怎么实现OpenCV入门

本篇文章为大家展示了怎么实现OpenCV入门，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

OpenCV

OpenCV是一个开源库，最初由Intel开发，它包含了支持计算机视觉和机器学习的便捷方法和函数。

我将全神贯注地学习如何读取图像，如何在Jupyter notebook中显示图像以及如何检查和更改其某些属性。

import cv2
import numpy as np
import matplotlib.pyplot as plt

让我们从.imread开始加载图片，然后我们可以使用.imshow在新窗口中显示它。

image = cv2.imread('img.jpg')
cv2.imshow('Some title', image)

cv2.waitKey(0)
cv2.destroyAllWindows()

waitkey和.destroyAllWindows方法对于在不崩溃的情况下运行代码至关重要。

第一个命令将告诉Jupyter继续运行该块，直到按下某个键，第二个命令将在最后关闭窗口。

我们还可以尝试使用Matplotlib.imshow显示图像；这样，它将以内联方式显示，而不是在新窗口中显示。

image = cv2.imread('img.jpg')
plt.imshow(image)

看起来很奇怪。颜色都弄乱了。

OpenCV将图像加载为Numpy数组，并且它们具有三个维度：红色，绿色和蓝色。维度通常称为通道，它们保存的值介于0到255之间，代表每个像素的颜色强度。

>>> print(type(image))
>>> print(image.shape)

<class 'numpy.ndarray'>
(776, 960, 3)

也就是说是RGB，对吧？

不是真的。这是BGR，这是同一件事，但顺序不同。

Matplotlib使用RGB，这就是为什么我们的图片看起来很奇怪。这不是问题，因为OpenCV有一些非常方便的方法来转换颜色。

image = cv2.imread('img.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

plt.imshow(image)

太酷了，我们必须使用OpenCV阅读和显示图像，并了解如何将GBR颜色转换为RGB以与Matplolib内联显示它们。

其他颜色格式可以使用OpenCV处理，例如HSV，CMYK等。

色彩

由于我们将重复很多次，因此我们创建一个使用Matplotlib进行绘图的方法。我们可以设置图的大小并删除轴以使其更好。

def show(img):
    fig, ax = plt.subplots(1, figsize=(12,8))
    ax.axis('off')   
    plt.imshow(img, cmap='Greys')

请注意，我还将.imshow中的颜色图定义为“灰色”。当我们绘制RGB图像时，该参数将被忽略，但是稍后在绘制数组的各个维度时将很有用。现在，让我们尝试一下我们的方法。

image = cv2.imread('img2.jpeg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

show(image)

现在让我们尝试将其转换为灰度然后再转换为RGB。

image = cv2.imread('img2.jpeg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = cv2.cvtColor(gray, cv2.COLOR_GRAY2RGB)

show(image)

我们可以使用.split获取颜色的单个数组，然后将图片与.merge组合在一起。这对于修改，检查和过滤数组的单个维度非常实用。

例如，我们可以将数组乘以零以将其删除；

img = cv2.imread('img2.jpeg')

B, G, R = cv2.split(img) 
img = cv2.merge([B*0, G, R*0])

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
show(img)

我们可以增加或减少颜色的强度，或者构建具有相同形状的新的Numpy数组来替换它，或者你可以考虑使用任何其他方法。

img = cv2.merge([np.ones_like(B)*255, G, R])

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
show(img)

同样的分割和合并概念也适用于其他格式，如HSV和HSL。

img = cv2.imread('img2.jpeg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

H, S, V = cv2.split(img)
 
img = cv2.merge([np.ones_like(H)*30, S+10, V-20])

img = cv2.cvtColor(img, cv2.COLOR_HSV2RGB)
show(img)

HSV：色调、饱和度和明度。

这种格式适用于色调，因此很容易过滤颜色——这意味着，我们可以使用角度范围，而不必计算红色、绿色和蓝色之间的组合范围。

我们可以用Numpy来定义HSV的上下边界。应用函数.inRange过滤这些值，并创建一个掩码。然后，我们可以使用.bitwise_and在饱和状态下应用这个掩码，它会使边界以外的一切都变成零。

换句话说：我们可以过滤一些颜色，然后将其余所有颜色设置为灰度。

# read img and convert to HSV
img = cv2.imread('img2.jpeg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# split dimensions
H, S, V = cv2.split(img)
# upper and lower boundaries
lower = np.array([80, 0, 0]) 
upper = np.array([120, 255, 255])
# build mask
mask = cv2.inRange(img, lower, upper)
# apply mask to saturation
S = cv2.bitwise_and(S, S, mask=mask)
# assemble image
img = cv2.merge([H, S, V])
# convert to RGB and display
img = cv2.cvtColor(img, cv2.COLOR_HSV2RGB)
show(img)

分割图像也可以让我们更容易地检查它的构图。

我们可以从RGB绘制颜色，从HSV绘制饱和度，或任何其他我们想要的通道。

img = cv2.imread('img2.jpeg')
B, G, R = cv2.split(img) 
show(B)

img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
H, S, V = cv2.split(img)
show(S)

使用“灰色”色图时，值从白色（低）到黑色（高）。

通过查看第一张地图，我们可以看出，地面上的蓝色强度高于建筑物中的蓝色强度，并且通过饱和度图可以看出，滑板周围的值高于图像中其他部分的值。

上述内容就是怎么实现OpenCV入门，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注亿速云行业资讯频道。