python opencv图像处理基本操作的示例分析

本篇文章给大家分享的是有关python OpenCV图像处理基本操作的示例分析，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

①读取图像

②显示图像

该函数中，name是显示窗口的名字，可输入任意字符串，img就是读取的图片矩阵。

waiTKEy()意思是图片停留的时间，若设为0，则会一直保留直到关闭图片。

③视频读取

使用VideoCapture方法读取视频，若可以成功读取，则vc.read()返回的第一个参数就是True，否则为False。返回的第二个参数frame就是读取的视频图片。此时只能读取一张。

该函数可以将读取的图片按照设定的速度依次展示，cv.waitKey中的数值越小，展示的速度越快。

gray处只是把图片设置成了灰度图像，直接用frame展示也可以，就是原图。最后的0xFF==27就是ESC键，按下这个键就会退出。

④图像截取

因为图像读取的是矩阵，因此使用矩阵的截取方法即可。

⑤颜色通道提取及还原

CV读取图像的时候，彩色是BGR而非RBG，使用split以及merge方法进行提取和还原。

通过将其他通道设置为0，即可展示只保留某一颜色通道的图像。

⑥边界填充

指定大小后，有不同的填充方法，通过borderType来进行设置。

⑦数值计算

若通过矩阵计算方式直接相加，则当结果超过255的时候，会进行取余操作。

若通过cv.add方法，则超过255的会全部截断为255

图像尺寸的修改：cv.resize(图像矩阵，尺寸长宽元组)

⑧图像融合

通过cv.addWeighted对图像进行融合，参数分别为：第一张图，权值，第二张图，权值，微调的度。给的权值相当于对图像取了个透明度。两张图会直接重叠在一起。

2.阈值与平滑处理

①设定阈值并对图像处理

通过cv.threshold对图像进行阈值处理，上面的代码中，127就是阈值，255是最大值。后面是处理的方法，比如BINARY是处理为0和1，即显示的图片只有黑和白。加上INV就是反转过来，也就是白和黑。

②图像平滑-均值滤波

blur方法，传入的第一个参数是图像，第二个是核大小。 也就是以多大的范围去处理图像，比如3*3或者5*5等。

③图像平滑-方框滤波

④图像平滑-高斯滤波

⑤图像平滑-中值滤波

对lena图像通过以上的滤波方式进行滤波，发现中值滤波的效果最好，因为中值滤波会直接舍弃掉噪音，而其他的滤波方式都是需要考虑噪音在内，并进行计算的。

3.图像的形态学处理

①腐蚀操作

kernel依旧是核，跟上面的一样，代表处理的范围大小。erode方法中的参数分别为：待处理的图像，核，迭代次数。每一次迭代都会侵蚀掉一部分图像。因此如果有细的毛刺会直接被侵蚀掉，粗的线条会变细。迭代次数越多，侵蚀的部分越大。

②膨胀操作

该操作相当于腐蚀操作的逆操作。会把原来的内容扩展。如果原来的图就带毛刺，膨胀后毛刺会变大。

③开运算和闭运算

开闭运算其实就是膨胀和腐蚀运算的结合，有一个先后顺序，如上图。都是通过morphologyEx方法来实现的，改变其中的参数即可。

4.图像梯度处理

①梯度运算

梯度就是膨胀-腐蚀所得到的边界。依旧是morphologyEx方法来实现。

②礼帽与黑帽

礼帽 = 原始输入-开运算结果

黑帽 = 闭运算-原始输入

其实就是把上面两种运算包装成了函数

③图像的梯度处理

三种算子：Sobel, Scharr, Laplacian

上面代码中Sobel算子和Scharr算子输入的参数为：待处理的图片，图像深度（通常指定为-1就可以），x方向，y方向

因此若只指定x为1，其实是计算了一半。需要把数值修改为绝对值，并计算y=1,x=0的情况下的另一半，两者融合起来，才会是完整的处理。

Scharr算子：把左右数值变大，结果更明显。

Laplacian算子：对变化更敏感，对噪音点也敏感。通常不单独使用拉普拉斯算子。原理是中心点和周围点比较，不需要输入x和y。

5.边缘检测

①Canny边缘检测

流程：

使用高斯滤波器，平滑图像，滤除噪声
2.计算图像中每个像素点的梯度强度和方向
3.应用非极大值抑制，以消除边缘检测带来的杂散效应
4.应用双阈值检测来确定真实的和潜在的边缘
5.通过抑制孤立的弱边缘完成最终的边缘检测

以上是两种边缘检测的对比，结果如下

该方法会设置两个阈值，大于高阈值的地方保留，低于低阈值的地方舍弃，在高低之间的地方，若和保留的地方有链接则保留，否则舍弃。

可以看出，阈值设定的高的时候，细节变少。低的时候，细节变多。

以上就是Python opencv图像处理基本操作的示例分析，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注编程网Python频道。