OpenCV是计算机视觉开源软件库，在图像处理领域应用非常广泛。目前其中能进行视觉处理的函数和方法达到1000多个，能够满足大部分行业的需求，包括医学影像、设计外观、生物体检测等。下面从opencv在python中的基础使用开始说起。
（1）opencv的安装
本篇使用的pythonIDE 为pycharm专业版，新建项目之后，直接在project的setting菜单里添加opencv-python库安装即可：
在可选择的库里找到opencv-python，目前版本为4.3，其github地址为：
https://github.com/skvark/opencv-pythongithub.com
安装完成后如下所示。
同时由于图像本身是由多个像素点组成，每个像素点有不同的像素值，如果是灰白图像，像素值就是0-255之间的值，如果是彩色图像，就有三个通道，每个通道像素值为0-255。如果是二维黑白图片，这些像素点就够成了一个二维矩阵，如果是二维彩色图片，这些像素点就是一个多维矩阵。也就是说，如果要对图像进行处理，实际上就是对矩阵里的像素值进行分析，因此安装和使用numpy或者pandas库就显得很有必要了。
（2）opencv简单使用
安装好了，我们说做就开始做。使用的时候直接在python文件中import导入即可。
实践1：读入图片显示图片，函数为imread和imshow
cv2.imread(filepath,flags): 用于读取图片，函数默认读取的是一副彩色图片，想要读取灰度图，则需要设置参数。其中参数： filepath：要读入图片的完整路径
-
- flags：读入图片的标志
- cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道
- cv2.IMREAD_GRAYSCALE：读入灰度图片
- cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道
cv2.imshow(windowName,filepath)：创建一个窗口显示图片，共两个参数，第一个参数表示窗口名字，可以创建多个窗口中，但是每个窗口不能重名；第二个参数是读入的图片
下面我们在项目里新建一个main.py文件，开始输入下面内容：
import cv2
img1=cv2.imread('1.jpg') #1.jpg为存放在与main.py同目录里的图片文件,不加flags参数
cv2.imshow("cc",img1)
几行代码写完直接运行，你会发现一闪而过的效果，啥都没看着，郁闷得不行了。怎么办？cv2提供了一个waitKey函数，基本格式为：
waitKey(delayTime) #等待键盘按键效果，delayTime为延时，其功能是不断刷新图像，频率时间为delay，单位为ms
如果设置为0，那就是不断刷新图像，直到任意按键后退出显示。因此在上述代码中需要加入一行waitKey函数，现在的代码为：
import cv2
img1=cv2.imread('1.jpg') #1.jpg为存放在与main.py同目录里的图片文件
cv2.imshow("cc",img1)
cv2.waitKey(0) #延时0ms刷新，等待任意按键退出
再来运行时，就可以看到图像了：
如果想获得黑白图片，可以在imread读入时加入flags为cv2.IMREAD_GRAYSCALE参数，如下代码：
import cv2
img1=cv2.imread('1.jpg',cv2.IMREAD_GRAYSCALE) #1.jpg为存放在与main.py同目录里的图片文件
cv2.imshow("cc",img1)
cv2.waitKey(0) #延时0ms刷新，等待任意按键退出
再次运行，我们就得到了灰度图片：
实践2：复制图片，或者写图片，imwrite函数
cv2.imwrite(filename,orginalPic): 保存图片，共两个参数，第一个filename为保存文件名，第二个为读入的源图片。
例如想将上面的图片保存一下，可以使用如下代码：
import cv2
img1=cv2.imread('1.jpg',cv2.IMREAD_GRAYSCALE) #1.jpg为存放在与main.py同目录里的图片文件
cv2.imwrite("blackImg.jpg",img1)
执行后就将灰度图像1.jpg保存为了blackImg.jpg了。
实践3：构造图像，使用numpy和imshow函数
其中numpy用于构造像素点的像素值，imshow函数用于显示图形对象。
下面我们先使用numpy来构造三个像素矩阵：
第一步，使用numpy构造一个300x300的像素值全为1的矩阵matrix1：
import numpy as np
matrix1 = np.mat(np.ones((300,300),dtype=np.unit8)) #构造一个值全是1的二维矩阵，300x300大小
代码中uint8是专门用于存储各种图像的（包括RGB，灰度图像等），范围是从0-255。
执行结果为：
[[1 1 1 ... 1 1 1]
[1 1 1 ... 1 1 1]
[1 1 1 ... 1 1 1]
...
[1 1 1 ... 1 1 1]
[1 1 1 ... 1 1 1]
[1 1 1 ... 1 1 1]]
第二步，构造一个300x300的像素值全为0的矩阵matrix2：
import numpy as np
matrix2 = np.mat(np.zeros((300,300),dtype=np.unit8)) #构造一个值全是0的二维矩阵，300x300大小
执行结果为：
[[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
...
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]]
第三步，使用numpy的random方法来构造像素值为随机值的矩阵matrix3：
import numpy as np
matrix3 = np.mat(np.random.randint(0,255,(300,300),dtype=np.uint8)) #构造一个随机赋值的二维矩阵，300x300大小
执行结果为：
[[ 75 139 239 ... 72 76 49]
[ 47 7 122 ... 246 141 134]
[112 95 8 ... 4 231 245]
...
[251 132 162 ... 185 186 6]
[188 246 253 ... 104 180 24]
[148 26 207 ... 60 195 101]]
有了像素矩阵后，就可以直接使用cv2的imshow函数将其转换为图形对象显示出来。下面我们就对上述生成的三个像素矩阵进行显示：
import numpy as np
import cv2,random
#构建三个像素矩阵
matrix1= np.mat(np.zeros((300,300),dtype=np.uint8))
matrix2= np.mat(np.ones((300,300),dtype=np.uint8))
matrix3= np.mat(np.random.randint(0,255,(300,300),dtype=np.uint8))
#显示矩阵对应图像
cv2.imshow("img1",matrix1)
cv2.imshow("img2",matrix2)
cv2.imshow("img3",matrix3)
执行结果为：
我们看到前两张都是黑色的，第三张有点杂色。原因相信都理解，即像素值都是0或者1的话，肯定是黑色，第三张用了随机像素值，所以颜色有些变化。
如果想获得彩色图像，因为彩色图像需要RGB三通道，那我们可以对每个通道来构造一个像素矩阵，然后将这三个通道的像素点融合起来，就可以获得彩色显示的图像。如下实现：
matrixR= np.mat(np.random.randint(0,255,(300,300),dtype=np.uint8)) #生成R通道矩阵
matrixG= np.mat(np.random.randint(0,255,(300,300),dtype=np.uint8)) #生成G通道矩阵
matrixB= np.mat(np.random.randint(0,255,(300,300),dtype=np.uint8)) #生成B通道矩阵
RGBimg = cv2.merge([matrixR,matrixG,matrixB]) #融合三个通道像素
cv2.imshow("final",RGBimg) #显示
执行后效果如下：
生成了一张RGB彩色图片，但因为各个通道像素值都是随机生成的，所以没有什么规律可言，杂乱无章。
实践4：对彩色图像进行像素值读取
实践3里我们可以通过构造像素矩阵来合成图像，反过来我们也可以对图像的像素值进行读取，以及实现彩色图像三通道的分离。
例如我们对实践1的彩色图像来分析一下，在使用cv2的imread函数后直接返回的就是一个numpy的n维数组类型：
img1=cv2.imread('imgTools/IMG2.jpg')
print(type(img1))
执行结果为：
由于是数组类型，可以直接使用numpy读取数值的方法，即使用坐标或者索引方式来获得像素值：
img1=cv2.imread('imgTools/IMG2.jpg')
print(img1[100,100]) #读取图像里坐标为横轴为100，纵轴为100那个点的像素值
print(img1[100,100,0]) #读取图像坐标（100，100）位置那个点R通道像素值
print(img1[100,100,1]) #读取图像坐标（100，100）位置那个点G通道像素值
print(img1[100,100,2]) #读取图像坐标（100，100）位置那个点B通道像素值
执行结果为：
[252 231 209]
252
231
209
如果要获得某一行或某一列的像素值，或者某一个范围的像素值，都可以采用切片方式：
img1=cv2.imread('imgTools/IMG2.jpg')
print(img1[100]) #读取图像里坐标为横轴为100时那一行的像素值
print(img1[:,100]) #读取图像里坐标为纵轴为100时那一列的像素值
print(img1[100:108]) #读取图像坐标横轴从100到108共8行的像素值
print(img1[:,100:108]) #读取图像坐标纵轴从100到108共8列的像素值
print(img1[100:108,100:108]) #读取图像坐标横轴从100到108行，纵轴从100到108列的一个小矩形框里的像素值
执行结果均为数组，受限于篇幅我们就不显示结果了。
实践5：对图像部分位置进行替换
因为可以获得某个范围的像素值，实际上就是截取了那个范围的图像，如果再使用imshow来显示的话，就可以将该范围的图像显示出来。同时也可以直接赋值改变那个范围的像素值，进而改变那个范围的图像显示，如下实践：
matrixR= np.mat(np.random.randint(0,255,(150,150),dtype=np.uint8))
matrixG= np.mat(np.random.randint(0,255,(150,150),dtype=np.uint8))
matrixB= np.mat(np.random.randint(0,255,(150,150),dtype=np.uint8))
RGBimg = cv2.merge([matrixR,matrixG,matrixB])
img1=cv2.imread('imgTools/IMG2.jpg')
img1[100:250,100:250]=RGBimg #将img1的部分区域替换为新的像素值
cv2.imshow("img1",img1)
执行效果如下：
可以看到图中小男孩头顶那个区域已经变成了chaos区域。
实践6：对彩色图像实现三通道分离，使用cv2的split函数
img1=cv2.imread('imgTools/IMG2.jpg')
r,g,b=cv2.split(img1)
执行后就可以获得三个通道r,g,b各自的像素矩阵，如下显示一下r通道像素矩阵：
[[103 46 56 ... 8 9 13]
[ 81 49 62 ... 10 12 12]
[ 55 64 58 ... 14 18 14]
...
[ 56 53 65 ... 137 132 126]
[ 57 57 62 ... 136 135 131]
[ 55 57 56 ... 130 131 128]]
从数据来看，每一行都是一维数组，如果要访问的话直接使用数组的索引方式即可。
我们可以将这分离的三个通道像素矩阵都绘成图对比，其实只需要使用cv2的imshow函数即可：
img1=cv2.imread('imgTools/IMG2.jpg')
r,g,b=cv2.split(img1)
for index,item in enumerate(cv2.split(img1)):
cv2.imshow('item-'+str(index),item)
执行后显示为：
单通道时都变成了灰色显示，仔细对比还是有些许差别的，三通道对应位置的像素值不同，所以组合起来也会不一样。对于灰度显示，颜色越白代表像素值越接近255，颜色越黑代表像素值越接近0.
本篇就使用opencv来读写图片、了解图片对应的像素矩阵实践方式进行了介绍，代码都可以直接复制到自己的pycharm或者其它IDE中来检验效果。从实践过程中可以发现由于二维图片像素值均为矩阵样式，numpy库的作用发挥很大，后续实践opencv过程中还有会许多应用。
转播
