机器视觉专栏(一)opencv基础操作
opencv是机器视觉领域的一大杀器,他比matlab友好,比matlab可扩展性强,比……。这里不再黑matlab了,下面先来谈谈opencv+python的基础操作
读取,显示,保存图像
import cv2
import numpy as np
a = cv2.imread("lena.jpg") #读取图像
cv2.imshow("out",a) #显示图像
cv2.imwrite("lenna.jpg",a) #保存图像
读取图像cv2.imread(“image path”),可以在路径后面加一个参数flag,flag等于CV_LOAD_IMAGE_GRAYSCALE时,读取的图像是灰度图像
读取某一个像素点
对于普通的BGR图像来说,读取图像后的三维数组中的第三维分别代表B,G,R通道的数值,你可以用指定行列来单独读取,修改他们
>>> a[100,100]
array([ 80, 70, 176], dtype=uint8)
>>> a[100,100,0]
80
>>> a[100,100] = [255,255,255]
>>> a[100,100]
array([255, 255, 255], dtype=uint8)
>>>
还可以用item,itemset对一个位置的像素点进行读取和修改:
>>> a.itemset((100,100,2),100)
>>> a.item(100,100,2)
100
切分图像的通道:
在opencv里,可以使用cv2.spilt(img)函数来拆分图像,也可以直接访问图像矩阵某一个维度的全部像素值来实现
>>> b,g,r = cv2.split(a)
>>> b
array([[128, 126, 125, ..., 114, 92, 65],
[127, 127, 124, ..., 120, 101, 73],
[128, 125, 124, ..., 125, 105, 77],
...,
[ 54, 57, 61, ..., 83, 82, 81],
[ 53, 57, 62, ..., 86, 86, 86],
[ 53, 57, 63, ..., 83, 84, 84]], dtype=uint8)
>>> bb = a[:,:,0]
>>> bb
array([[128, 126, 125, ..., 114, 92, 65],
[127, 127, 124, ..., 120, 101, 73],
[128, 125, 124, ..., 125, 105, 77],
...,
[ 54, 57, 61, ..., 83, 82, 81],
[ 53, 57, 62, ..., 86, 86, 86],
[ 53, 57, 63, ..., 83, 84, 84]], dtype=uint8)
获取图像的几何信息:
使用cv2.shape会返回一个表示图像矩阵大小(宽,高,深度)的元组,使用cv2.size则会返回图像中有多少个像素:
>>> a.size
786432
>>> a.shape
(512, 512, 3)
>>>
图像之间的四则运算:
因为图像在opencv中的储存方式是一个多维矩阵,那么对于图像来说就有矩阵加减,数乘矩阵,矩阵与矩阵的乘法除法,opencv在这个方面十分方便,他重载了运算符,所以我们直接使用运算符就可以,注意,操作的矩阵大小必须一致:
import cv2
import numpy as np
a = cv2.imread("lena.jpg")
b = cv2.imread("ll.jpg")
b = cv2.resize(b,(512,512),interpolation = cv2.INTER_CUBIC)
cv2.imshow("add",a+b)
cv2.imshow("sub",a-b)
cv2.imshow("mul1",1.2*a)
cv2.imshow("mul",a*b)
cv2.imshow("div",a/b) #有可能会出现除以0的错误
先来说说cv2.resize(源,目标,)这个函数,我们分参数来讲:
源:图像源
目标:输出的图像,或者输入一个大小
插值方式:
INTER_NEAREST:根据像素的相邻关系补充像素
INTER_CUBIC:立方插值
INTER_LINER:双线性插值,参数缺省时使用:
同时opencv还可以对图像进行按位运算,AND,OR,NOT,XOR,这些函数对每对对应像素进行按位操作。按位操作可以完成图像叠加之类的方便操作:
import cv2
import numpy as np
a = cv2.imread("lena.jpg")
b = cv2.imread("ll.jpg")
b = cv2.resize(b,(512,512),interpolation = cv2.INTER_LINEAR)
NOT = cv2.bitwise_not(b)
AND = cv2.bitwise_and(b,b)
XOR = cv2.bitwise_xor(b,b)
本次介绍的是一些很基础的操作,下一次介绍基础的图像处理方法
具体的读者可以参阅一下网站
opencv python API
opencv python tutorials
上一篇: 阅读ISE源码过程中重新对单例模式的理解
推荐阅读
-
机器视觉专栏(一)opencv基础操作
-
监控视频内容分析的一点经验 博客分类: opencv机器视觉 视频监控webcam
-
监控视频内容分析的一点经验 博客分类: opencv机器视觉 视频监控webcam
-
计算机视觉基础系列(python与opencv的操作与运用)(三)--像素操作
-
SLAM+语音机器人DIY系列:(一)Linux基础——3.Linux命令行基础操作
-
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
-
python+opencv实现机器视觉基础技术(边缘提取,图像滤波,边缘检测算子,投影,车牌字符分割)
-
SLAM+语音机器人DIY系列:(一)Linux基础——3.Linux命令行基础操作
-
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
-
(一)OpenCV图像处理基础_04_图像操作