cv2.BORDER_CONSTANT)
# BORDER_REPLICATE：复制法，也就是复制最边缘像素。
# BORDER_REFLECT：反射法, 对感兴趣的图像中的像素在两边进行复制
# BORDER_REFLECT_101: 反射法, 也就是以最边缘像素为轴, 对称
# BORDER_WRAP: 外包装法
# BORDER_CONSTANT：常量法，常数值填充
fig, axs = plt.subplots(nrows=2, ncols=3) # 绘制图像
axs[0, 0].imshow(img_rgb)
axs[0, 1].imshow(cropped_img1)
axs[0, 2].imshow(cropped_img2)
axs[1, 0].imshow(cropped_img3)
axs[1, 1].imshow(cropped_img4)
axs[1, 2].imshow(cropped_img5)
plt.show()
cv2.waitKey(0)
test4.py:
import cv2
# 图像融合和简单计算
img1 = cv2.imread('cat.jpg')
img2 = cv2.imread('dog.JPEG')
print(f"img1: {img1.shape}")
print(f"img2: {img2.shape}")
img1 = cv2.resize(img1, (650, 433)) # 调整狗的大小，使之与猫的大小一致
# i服务器托管网mg2 = cv2.resize(img2, (0, 0), fx=0.5, fy=0.5) # 也可以不指定调整后的大小，而是指定调整后x，y的倍数
cv2.imshow('img', cv2.add(img1, img2)) # 显示融合后的图像（巨丑）
cv2.waitKey(0)
test5.py:
import cv2
import matplotlib.pyplot as plt
# 阈值
img = cv2.imread('rode.png')
b, g, r = cv2.split(img)
# 二值化
ret1, thresh1 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_BINARY_INV)
ret3, thresh3 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_TRUNC)
ret4, thresh4 = cv2.threshold(b, thresh=127, maxval=255, type=cv2.THRESH_TOZERO)
ret5, thresh5 = cv2.threshold(b, thresh=123, maxval=255, type=cv2.THRESH_TOZERO_INV)
# cv2.THRESH_BINARY超过阈值部分取maxval(最大值)，否则取O
# cV2.THRESH_BINARY_INV THRESH_BINARY的反转
# cv2.THRESH_TRUNC大于阈值部分设为阈值，否则不变
# cv2.THRESH_TOZERO大于阈值部分不改变，否则设为O
# cV2.THRESH_TOZERO_INV THRESH_TOZERO的反转
# 将 BGR 转化为 RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
thresh1_rgb = cv2.cvtColor(thresh1, cv2.COLOR_RGB2BGR)
thresh2_rgb = cv2.cvtColor(thresh2, cv2.COLOR_RGB2BGR)
thresh3_rgb = cv2.cvtColor(thresh3, cv2.COLOR_RGB2BGR)
thresh4_rgb = cv2.cvtColor(thresh4, cv2.COLOR_RGB2BGR)
thresh5_rgb = cv2.cvtColor(thresh5, cv2.COLOR_RGB2BGR)
# 显示图像
fig, axs = plt.subplots(nrows=2, ncols=3)
axs[0, 0].imshow(img_rgb)
axs[0, 1].imshow(thresh1_rgb)
axs[0, 2].imshow(thresh2_rgb)
axs[1, 0].imshow(thresh3_rgb)
axs[1, 1].imshow(thresh4_rgb)
axs[1, 2].imshow(thresh5_rgb)
plt.show() # 绘制图像
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
