Python OpenCV 使用介绍

摘要

本文是对 Python OpenCV 的一个介绍。包含 opencv 的基础操作（读入图像，显示图像）等。

简介

在本文中，我们将会介绍 Python 中的 OpenCV 库来介绍计算机视觉的各个方面。OpenCV 是一个旨在解决计算机视觉问题的 Python 库。

OpenCV 最初由 Intel 在 1999 年开发，但是后来由 Willow Garage 资助。它支持很多编程语言，如C++，Python，Java 等等。它也支持多种平台，包括 Windows，Linux 和 MacOS。

OpenCV Python 只是一个与 Python 一起使用的原始 C++ 库的包装类。通过使用它，所有OpenCV 数组结构都能被转化为 NumPy 数组或从 NumPy 数组转化而来。这样就可以轻松地将其与其他使用 NumPy 的库集成。例如，SciPy 和 Matplotlib 等库。

 

计算机如何读取图像

在详细介绍 Python OpenCV 之前，我们首先看一下「计算机是如何读取图片」的。下面是一张「纽约天际线」的图像：

对于计算机来说，他将任何图片都读取为一组 0 到 255 之间的值。对于任何一张彩色图片，有三个主通道——红色(R)，绿色(G)和蓝色(B)。对于黑白照片就只有一个通道了。

计算机对每个原色（R，G，B）创建一个矩阵；然后，组合这些矩阵以提供 R, G 和 B 各个颜色的像素值。每一个矩阵的元素提供与像素的亮度强度有关的数据。

下图是计算机读取上面「纽约天际线」的过程，会分别创建三个矩阵，分别表示每个像素 R，G，B的强度：

 

参考资料

• Python中Pillow使用介绍，Pillow 库的使用，也是对图像进行处理；
• 手把手教你使用OpenCV库（附实例、Python代码解析），机器之心中一篇介绍 python-opencv 的文章（文章中代码的格式不好）；

 

OpenCV 基础操作

我们首先需要按照下面的方式安装 opencv-python 的库：

后面就可以按照下面的方式导入 opencv-python 库了。

如果在安装过程中出现报错：ModuleNotFoundError: No module named 'skbuild'，则更新 pip 即可，如下所示：

 

 

使用 OpenCV 加载图像-imread

我们使用下面的图像来作为例子：

我们使用 cv2.imread 来读取图像，后面的参数 1 表示「彩色图像」，最终是一个三维的矩阵，说明 RGB 三个通道都有值：

如果想要读取为黑白的图像，只需要将参数设置为 0 即可：

 

使用 OpenCV 保存图像-imwrite

我们可以使用 cv2.imwrite 来进行图像的保存。下面的例子中我们打开图像后再进行保存：

 

 

使用 OpenCV 显示图像-imshow

在加载完毕之后，我们想要将图像显示出来，这里可以使用 cv2.imshow 来进行图像的显示：

最后需要加上 waitkey，来使得图像可以显示一段时间。最终的效果如下所示：

 

创建图像

有的时候我们需要创建纯白色或是纯黑色的图像，可以使用 numpy 来定义一个矩阵即可：

上面是定义了纯黑色与纯白色的图像，当然我们也可以对图片颜色进行修改。修改为「左侧是蓝色」，「右侧是绿色」：

最终的效果如下图所示：

参考资料，Create a new RGB OpenCV image using Python?

 

转换图像的颜色空间-cvtColor

颜色空间转换，例如将彩色的图片转换为灰度图。同时需要注意的是，opencv 的彩色图片是 BGR 颜色空间的，如果希望 matplotlib 可以正常显示，需要转换为 RGB 颜色空间（图像处理-matplotlib显示opencv图像）。我们使用 cv2.cvtColor 来转换颜色空间。

例如下面的例子，我们将彩色图像转换为灰度图，使用了 cv2.COLOR_BGR2GRAY：

关于 opencv 中 color space 的介绍可以参考，OpenCV Color Conversions。

 

OpenCV 格式与 Pillow 格式互相转换

有一点需要牢记：

• OpenCV 中图像的颜色空间是 BGR；
• Pillow 中的颜色空间是 RGB；

OpenCV 格式到 Pillow 格式

图片通过 OpenCV 读取是 numpy 的格式，通过 Image.fromarray() 将其转换为 pillow 的格式：

参考资料，Convert opencv image format to PIL image format?

 

Pillow 格式到 OpenCV 格式

将 pillow 格式转换为 OpenCV 格式其实就是转换为 numpy 的格式。我们只需要使用 np.array（或是 np.asarray，这个节约内存） 即可。注意下面进行了颜色空间的转换（转换到了 OpenCV 使用的 BGR 颜色空间）。

参考资料，Convert image from PIL to openCV format

 

 

阈值处理

全局阈值处理-threshold

之前我们介绍了将图像转换为了「灰度图」，但是有时我们还希望可以将图像只保留「两种颜色」，即非黑即白，于是可以使用 cv2.threshold。

这里的「阈值」是「全局阈值」，也就是整个图片都会使用这个阈值。而「阈值类型」有以下的五种：

• cv.THRESH_BINARY：当小于「阈值」则为 0，大于「阈值」为「填充色」；
• cv.THRESH_BINARY_INV：当小于「阈值」则为「填充色」，大于「阈值」为 0；
• cv.THRESH_TRUNC：当小于「阈值」则不变，大于「阈值」为「阈值」；
• cv.THRESH_TOZERO：当小于「阈值」则为 0，大于「阈值」不变；
• cv.THRESH_TOZERO_INV：当小于「阈值」则不变，大于「阈值」为 0；

下图是五种情况的效果图：

我们还是对上面柯南的图片进行二值化：

关于 cv2.threshold 详细的介绍可以查看链接，OpenCV Thresholding。但是有的时候直接使用上面的方式进行全局的二值化效果不会很好，于是会出现自适应阈值。

 

自适应阈值-adaptiveThreshold

在上面我们介绍了使用全局值作为阈值，但是这并非在所有情况都是好的。例如一副图像在不同的地区的照明条件是不一样的。于是在这种情况下自适应阈值是有作用的。

这里「自适应阈值」会根据一小个区域来确定阈值，相当于一个图片的不同区域的阈值是不同的。我们可以使用 adaptiveMethod 决定阈值是如何计算的（有两种方式）：

• cv.ADAPTIVE_THRESH_MEAN_C：阈值是邻域面积的平均值减去常数C
• cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域值减去常数C的高斯加权总和。

还有其他两个参数，分别是：

• BLOCKSIZE，确定附近区域的大小和；
• C，是从邻域像素的平均或加权总和中减去一个常数；

下面是一个例子，分别是不同的「阈值处理」的效果：

我们还是使用上面的柯南来作为例子，看一下「自适应阈值」的效果（注意我们将图片进行了平滑，在第三行代码）：

最终的效果如下所示：

关于「自适应阈值」的方式可以查看链接，OpenCV Adaptive Thresholding

 

关于图像的轮廓

轮廓可以简单的理解为「链接所有连续点的曲线」，具有相同的颜色。为了获得更好的准确率。输入图像应该是「二进制图像」（即需要先使用阈值处理）。

我们看下面的例子，将上面「柯南」的图像二值化之后，我们使用 cv2.findContours 来寻找轮廓（这里是寻找白色部分的轮廓），使用 cv2.drawContours 来绘制轮廓：

最终的效果如下所示：

上面返回的 contours 是轮廓的坐标。我们可以将 contours 与循环结合，逐步绘制轮廓。下面看一个例子：

最终的结果如下所示，可以看到绿色的轮廓线逐渐出现：

我们把轮廓和上面阈值处理的结果放在一起：

关于图像的轮廓可以参考链接，OpenCV Contours。