OpenCV 学习资料——第二章：OpenCV基础知识

第二章：OpenCV基础知识

---

2.1 OpenCV中的数据结构和基本概念

2.1.1 Mat对象与图像表示

在OpenCV中，cv::Mat是最重要的数据结构，用于表示图像和多维数组。

Mat的基本结构：

• 数据部分：存储像素数据。
• 元信息：包含图像的行数、列数、通道数、数据类型等。

创建Mat对象的常用方法：

1. 从文件读取图像：

   cpp

   cv::Mat img = cv::imread("image.jpg", cv::IMREAD_COLOR);
   

2. 创建空白图像：

   cpp

   cv::Mat blank = cv::Mat::zeros(500, 500, CV_8UC3);
   

3. 转换数据类型：

   cpp

   cv::Mat converted;
   img.convertTo(converted, CV_32F);
   

Mat对象的常用方法：

• rows：行数
• cols：列数
• channels()：通道数
• type()：数据类型

Python示例：

python

import cv2
import numpy as np

# 创建一个500x500的黑色图像
img = np.zeros((500, 500, 3), dtype=np.uint8)

# 打印图像信息
print(f"Rows: {img.shape[0]}, Cols: {img.shape[1]}, Channels: {img.shape[2]}")

---

2.1.2 图像的基本操作

1. 读取图像

   • 读取彩色图像：cv2.IMREAD_COLOR
   • 读取灰度图像：cv2.IMREAD_GRAYSCALE
   • 读取原始图像：cv2.IMREAD_UNCHANGED

   python

   img = cv2.imread("image.jpg", cv2.IMREAD_COLOR)
   

2. 显示图像

   python

   cv2.imshow("Display window", img)
   cv2.waitKey(0)  # 按任意键关闭窗口
   cv2.destroyAllWindows()
   

3. 保存图像

   python

   cv2.imwrite("output.jpg", img)
   

4. 访问像素值

   python

   # 访问特定像素
   pixel = img[100, 100]
   print(f"Pixel value: {pixel}")
   
   # 修改像素值
   img[100, 100] = [255, 0, 0]  # 将像素设置为蓝色
   

---

2.2 OpenCV中的基本绘图函数

OpenCV提供了一组绘图函数，可以直接在图像上绘制线条、形状和文本。

2.2.1 画线

python

cv2.line(img, (50, 50), (450, 50), (0, 255, 0), thickness=2)

2.2.2 画矩形

python

cv2.rectangle(img, (100, 100), (400, 300), (255, 0, 0), thickness=3)

2.2.3 画圆

python

cv2.circle(img, (250, 250), 50, (0, 0, 255), thickness=-1)  # 填充圆

2.2.4 添加文字

python

cv2.putText(img, "Hello, OpenCV!", (50, 400), cv2.FONT_HERSHEY_SIMPLEX, 
            fontScale=1, color=(255, 255, 255), thickness=2)

---

2.3 图像的颜色空间

2.3.1 常见颜色空间

1. BGR：OpenCV默认的颜色空间。
2. Gray：灰度图像。
3. HSV：色调（Hue）、饱和度（Saturation）、亮度（Value）。
4. Lab：亮度（L）、色差（a、b）。

2.3.2 颜色空间转换

python

# BGR转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

2.4 图像处理基础

图像处理是OpenCV的核心功能之一，以下介绍一些常用的图像处理操作。

2.4.1 图像平滑与模糊

图像平滑用于减少噪声，使图像更加柔和。常见的平滑方法包括均值滤波、高斯滤波和中值滤波。

1. 均值滤波

通过邻域内像素的平均值替换中心像素值。

python

blurred = cv2.blur(img, (5, 5))  # 5x5的卷积核

2. 高斯滤波

使用高斯核对图像进行卷积，平滑效果更自然。

python

gaussian = cv2.GaussianBlur(img, (5, 5), sigmaX=0)

3. 中值滤波

使用邻域内像素的中值代替中心像素值，特别适合去除椒盐噪声。

python

median = cv2.medianBlur(img, 5)  # 核大小为5

---

2.4.2 边缘检测

边缘检测用于识别图像中显著的变化区域。

1. Sobel算子

计算图像的一阶或二阶导数，用于检测水平和垂直方向的边缘。

python

sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # x方向
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)  # y方向

2. Canny边缘检测

通过计算梯度并应用双阈值筛选来提取图像边缘。

python

edges = cv2.Canny(img, threshold1=100, threshold2=200)

---

2.4.3 形态学操作

形态学操作是基于图像结构元素进行的图像处理技术，常用于去噪、填充小孔等。

1. 腐蚀（Erosion）

通过最小值滤波器缩小白色区域。

python

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
eroded = cv2.erode(img, kernel, iterations=1)

2. 膨胀（Dilation）

通过最大值滤波器扩大白色区域。

python

dilated = cv2.dilate(img, kernel, iterations=1)

3. 开运算与闭运算

• 开运算：先腐蚀后膨胀，用于去除小噪点。
• 闭运算：先膨胀后腐蚀，用于填补小孔。

python

opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)