本文正在参与 人工智能创作者扶持计划

OpenCV入门（三）快速学会OpenCV2图画处理根底

1.色彩改换cvtColor

imgproc的模块名称是由image（图画）和process（处理）两个单词的缩写组合而成的，是重要的图画处理模块，主要包括图画滤波、几许改换、直方图、特征检测与方针检测等。

这个模块包含一系列的常用图画处理算法，相对而言，imgproc是OpenCV一个比较复杂的模块。OpenCV中的一些画图函数也归于这个模块。

色彩改换是imgproc模块中一个常用的功用。 咱们生活中大多数看到的彩色图片都是RGB类型的，但是在进行图画处理时需求用到灰度图、二值图、HSV、HSI等色彩制式，OpenCV供给了cvtColor()函数来完成这些功用。 这个函数用来进行色彩空间的转化，跟着OpenCV版别的升级，关于色彩空间品种的支持越来越多，触及不同色彩空间之间的转化，比方RGB和灰度的互转、RGB和HSV（六角锥体模型，这个模型中色彩的参数分别是色彩H、饱和度S、明度V）的互转等。 cvtColor函数声明如下：

     cvtColor(src, code[, dst[, dstCn]])

其中， 参数src表明输入图画，即要进行色彩空间改换的原图画，能够是数组矩阵； code表明色彩空间转化代码，即在此确定将什么制式的图片转化成什么制式的图片；dst表明输出与src相同巨细和深度的图画，即进行色彩空间改换后存储图画； dstCn表明方针图画通道数，默许取值为0，假如参数为0，则从src和代码主动获得通道的数量。 函数cvtColor的作用是将一个图画从一个色彩空间转化到另一个色彩空间，但是从RGB向其他类型转化时必须明确指出图画的色彩通道。 值得注意的是，在OpenCV中，其默许的色彩制式排列是BGR而非RGB。关于24位色彩图画来说，前8位是蓝色，中心8位是绿色，最终8位是红色。 需求注意的是，cvtColor函数不能直接将RGB图画转化为二值图画，需求借助threshold函数。 另外，假如对8-bit图画使用cvtColor()函数进行转化将会丢掉一些信息。咱们常用的色彩空间转化有两种：将BGR转化为Gray或HSV。

下面看一个比方，将图片转化为灰度图和HSV。

     import cv2
     #将图片转化为灰度图
     src_image = cv2.imread("test.jpg")
     gray_image = cv2.cvtColor(src_image, cv2.COLOR_BGR2GRAY)
     #将图片转化为HSV
     hsv_image = cv2.cvtColor(src_image, cv2.COLOR_BGR2HSV)
     cv2.imshow("src_image", src_image)
     cv2.imshow("gray_image", gray_image)
     cv2.imshow("hsv_image", hsv_image)
     cv2.waitKey(0)

首要读取工程目录下的图片test.jpg，然后调用cvtColor函数将原图转为灰度图，再调用cvtColor函数将原图转为HSV图，最终将3幅图片显现出来。

运行实例，成果如图所示。

2.截取图画

2.1切片和索引

现在咱们把磁盘上的一幅图片文件读到内存中，比方：

     img = cv.imread("p1.jpg"); #读取一幅图片

实际上是一个NumPy包的array数组，它包含着每个像素点的数据。因此了解NumPy是操作图画数据的根底。NumPy是Python中用于数据分析、机器学习、科学核算的重要软件包。它极大地简化了向量和矩阵的操作及处理。Python中的不少数据处理软件包依赖于NumPy作为其根底架构的中心部分（例如scikit-learn、SciPy、Pandas和TensorFlow）

NumPy包供给了两种根本目标：ndarray（N维数组）和func（通用函数）。ndarray数组用来寄存相同数据类型的多维数组，func是能够对数组进行运算处理的函数。

ndarray目标的内容能够经过索引或切片来访问和修改，与Python中list的切片操作相同。ndarray数组能够基于0～n的下标进行索引，切片目标能够经过内置的slice函数，并设置start、stop及step参数进行，从原数组中切割出一个新数组。比方：

     a = np.arange(10)
     s = slice(2,7,2)   #从索引2开端到索引7中止，距离为2
     print (a[s])

输出成果为：[2 4 6]。

在以上实例中，首要经过arange()函数创建ndarray目标。然后分别设置开始、中止和步长的参数为2、7、2。咱们也能够经过冒号分隔切片参数start:stop:step来进行切片操作：

     a = np.arange(10)
     b = a[2:7:2]   #从索引2开端到索引7中止，距离为2
     print(b)

输出成果为：[2 4 6]。

其中，有关冒号的解说是：假如只放置一个参数，如[2]，就将返回与该索引相对应的单个元素；假如为[2:]，就表明从该索引开端今后的所有项都将被提取；假如使用了两个参数，如[2:7]，那么提取两个索引（不包括中止索引）之间的项。

比方：

     a = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]
     b = a[5]
     print(b)

输出成果为5。

比方：

     a = np.arange(10)
     print(a[2:])

输出成果为：[2 3 4 5 6 7 8 9]。

再比方：

     a = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]
     print(a[2:5])

输出成果为：[2 3 4]。

多维数组相同适用上述索引提取办法：

     a = np.array([[1,2,3],[3,4,5],[4,5,6]])
     print(a)
     #从某个索引处开端切割
     print('从数组索引 a[1:] 处开端切割')
     print(a[1:])

输出成果为：

     [[1 2 3]
      [3 4 5]
      [4 5 6]]
     从数组索引 a[1:] 处开端切割
     [[3 4 5]
      [4 5 6]]

由于图画是数组形式所以咱们能够用切片进行截取图画，代码如下：

import cv2
#将图片转化成灰度图
src_image = cv2.imread("test.jpg")
print(src_image)
img=src_image[20:100,20:250]
cv2.imshow("cut",img)
cv2.waitKey(0)
cv2.destoryAllWindos()

输出成果:

3.获取色彩通道

cv2.split能够帮助咱们获取不同色彩通道。

声明如下：

cv2.split(img)

实例代码：

# 获取色彩通道
img = cv2.imread("picture.jpg")  # 读取图片
b, g, r = cv2.split(img)  # 分割色彩通道
print(r.shape, g.shape, b.shape)  # 调试输出

输出成果：

(1263, 1920) (1263, 1920) (1263, 1920)

4.单通道显现

实例代码：

import cv2
src_image = cv2.imread("test.jpg")
cur_img=src_image.copy()#深复制
cur_img[:, :, 0] = 0  # B通道设置为0
cur_img[:, :, 1] = 0  # G通道设置为0
cv2.imshow("B channel", cur_img)  # 图片展示
cv2.waitKey(0)
cv2.destoryAllWindos()

输出成果：