OpenCV在图像处理中的应用

一、基础图像处理

1、读取图片：OpenCV中常用的图像格式是BGR（以像素的分量顺序为蓝（blue）、绿（green）、红（red）），可以使用cv.imread('image.jpg')命令读取，返回一个numpy数组。

import cv2 as cv
img = cv.imread('image.jpg')

2、显示图片：可以使用cv.imshow('image', img)命令在窗口中显示图片。

cv.imshow('image', img)
cv.waitKey(0)
cv.destroyAllWindows()

3、调整图片大小：可以使用cv.resize(img, (width, height))命令调整图片大小。

img_sized = cv.resize(img, (600, 400))
cv.imshow('sized image', img_sized)

4、裁剪图片：可以使用numpy数组对图像进行裁剪，只需指定图像的起始点和终点。

img_cropped = img[100:300, 200:400]
cv.imshow('cropped image', img_cropped)

5、旋转图片：可以使用cv.getRotationMatrix2D(center, angle, scale)获取图像旋转矩阵，然后使用cv.warpAffine(img, rotation_matrix, (width, height))命令旋转图片。

rows, cols, _ = img.shape
rotation_matrix = cv.getRotationMatrix2D((cols/2,rows/2), 45, 1)
img_rotated = cv.warpAffine(img, rotation_matrix, (cols,rows))
cv.imshow('rotated image', img_rotated)

二、图像滤波与增强

1、模糊处理：可以使用cv.blur(img, kernel_size)进行图像模糊，其中kernel_size是卷积核的大小。

img_blur = cv.blur(img, (5,5))
cv.imshow('blurred image', img_blur)

2、锐化处理：可以使用cv.filter2D(img, -1, sharpen_kernel)进行图像锐化处理。

sharpen_kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
img_sharpen = cv.filter2D(img, -1, sharpen_kernel)
cv.imshow('sharpened image', img_sharpen)

3、边缘检测：可以使用cv.Canny(img, threshold1, threshold2)进行边缘检测，其中threshold1和threshold2是阈值。

img_canny = cv.Canny(img, 100, 200)
cv.imshow('canny image', img_canny)

4、直方图均衡化：可以使用cv.equalizeHist(img)对图像进行直方图均衡化处理。

img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
img_eq = cv.equalizeHist(img_gray)
cv.imshow('equalized image', img_eq)

三、图像特征提取与检测

1、轮廓检测：可以使用cv.findContours(img, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)进行轮廓检测。

img_canny = cv.Canny(img, 100, 200)
contours, hierarchy = cv.findContours(img_canny, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(img, contours, -1, (0,255,0), 2)
cv.imshow('contour image', img)

2、特征匹配：可以使用cv.matchTemplate(img1, img2, method)进行模板匹配。其中img1是要搜索的图像，img2是要匹配的图像，method是匹配算法（如cv.TM_CCOEFF）。

template = cv.imread('template.jpg')
result = cv.matchTemplate(img, template, cv.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
top_left = max_loc
bottom_right = (top_left[0] + template.shape[1], top_left[1] + template.shape[0])
cv.rectangle(img, top_left, bottom_right, (0, 255, 0), 2)
cv.imshow('matched image', img)

3、人脸检测：可以使用cv.CascadeClassifier进行人脸检测。

face_cascade = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
for (x,y,w,h) in faces:
    cv.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
cv.imshow('face detection', img)

四、图像处理实战

1、图像拼接：可以将多张图片拼接在一起，形成一张大图。

img1 = cv.imread('image1.jpg')
img2 = cv.imread('image2.jpg')
img3 = cv.imread('image3.jpg')
img4 = cv.imread('image4.jpg')
img5 = cv.imread('image5.jpg')
img_concat = np.concatenate((img1, img2, img3, img4, img5), axis=0)
cv.imshow('concatenated image', img_concat)

2、视频处理：可以使用OpenCV进行实时视频处理，如人脸检测。

cap = cv.VideoCapture(0)
face_cascade = cv.CascadeClassifier('haarcascade_frontalface_default.xml')

while True:
    ret, frame = cap.read()
    gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
    for (x,y,w,h) in faces:
        cv.rectangle(frame, (x,y), (x+w,y+h), (0,255,0), 2)
    cv.imshow('video', frame)
    
    if cv.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv.destroyAllWindows()

3、二维码识别：可以使用OpenCV进行二维码识别。

import cv2 as cv
import numpy as np
import pyzbar.pyzbar as pyzbar

cap = cv.VideoCapture(0)

while True:
    ret, frame = cap.read()
    decoded_objects = pyzbar.decode(frame)
    for obj in decoded_objects:
        cv.putText(frame, str(obj.data), (50, 50), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    cv.imshow('qrcode', frame)

    if cv.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv.destroyAllWindows()