0.Opencv环境配置
这一环节咱们首要介绍Opencv图形处理结构，首要咱们要配置好对应的环境。咱们在网上能够搜到各式各样的教程，这儿我的环境如下
python3.6, opencv-contrib-python3.4.1.15,opencv-python3.4.1.15
咱们能够依据自己的python环境自习装置对应的版别。
以我的环境为例，装置命令如下
pip install opencv-python==3.4.1.15
pip install opencv-contrib-python==3.4.1.15
1.图画读取
接下来咱们来看在opencv傍边，图画最根本的操作。
首要，咱们得先知道计算机是怎么看一张图画的
咱们来调查这个图，咱们把它叫做丽娜，咱们把图片分红了许多许多小方格，然后咱们拿出其间的一个方格调查一下。在这个方格傍边，咱们的每一个便是一个大区域，它是有许多个小块儿所组成的，其间的每一个小格，它叫做一个像素点，计算机当便是由这些像素点来构成一张图画的，那像素点又是什么呢？
其实，它便是一个值，咱们来看最右边，每一个矩阵里边儿的组成，各种值，例如81，116，…，133，170。它们便是构成像素点的每一个值了，而这个数值巨细意味着什么呢？
在计算机傍边，每一个像素点的值是在0-255之间进行起浮的，表明该点亮度，0表明很亮，255表明很暗
然后咱们再来看R、G、B三个通道，每一个五颜六色图都是由RGB三颜色通道组成的，然后每一个矩阵别离对应每一个通道的亮度。关于灰度图而言，就只有一个通道来表明亮度。
这些像素点组成了一个矩阵，这个矩阵就表明图画的巨细，例如咱们假设矩阵是300×300，那相应的rgb三个通道都是300×300,因而整个图形的维度便是(300,300,3)
1.1五颜六色图画读取
当咱们要剖析一张图片时，首要便是读取它转换成一个矩阵的格局，下面咱们正式看一下怎么读取图片
import cv2 #opencv读取的格局是BGR
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
img=cv2.imread('yangqi.jpg')
在这儿咱们先导入cv2，然后找到你要读取的图片地址，我这儿用的是咱们家小狗的图片，他的名字叫洋气，‘yangqi.jpg’，运用cv.imread()函数就会把这张图画读进来。
咱们来看一下它的成果是什么
img
array([[[ 99, 141, 148],
[ 95, 137, 144],
[ 78, 120, 127],
...,
[ 69, 88, 103],
[ 81, 100, 113],
[ 88, 107, 120]],
[[ 93, 137, 144],
[ 49, 93, 100],
[ 86, 130, 137],
...,
[175, 197, 209],
[195, 217, 229],
[200, 222, 234]],
[[ 30, 76, 84],
[ 23, 66, 75],
[ 72, 115, 124],
...,
[ 43, 65, 77],
[ 42, 64, 76],
[ 43, 65, 77]],
...,
[[178, 209, 232],
[158, 189, 212],
[154, 185, 206],
...,
[ 68, 78, 85],
[ 54, 64, 71],
[ 83, 93, 100]],
[[164, 195, 216],
[138, 169, 190],
[168, 197, 218],
...,
[ 84, 94, 101],
[ 92, 102, 109],
[ 87, 97, 104]],
[[167, 196, 217],
[129, 158, 179],
[102, 131, 152],
...,
[101, 111, 118],
[124, 134, 141],
[ 96, 106, 113]]], dtype=uint8)
img.shape
(238, 218, 3)
能够看到，它回来的是一个ndarray的结构，纬度为(238, 218, 3)，因为咱们这儿是一张五颜六色图片，所以有三个通道。
现在咱们现已把图画数据给读进来了，有些时分便是随着咱们对图画进行处理，例如边际检测，或许是一些更复杂的操作。在做操作过程傍边，咱们想调查一下，这个图画它变换成什么样子了，因而咱们需求展现图画，咱们能够用matplotlib或许cv2，可是需求留意的是openCV默认读取是BGR的格局，所以在读取的时分，如果咱们要用matplotlib的话需求进行相应的改变。咱们这儿悉数都用openCV自带的函数来展现。这儿咱们运用cv.imshow()函数，传入两个参数，第一个参数表明窗口的名称，第二个函数便是咱们要读取的图画数据，也便是咱们刚刚得到的那个矩阵
#图画展现
cv2.imshow('cat',img)
cv2.waitKey(0) # 等待时间，0表明按任意键完毕
cv2.destroyAllWindows()
为了方便运用，咱们界说函数cv_show()，今后就直接调用这个函数来进行图画读取
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.2 灰色图画读取
在opencv中，默认都是进行五颜六色图画读取，有的时分咱们想要读取灰度图，在这儿咱们指定cv2.IMREAD_GRAYSCALE
img=cv2.imread('yangqi.jpg',cv2.IMREAD_GRAYSCALE)
img
array([[138, 134, 117, ..., 90, 102, 109],
[134, 90, 127, ..., 198, 218, 223],
[ 73, 64, 113, ..., 66, 65, 66],
...,
[212, 192, 188, ..., 79, 65, 94],
[198, 172, 200, ..., 95, 103, 98],
[199, 161, 134, ..., 112, 135, 107]], dtype=uint8)
img.shape
(238, 218)
能够看到现在的数据变成了一个二维矩阵了，此时是一个单通道，咱们再次读取
cv2.imshow('cat2',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
能够看出现在这个图片就变成灰白了
2.视频读取
视频读取其实和咱们图画读取相似，咱们先把视频进行拆分，拆分红其间的每一帧，然后基于每一帧图画去做。下面咱们详细来看一下怎么运用opencv读取视频，首要找到你要读取的视频路径，然后调用cv2.VideoCapture()函数得到视频流，然后咱们运用isOpened()来判别是否能翻开，如果能翻开，运用vc.read()一帧一帧的读取视频信息，然后回来两个值，open为布尔值，frame为读取的每一帧的图画数据
vc = cv2.VideoCapture('test.mp4')
# 检查是否翻开正确
if vc.isOpened():
oepn, frame = vc.read()
else:
open = False
while open:
ret, frame = vc.read()
if frame is None:
break
if ret == True:
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #转换成是非图
cv2.imshow('result', gray)#显现每一帧图画
if cv2.waitKey(100) & 0xFF == 27:#等待时间
break
vc.release()
cv2.destroyAllWindows()
3.ROI读取
3.1 图形切片处理
接下来咱们来看，当我拿到一张图画时，有的时分我只对某一个区域感兴趣，例如咱们刚刚的cat图片，我可能想要调查的是中间的某一个特定区域，这便是region of interest（ROI）读取,如下所示，咱们对图形进行切片处理，得到它的左上部分成果。
img=cv2.imread('yangqi.jpg')
dog=img[0:50,0:200]
cv_show('yangqi',dog)
3.2 提取颜色通道
有的时分咱们需求对图画进行一些特殊的剖析，假设一个五颜六色图画，它是由三个颜色通道组成，BGR(Opencv默认次序)。在openCV傍边，咱们能够运用cv2.split()把三个通道别离提取出来看一下
b,g,r=cv2.split(img)
这样咱们得到了每一个通道的数据
r.shape,b.shape,g.shape
((238, 218), (238, 218), (238, 218))
能够看到每一个通道都是一个二维矩阵。在咱们切片完处理之后，咱们期望再将其组合在一起，咱们能够直接调用cv2.merge()，留意咱们的次序是BGR
img=cv2.merge((b,g,r))#次序为bgr
img.shape
咱们前面一直说五颜六色图片有三个通道，那么每个通道的图画是怎样的呢？咱们接下来别离来看看。首要，咱们只看R通道的图画，那么咱们设置B，G通道关于的像素点值全为0
tmp_img = img.copy()
tmp_img[:,:,0] = 0#第一个通道B悉数设为0
tmp_img[:,:,1] = 0#第二个通道G悉数设为0
cv_show('Red',tmp_img)
能够看到得到了一张赤色图片，下面相似的操作能够别离得到蓝色和绿色的成果
tmp_img = img.copy()
tmp_img[:,:,0] = 0
tmp_img[:,:,2] = 0
cv_show('Green',tmp_img)
tmp_img = img.copy()
tmp_img[:,:,1] = 0
tmp_img[:,:,2] = 0
cv_show('Blue',tmp_img)
4.图画填充
接下来咱们讨论一下图画填充，这个也比较常见，咱们之间在介绍卷积的时分说了padding,它便是在图画在鸿沟进行填充。下面咱们就介绍一下运用Opencv来填充图画的一些办法
top_size,bottom_size,left_size,right_size = (100,100,100,100)#要填充的巨细
replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE) #仿制法
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT) #反射法
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101) #反射法101
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP) #外包装法
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0) #常数填充，0表明黑色
-
BORDER_REPLICATE：仿制法，直接仿制最边际的像素 -
BORDER_REFLECT：反射法，对感兴趣的图画中的像素在两边进行仿制，例如，原始为1234，那么咱们仿制的办法为321|1234|432 -
BORDER_REFLECT_101：反射法101，以最边际像素为轴进行对称仿制，例如，原始为1234,那么咱们仿制的办法为432|1234|321 -
BORDER_WRAP：外包装法,例如原始为1234，仿制为234|1234|123 -
BORDER_CONSTANT：常量法，常数值填充。
检查成果
import matplotlib.pyplot as plt
plt.subplot(231), plt.imshow(img, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')
plt.show()
5.数值运算与图画交融
接下来咱们来看一下在Opencv中的根本数值运算，咱们先读取两张图画,yangqi和另一只猫的图片cat
img_dog=cv2.imread('yangqi.jpg')
img_cat=cv2.imread('cat.jpg')
5.1加法运算
img_cat2= img_cat +10
img_cat[:5,:,0]
array([[142, 146, 151, ..., 156, 155, 154],
[107, 112, 117, ..., 155, 154, 153],
[108, 112, 118, ..., 154, 153, 152],
[139, 143, 148, ..., 156, 155, 154],
[153, 158, 163, ..., 160, 159, 158]], dtype=uint8)
然后咱们对cat加10，这相当于在每个像素点都加10.
img_cat2[:5,:,0]
array([[152, 156, 161, ..., 166, 165, 164],
[117, 122, 127, ..., 165, 164, 163],
[118, 122, 128, ..., 164, 163, 162],
[149, 153, 158, ..., 166, 165, 164],
[163, 168, 173, ..., 170, 169, 168]], dtype=uint8)
在opencv中，咱们有两种办法实现两个矩阵相加
# 办法一
(img_cat + img_cat2)[:5,:,0]
array([[ 38, 46, 56, ..., 66, 64, 62],
[224, 234, 244, ..., 64, 62, 60],
[226, 234, 246, ..., 62, 60, 58],
[ 32, 40, 50, ..., 66, 64, 62],
[ 60, 70, 80, ..., 74, 72, 70]], dtype=uint8)
# 办法二
cv2.add(img_cat,img_cat2)[:5,:,0]
array([[255, 255, 255, ..., 255, 255, 255],
[224, 234, 244, ..., 255, 255, 255],
[226, 234, 246, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255]], dtype=uint8)
-
办法一：直接如上所示，用
a+b，这样得出来的成果咱们能够看第一个为38，咱们知道刚刚两个矩阵的第一个元素相加为142+152=294，之前咱们说每一个像素的规模为0-255，在这儿超过了255，因而咱们这儿实际上是294%256=38，进行了一个取余数的操作 -
办法二：
cv2.add(),这种办法会将超过255的值界说为255
5.2 图画交融
首要咱们来看一下两张图片的维度
img_cat.shape,img_dog.shape
((414, 500, 3), (238, 218, 3))
由于维度不同，不能直接相加，这儿咱们需求运用cv.resize将dog的图片维度转换，这在咱们之前CNN中也用过相似的操作。
img_dog = cv2.resize(img_dog, (500, 414))
img_dog.shape
(414, 500, 3)
现在两张图片的纬度一样了，咱们能够调用cv2.addWeighted()将两张图片交融。
这儿有5个参数，别离是图片1数据、图片1权重、图片2数据、图片2权重、常数项。
详细操作便是0.4*cat+0.6*dog+0
res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)
能够看到这个成果傍边，左边像猫，右边像狗，这样就好像两张图画就交融在一起了。
6. 总结
咱们介绍了Opencv环境配置、根本的图画和视频读取、读取感兴趣的部分图画、图画填充、以及在Opencv中的根本数值计算和图画交融。
收藏点赞后私信我获取完整代码文件
