很多朋友都对“Python OpenCV如何使用，相关函数有哪些”的内容比较感兴趣，对此小编整理了相关的知识分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获，那么感兴趣的朋友就继续往下看吧！

Python-OpenCV环境的配置看上一篇OpenCV环境的配置

本篇主要介绍一下OpenCV的基本使用和相关函数的介绍。
以下所有操作都基于这三个库：
import cv2
import numpy as np
import matplotlib.pylab as plt

原图

1、图像的读取

import cv2
img = cv2.imread('文件路径'[,cv2.IMREAD_UNCHANGED])
# 其他参数
# 以原图读取 -cv2.IMREAD_UNCHANGED-默认
# 以灰度图读取 -cv2.IMREAD_GRAYSCALE
# 以彩色图读取 -cv2.IMREAD_COLOR

2、图像保存

import cv2
cv2.imwrite('image/gray_test.jpg',img)

3、图像展示

（1）使用OpenCV自带的显示函数

import cv2
# 可以决定窗口是否可以调整大小。
# cv2.namedWindow('image', cv2.WINDOW_NORMAL) # 特殊情况
cv2.imshow('显示窗口的名字',img)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
'''
cv2.waitKey(num)函数的参数介绍
num<0 按键输入消失
num==0 或不填系数 ，一直不消失
num>0 停滞num秒
'''

（2）使用matplotlib库实现
不能直接用matplotlib去显示opencv读取的图像，因为opencv读取的图像的通道顺序是[B,G,R]，而matplotlib显示图像时图像的通道顺序是[R,G,B]。
解决办法

import cv2

img = cv2.imread('文件路径')
# 第一种方法
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 第二种方法
# b, g, r = cv2.split(img)
# img = cv2.merge([r, g, b])

显示图像

import cv2
matplotlib.pyplot as plt
img = cv2.imread('文件路径')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.rcParams['font.sans-serif'] = ['FangSong']  # 支持中文标签
# (2,2,1)表示一共可显示2行2列4个图像，1表示第一个图像
plt.subplot(2,2,1), plt.title("图1") #  plt.axis('off') 关闭坐标轴
plt.imshow(img) # 还可以添加一个参数cmap='gray'
plt.subplot(2,2,2), plt.title("图2")
plt.imshow(img)
plt.subplot(2,2,3), plt.title("图3"), 
plt.imshow(img)
plt.subplot(2,2,4), plt.title("图4"), 
plt.imshow(img)  
plt.show()

（3）拼接图像并显示

import cv2
import numpy as np

# 拼接多个图片并显示
img1 = cv2.imread("1.jpg",cv2.IMREAD_UNCHANGED)
img2 = cv2.imread("2.jpg",cv2.IMREAD_UNCHANGED)
# 需要将两图片的大小改为一致
# heigh = img1.shape[0] # 高
# width = img1.shape[1] # 宽
img2 = cv2.resize(img2,(img1.shape[1],img1.shape[0]))
res = np.hstack((img1,img2,img2)) # 水平连接
# np.vstack((img1,img2,img2)) # 竖直连接
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、获取图像属性

# 获取BGR图的高、宽
heigh = img.shape[0] # 高
width = img.shape[1] # 宽
# 获取BGR图的高、宽、深度
h，w，d = img.shape
# 获得图片大小 h*w 或 h*w*d
img_size = img.size
# 获得图片数据类型
img.dtype

5、图像缩放（宽，高）

# 图片缩放->(200,100)
img2 = cv2.resize(img1, (200, 100)) # （宽,高）
# 按比例缩放->(0.5,1.2)
img2 = cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
# 按比例缩放，参数版
img2 = cv2.resize(img1, None, fx=1.2, fy=0)

6、在原图像中获取某一区域

# 获取区域在原图中的四个点的位置（x1,y1）（x2,y1）（x1,y2）（x2,y2）
# 图像高度不变，切割宽度，原图上开始横坐标-->原图上结束横坐标
# img_x_y = img[高:高,宽:宽]
img_x_y_1 = img[ : , x1(开始横坐标):x2(结束横坐标)]
# 图像宽度不变，切割高度，原图上开始纵坐标-->原图上结束纵坐标
img_x_y_2 = img[y1(开始纵坐标):y2(结束纵坐标), : ]
# 获取具体位置
img_x_y = img[y1(开始纵坐标):y2(结束纵坐标),x1(开始横坐标):x2(结束横坐标)]

例如：

import cv2
path = 'C:\\Users\\lenovo\\Desktop\\demo.jpg'
img = cv2.imread(path)
img_1 = img[100:600,200:500]
cv2.imshow('1',img_1)
cv2.waitKey(0)
cv2.destroyAllWindows()

7、彩色图像通道分解

# 通道分解方案1
b = img[:,:,0]
g = img[:,:,1]
r = img[:,:,2]
# 通道分解方案2
b,g,r = cv2.split(img)
# 通道合并
rgb = cv2.merge([r,g,b])
# 只显示蓝色通道
b = cv2.split(a)[0]
g = np.zeros((rows,cols),dtype=a.dtype)
r = np.zeros((rows,cols),dtype=a.dtype)
m = cv2.merge([b,g,r])

8、图像加法

# 超过255则为0
result1 = img1 + img2
# 超过255则为255
result2 = cv2.add(img1, img2)
# 图像带权重融合，第5个参数为偏移量
result = cv2.addWeighted(img1,0.5,img2,0.5, 0)

9、图像反转

img2 = cv2.flip(img1, 0) #上下翻转
img2 = cv2.flip(img1, 1) #左右翻转
img2 = cv2.flip(img1, -1) #上下、左右翻转

10、图像金字塔

# 图片向下采样，高斯滤波 1/2 删掉偶数列
img1 = cv2.pyrDown(img)
# 图片向上采样 ，面积*2 高斯滤波*4 ，下采样为不可逆运算
img3 = cv2.pyrUp(img2)
# 计算拉普拉斯金字塔
img1 = cv2.pyrDown(img) #下采样
img2 = cv2.pyrUp(img1) #上采样
img3 = img-img2

11、直方图

##matplotlib 绘制直方图
plt.hist(img.ravel(),256)
##用opencv计算直方图列表
hist = cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
##掩膜提取局部直方图
pad = np.zeros(img.shape,np.uint8)
pad[200:400,200:400]=255
hist_MASK = cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])
##opencv 交、并、补、异或操作
masked_img = cv2.bitwise_and(img,mask)
##直方图均衡化原理
# 图像直方图->直方图归一化->累计直方图->*255 # x坐标映射->对原来的像素值进行新像素值编码
# 直方图均衡化调用
img1 = cv2.equalizeHist(img)
# matplotlib绘制图片前通道转换
img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
##matplotlib多图绘制在一个面板上
plt.subplot('2,2,1'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original')
plt.subplot('2,2,2'), plt.imshow(img1, cmap = plt.cm.gray), plt.axis('off')
plt.subplot('2,2,3'), plt.hist(img.ravel(),256)
plt.subplot('2,2,4'), plt.hist(img1.ravel(), 256)

12、图像类型转换

# 彩色图转灰度图
img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
# BGR图转RGB图（重点：opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反）
img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
# 灰度图转BGR图,每个通道都是之前的灰度值
img2 = cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

13、图像阈值转换 、二值化

r,b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化，阈值127,r为返回阈值，b为二值图
r,b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化
r,b = cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold则为0
r,b = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold则为0
r,b = cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold

14、图像平滑处理

# 均值滤波
img2 = cv2.blur(img1, (5, 5))  #sum(square)/25
# normalize=1 均值滤波,normalize=0 区域内像素求和
img1 = cv2.boxFilter(img, -1, (2, 2), normalize=1)
# 高斯滤波,第三个参数是方差,默认0计算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数)
img1 = cv2.GaussianBlur(img, (3, 3), 0)  #距离像素中心点近的权重较大，以高斯方式往四周分布
# 中值滤波,效果非常好
img1 = cv2.medianBlur(img,3)  #获得中心点附近像素排序后的中值

15、图像形态学操作

（1）图像腐蚀，k为全为1的卷积核

k = np.ones((5,5),np.uint8)
img1 = cv2.dilate(img, k, iterations=2)

（2）图像膨胀

k = np.ones((5,5),np.uint8)
img1 = cv2.dilate(img, k, iterations=2)

（3）图像开运算 （先腐蚀后膨胀），去掉图形外侧噪点

k = np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)

（4）图像闭运算（先膨胀后腐蚀） ，去掉图形内侧噪点

k = np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)

# 高帽运算 （原图-开运算），获得图形外噪点
k=np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
# 黑帽运算（闭运算-原图），获得图像内噪点
k = np.ones((10,10),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

16、图像梯度，边缘检测

import cv2
import matplotlib.pyplot as plt
import numpy as np
# 各种算子
img = cv2.imread('C:\\Users\\lenovo\\Desktop\\demo.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯平滑
img_median = cv2.medianBlur(img, 3)  # 中值滤波
img_gray = cv2.cvtColor(img_median, cv2.COLOR_BGR2GRAY)
# Roberts 算子
kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
kernely = np.array([[0, -1], [1, 0]], dtype=int)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
plt.rcParams['font.sans-serif'] = ['FangSong']  # 支持中文标签
plt.subplot(2,2,1), plt.title("Roberts算子"), plt.axis('off')
plt.imshow(Roberts,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)
# Prewitt 算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
# 转 uint8 ,图像融合
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Prewitt = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
plt.subplot(2,2,2), plt.title("Prewitt算子"), plt.axis('off')
plt.imshow(Prewitt,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)
#Sobel算子
# 梯度方向: x
sobelx = cv2.Sobel(img_gray, cv2.CV_8U, 1, 0, ksize=3)
sobely = cv2.Sobel(img_gray, cv2.CV_8U, 0, 1, ksize=3)
sobel = cv2.addWeighted(sobelx,1,sobely,1,0)
plt.subplot(2,2,3), plt.title("sobel算子"), plt.axis('off')
plt.imshow(sobel,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)
#canny算子
binary = cv2.Canny(img_gray, 100, 200)
plt.subplot(2,2,4), plt.title("Canny算子"), plt.axis('off')
plt.imshow(binary,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)
# matplotlib 显示彩色图像(RGB格式)
# img = cv2.imread("D:/test/26.png", 0)
# Laplacian算子
# gray_lap = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
# dst = cv2.convertScaleAbs(gray_lap) # 转回uint8
plt.show()

17、图像轮廓标注

gray_img = cv2.cvtColor(img_1,cv2.COLOR_BGR2GRAY) #灰度图转化
dep,img_bin = cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化
image_contours,hierarchy = cv2.findContours(img_bin,mode=cv2.RETR_TREE,method = cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓
to_write = img_1.copy() #原始图像copy，否则会在原图上绘制
ret = cv2.drawContours(to_write,image_contours,-1,(0,0,255),2) #红笔绘制图像轮廓
plt.subplot(2,1,1),plt.imshow(ret,'gray')
plt.show()

18、读取视频文件

# 数据读取-视频
# cv2.VideoCapture #可以捕获摄像头,用数字来控制不同的设备,例如0,1。
# 如果是视频文件,直接指定好路径即可
vc = cv2.VideoCapture("test. mp4")
# 检查是否打开正确
if vc.isOpened():
	oepn, frame = vc.reado()
else: 
    open = False
while open:
	ret, frame ＝ vc.read ()
	if frame is None:
		break
	if ret == True:
		gray = cv2. cvtColor(frame, cv2.COLOR_BGR2GRAY)
		cv2.imshow("result", gray)
		if cv2.waitKey(10) & OxFF == 27:
			break
vc.release()
cv2.destroyAllWindows()

“Python OpenCV如何使用，相关函数有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业技术相关的知识可以关注群英网络网站，小编每天都会为大家更新不同的知识。

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• pycharm安装cv2模块失败该怎么办

  这篇文章主要介绍了pycharm无法安装cv2模块问题及解决方案，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

• MobileNetV2模型的定义及其实现代码是什么呢

  这篇文章主要为大家介绍了python神经网络MobileNetV2模型的复现详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

• 如何利用Python写一个可以自动清理重复文件的功能

  这篇文章主要为大家详细介绍了如何利用Python清理重复的文件，文中的示例代码讲解详细，对我们学习Python有一定帮助，需要的可以参考一下

• concat()函数可以做什么，实例是什么样的

  大家都知道concat()函数可以沿着一条轴将多个对象进行堆叠，其使用方式类似数据库中的数据表合并，在使用merge()函数进行合并时，默认会使用重叠的列索引做为合并键，即取行索引重叠的部分，本文给大家介绍python 数据合并concat函数与merge函数，感兴趣的朋友一起看看吧

• Pyhton模块和包是什么含义，如何进行安装

  文中详细整理了关于Python模块和包的相关知识点,刚入门Python的小伙伴们可以学习一下,有助于加深Python基础的理解.而且有详细说明及代码示例,需要的朋友可以参考下