OpenCV-Python实战（1）——OpenCV简介与图像处理基础

一、OpenCV简介：计算机视觉的开源利器

OpenCV（Open Source Computer Vision Library）是一个跨平台的计算机视觉库，由Intel于1999年发起，后由Willow Garage和Itseez团队持续维护。其核心优势在于：

1. 跨平台支持：支持Windows、Linux、macOS、Android和iOS，覆盖桌面与移动端开发。
2. 算法丰富性：提供超过2500种优化算法，涵盖图像处理、特征检测、目标跟踪、机器学习等领域。
3. 性能优化：核心模块使用C++编写，通过Python接口（OpenCV-Python）可兼顾开发效率与执行速度。
4. 社区生态：全球开发者贡献的预训练模型、教程和工具（如OpenCV Extra模块）持续扩展其功能边界。

1.1 OpenCV-Python的安装与配置

推荐使用pip安装最新稳定版：

pip install opencv-python  # 基础模块
pip install opencv-contrib-python  # 包含额外算法（如SIFT、SURF）

验证安装：

import cv2
print(cv2.__version__)  # 输出如"4.9.0"

二、图像处理基础：从像素到特征

2.1 图像读取、显示与保存

OpenCV使用cv2.imread()、cv2.imshow()和cv2.imwrite()实现基础IO操作：

import cv2
# 读取图像（支持JPG、PNG等格式）
img = cv2.imread('input.jpg', cv2.IMREAD_COLOR)  # 彩色模式
if img is None:
    print("图像加载失败")
else:
    # 显示图像（窗口标题为"Image"，按任意键关闭）
    cv2.imshow('Image', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # 保存图像（支持格式自动识别）
    cv2.imwrite('output.png', img)

关键参数：

• cv2.IMREAD_COLOR：默认彩色模式（BGR顺序）。
• cv2.IMREAD_GRAYSCALE：灰度模式，减少计算量。
• cv2.IMREAD_UNCHANGED：保留Alpha通道（PNG透明背景）。

2.2 颜色空间转换

OpenCV支持多种颜色空间转换，常用场景包括：

1. BGR转灰度：加速处理或特征提取。

   gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

2. BGR转HSV：基于颜色的分割（如物体追踪）。

   hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

3. 灰度转二值化：简化图像分析。

   _, binary_img = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)

2.3 几何变换

2.3.1 缩放与旋转

# 缩放（宽度、高度）
resized = cv2.resize(img, (300, 200), interpolation=cv2.INTER_LINEAR)
# 旋转（中心点、角度、缩放比例）
(h, w) = img.shape[:2]
center = (w//2, h//2)
M = cv2.getRotationMatrix2D(center, 45, 1.0)  # 顺时针45度
rotated = cv2.warpAffine(img, M, (w, h))

插值方法选择：

• cv2.INTER_NEAREST：速度快，但可能产生锯齿。
• cv2.INTER_LINEAR：平衡速度与质量（默认）。
• cv2.INTER_CUBIC：高质量，但速度较慢。

2.3.2 仿射变换

通过3个点对实现透视校正：

pts1 = np.float32([[50, 50], [200, 50], [50, 200]])
pts2 = np.float32([[10, 100], [200, 50], [100, 250]])
M = cv2.getAffineTransform(pts1, pts2)
affine = cv2.warpAffine(img, M, (w, h))

2.4 图像滤波

2.4.1 线性滤波（均值/高斯）

# 均值滤波（去噪，但模糊边缘）
blur = cv2.blur(img, (5, 5))
# 高斯滤波（保留边缘，适合预处理）
gaussian = cv2.GaussianBlur(img, (5, 5), 0)

2.4.2 非线性滤波（中值）

# 中值滤波（有效去除椒盐噪声）
median = cv2.medianBlur(img, 5)

2.5 边缘检测

Canny算法是经典边缘检测方法：

edges = cv2.Canny(gray_img, threshold1=50, threshold2=150)

参数调优建议：

• threshold1：低阈值，控制弱边缘保留。
• threshold2：高阈值，控制强边缘检测。
• 典型比例：threshold2 = 2 * threshold1。

三、实战建议：从基础到进阶

1. 性能优化：

   • 对大图像先缩放再处理，减少计算量。
   • 使用cv2.UMat启用OpenCL加速（需硬件支持）。

2. 调试技巧：

   • 使用cv2.imwrite()保存中间结果，对比不同参数效果。
   • 结合Matplotlib显示多通道图像（需转换BGR到RGB）：

     import matplotlib.pyplot as plt
     plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
     plt.show()

3. 扩展学习：

   • 深入学习特征提取（SIFT、ORB）和目标检测（YOLO、SSD）。
   • 探索OpenCV的DNN模块，加载预训练深度学习模型。

四、总结

本文通过代码示例系统讲解了OpenCV-Python的基础操作，从环境配置到核心图像处理技术。掌握这些内容后，开发者可进一步探索高级功能（如3D重建、视频分析），为计算机视觉项目奠定坚实基础。建议结合官方文档（docs.opencv.org）和GitHub开源项目（如opencv/opencv_contrib）持续学习。