前言： 零基础学Python：Python从0到100最新最全教程。 想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！
欢迎大家订阅专栏：零基础学Python：Python从0到100最新最全教程！

一、图像的基本操作

前言： 要使用OpenCV编写更好的优化代码，需要Numpy的丰富知识。

补充：图片路径问题

(1.相对路径

设置在当前文件夹下：

import cv2
image = cv2.imread("image.jpg")

注意： 读取的图片一定要保存在当前文件夹下

（2.绝对路径

图片可以不保存在当前文件夹下：

import cv2
image = cv2.imread("D:/opencv_python/image.jpg")
image1 = cv2.imread("D:\\opencv_python\\image.jpg")

注意：上述两种形式都可以，但是路径内不要出现中文，否则会出现错误！

(3.调用os模块

如果工作路径中有中文，建议使用该方法：

import cv2
import os #导入os模块
os.chdir('D:/计算机视觉/OpenCV图像处理/') #此处路径中可以有中文字符
image = cv2.imread("image.jpg")

os.chdir() 改变当前目录到指定目录中

1.访问和修改像素值

加载彩色图像：

import numpy as np
import cv2 as cv
img = cv.imread("yanhuo.jpg")  # 此处必须为中文

imread(“yanhuo.jpg”) 图片名字必须为中文~

你可以通过行和列坐标来访问像素值。对于 BGR 图像，它返回一个由蓝色、绿色和红色值组成的数组。对于灰度图像，只返回相应的灰度。

px = img[100,100]
print( px )
# 仅访问蓝色像素
blue=img[100,100,2]
print(blue)

你可以用相同的方式修改像素值。

# 还可以使用相同方法修改像素值
img[100,100]=[255,2555,255]
print(img[100,100])

警告：

Numpy是用于快速数组计算的优化库。因此，简单地访问每个像素值并对其进行修改将非常缓慢，因此不建议使用。

• 注意：
  上面的方法通常用于选择数组的区域，例如前5行和后3列。对于单个像素访问，Numpy数组方法array.item()和array.itemset())被认为更好，但是它们始终返回标量。如果要访问所有B，G，R值，则需要分别调用所有的array.item()。

更好的像素访问和编辑方法：

print(img.item(100,100,2))
# 修改RED值
img.itemset((100,100,2),100)
print(img.item(100,100,2))

2.访问图像属性

图像属性包括行数，列数和通道数，图像数据类型，像素数等。
图像的形状可通过img.shape访问。它返回行，列和通道数的元组（如果图像是彩色的）：

print( img.shape )

• 注意 如果图像是灰度的，则返回的元组仅包含行数和列数，因此这是检查加载的图像是灰度还是彩色的好方法。

像素总数可通过访问img.size

print( img.size )

图像数据类型通过img.dtype获得

print( img.dtype )

• 注意 img.dtype在调试时非常重要，因为OpenCV-Python代码中的大量错误是由无效的数据类型引起的。

3.图像感兴趣区域ROI

有时候，你不得不处理一些特定区域的图像。对于图像中的眼睛检测，首先对整个图像进行人脸检测。在获取人脸图像时，我们只选择人脸区域，搜索其中的眼睛，而不是搜索整个图像。它提高了准确性(因为眼睛总是在面部上:D )和性能(因为我们搜索的区域很小)。
使用Numpy索引再次获得ROI。在这里，我要选择部分图像并将其复制到图像中的另一个区域：

a=img[100:500,130:390]
img[273:673,100:360]=a
cv.imshow('tuxiang',img)
cv.waitKey(0)

检查以下结果：

4.拆分和合并图像通道

有时你需要分别处理图像的B，G，R通道。在这种情况下，你需要将BGR图像拆分为单个通道。在其他情况下，你可能需要将这些单独的频道加入BGR图片。你可以通过以下方式简单地做到这一点：

b,g,r=cv.split(img)
img=cv.merge((b,g,r))
b = img [:, :, 0]
# 假设你要将所有红色像素都设置为零，则无需先拆分通道。numpy索引更快：
# img [:, :, 2] = 0

警告：

cv.split()是一项耗时的操作（就时间而言）。因此，仅在必要时才这样做。否则请进行Numpy索引。

5.为图像设置边框（填充）

如果要在图像周围创建边框（如相框），则可以使用cv.copyMakeBorder()。但是它在卷积运算，零填充等方面有更多应用。此函数采用以下参数：

1. src - 输入图像
2. top，bottom，left，right 边界宽度（以相应方向上的像素数为单位）
3. borderType - 定义要添加哪种边框的标志。它可以是以下类型：

1. cv.BORDER_CONSTANT - 添加恒定的彩色边框。该值应作为下一个参数给出。
2. cv.BORDER_REFLECT -边框将是边框元素的镜像，如下所示： fedcba | abcdefgh | hgfedcb
3. cv.BORDER_REFLECT_101或 cv.BORDER_DEFAULT与上述相同，但略有变化，例如： gfedcb | abcdefgh | gfedcba
4. cv.BORDER_REPLICATE最后一个元素被复制，像这样： aaaaaa | abcdefgh | hhhhhhh
5. cv.BORDER_WRAP难以解释，它看起来像这样： cdefgh | abcdefgh | abcdefg
6. value -边框的颜色，如果边框类型为cv.BORDER_CONSTANT

# -*-coding:utf-8 -*-
# @Author:到点了,心疼徐哥哥
# 奥利给干！！！
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
BLUE = [255,255,0]
img1 = cv.imread('yanhuo.jpg')
replicate = cv.copyMakeBorder(img1,100,100,100,100,cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(img1,100,100,100,100,cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img1,100,100,100,100,cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(img1,100,100,100,100,cv.BORDER_WRAP)
constant= cv.copyMakeBorder(img1,100,100,100,100,cv.BORDER_CONSTANT,value=BLUE)
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')
plt.show()

二、图像上的算术运算

1.图像加法

您可以通过OpenCV函数cv.add()或仅通过numpy操作res = img1 + img2添加两个图像。两个图像应具有相同的深度和类型，或者第二个图像可以只是一个标量值。

注意 OpenCV加法和Numpy加法之间有区别。OpenCV加法是饱和运算，而Numpy加法是模运算。

import numpy as np
import cv2 as cv
x=np.uint8([250])
y=np.uint8([10])
print(cv.add(x,y))
print(x+y)

2.图像融合

2.1图片一致

当添加两个图像时，它将更加可见。OpenCV功能将提供更好的结果。因此，始终最好坚持使用OpenCV功能。
在这里，我拍摄了两个图像，将它们融合在一起。第一幅图像的权重为0.7，第二幅图像的权重为0.3。cv.addWeighted()在图像上应用以下公式。

img1 = cv.imread('ml.png')
img2 = cv.imread('opencv-logo.png')
dst = cv.addWeighted(img1,0.7,img2,0.3,0)
cv.imshow('dst',dst)
cv.waitKey(0)
cv.destroyAllWindows()

注意： 这种方法，只适用于小、类型（高度/宽度/通道数）相同的图片之间！
cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])：

1. src1 – 输入图片1
2. alpha – 图像1的加权系数（融合比例）
3. src2 –输入图像2，必须与图片1的大小、类型（高度/宽度/通道数）相同。
4. beta –图像2的加权系数（融合比例）,beta = 1.0 - alpha
5. dst – 两个图像加权和后的图像，即输出的图像
6. gamma –加权和后的图像的偏移量
7. dtype –输出数组的可选深度；当两个输入数组具有相同的深度时，dtype可以设置为-1(默认值)，这将相当于src1.depth()

2.2图片不一致

但是如果这两张图片大小不相同，怎么解决？有两种方法可以解决这个问题：

1. 重置其中一张图片的大小类型，使其与另一张图片大小类型相同；
2. 在较大的图片中创建感兴趣区域roi，roi的大小类型应与另一张图片的相同。

注意： 方法1改变图片大小时，图片的分辨率也会发生变化，因此图片的内容会产生形变；方法2没有改变图片的大小，故不会有这种问题产生。
主要函数：

dst = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

参数意义：

1. scr：原图像
2. dsize：输出的图像大小
3. dst：输出的图像。当参数dsize不为0时，dst的大小为size；否则，它的大4. 小需要根据src的大小，fx和fy决定。
4. fx:沿水平轴的比例因子
5. fy:沿垂直轴的比例因子

参数dsize和参数(fx, fy)不能够同时为0
interpolation：插值方法，共5种：

1. INTER_LINEAR - 双线性插值（默认）（放大图像推荐使用）
2. INTER_NEAREST - 最近邻插值
3. INTER_AREA - 基于像素局部的重采样插值（缩小图像推荐使用）。该方法对于图像抽取（image decimation）来说可能更好，但如果是放大图像，和最近邻插值效果类似。
4. INTER_CUBIC - 基于4x4像素邻域的3次插值（放大图像推荐使用）
5. INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos（兰索斯）插值

方法1：重置其中一张图片的大小类型，使其与另一张图片大小类型相同

import cv2
import numpy as np
import matplotlib.pyplot as plt

bear = cv2.imread('jokerxue.jpg')
sky = cv2.imread('yanhuo.jpg')
rows, cols = sky.shape[:2] #获取sky的高度、宽度
print(sky.shape[:2]) #(800, 1200)
print(bear.shape[:2]) #(224, 224)
bear_dst = cv2.resize(bear,(cols,rows),interpolation=cv2.INTER_NEAREST) #放大图像
add_img = cv2.addWeighted(bear_dst,0.7,sky,0.3,0) #图像融合
cv2.imshow('add_img',add_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

显示多张图片：
用到matplotlib库中的pyplot模块：matplotlib.pyplot.subplot(nrows, ncols, index)：
此函数可以用于在一个窗口显示多幅图像。

参数：

1. nrows和ncols表示一张图被分为nrows*ncols个区域
2. index表示子图所处的位置，起始位置索引为1，即1<=index<=nrows*ncols。

提示：此函数必须在 imshow（） 函数之前，要不然无效。

matplotlib.pyplot.axis（‘off’） # 不显示坐标轴

import cv2
import numpy as np
import matplotlib.pyplot as plt

bear = cv2.imread('jokerxue.jpg')
sky = cv2.imread('yanhuo.jpg')
rows, cols = sky.shape[:2] #获取sky的高度、宽度
print(sky.shape[:2]) #(800, 1200)
print(bear.shape[:2]) #(224, 224)
bear_dst = cv2.resize(bear,(cols,rows),interpolation=cv2.INTER_NEAREST) #放大图像
add_img = cv2.addWeighted(bear_dst,0.7,sky,0.3,0) #图像融合
# cv2.imshow('add_img',add_img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
# 显示图片
titles = ['BearBrown','Sky','add_img']
imgs = [bear,sky,add_img]
for i in range(len(imgs)):
    plt.subplot(1,3,i+1)
    imgs[i]=cv2.cvtColor(imgs[i],cv2.COLOR_BGR2RGB)
    plt.imshow(imgs[i],'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

效果展示：

方法2：在较大的图片中创建感兴趣区域roi，roi的大小类型应与另一张图片的相同

注意：必须把小的照片放到大的照片里面，位置关系很重要！

# -*-coding:utf-8 -*-
# @Author:到点了,心疼徐哥哥
# 奥利给干！！！
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os

bear = cv2.imread('yanhuo.jpg')
sky = cv2.imread('jokerxue.jpg')
# print(sky.shape[:2]) #(800, 1200)
# print(bear.shape[:2])
# 根据小图像的大小，在大图像上创建感兴趣区域roi（放置位置任意取）
rows, cols = bear.shape[:2] #获取bear的高度、宽度
print(rows,cols)
roi = sky[0:rows, 0:cols]

dst = cv2.addWeighted(bear,0.3,roi,0.7,0) #图像融合
add_img = sky.copy() #对原图像进行拷贝
add_img[0:rows, 0:cols] = dst  # 将融合后的区域放进原图

# 显示图片
titles = ['BearBrown','Sky','add_img']
imgs = [bear,sky,add_img]
for i in range(len(imgs)):
    plt.subplot(1,3,i+1)
    imgs[i]=cv2.cvtColor(imgs[i],cv2.COLOR_BGR2RGB)
    plt.imshow(imgs[i],'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

效果展示：

3.按位运算

包括按位与(AND)、按位或(OR)、按位非(NOT)、按位异或(XOR)等运算。
按位运算的用途：比如要得到一个加logo的图像。 如果将两幅图片直接相加会改变图片的颜色，如果用图像混合，则会改变图片的透明度，这时候就需要用按位操作，既不改变图像颜色，又不改变图像透明度，类似PS。
这里需要了解一个术语——掩膜（mask） 是用一副二值化图片对另外一幅图片进行局部的遮挡。

3.1主要函数

1. cv2.bitwise_and()：位与运算，有0则为0, 全为1则为1
2. cv2.bitwise_not()：或运算，有1则为1, 全为0则为0
3. cv2.bitwise_or()：非运算，非0为1, 非1为0
4. cv2.bitwise_xor()：异或运算，不同为1, 相同为0
5. ret, dst = cv2.threshold(src, thresh, maxval,type)：阈值（二值化操作），阈值又叫临界值，是指一个效应能够产生的的最低值或最高。
   dst： 输出图像
   src： 输入图像，只能输入单通道图像，一般为灰度图
   thresh： 阈值
   maxval： 当像素值大于阈值（或者小于阈值，根据type来决定），所赋予的值
   type：阈值操作的类型：
   THRESH_BINARY： 二值阈值化
   THRESH_TOZERO_INV： 反二值阈值化
   THRESH_TRUNC： 截断阈值化
   THRESH_TOZERO： 低于阈值被置为0
   THRESH_TOZERO_INV： 超过阈值被置为0

3.2实例演示:

logo:

照片主体：

# -*-coding:utf-8 -*-
# @Author:到点了,心疼徐哥哥
# 奥利给干！！！
# 加载两张图片
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import os
img1 = cv.imread('yanhuo.jpg')
img2 = cv.imread('logo.png')
# 我想把logo放在左上角，所以我创建了ROI
rows,cols,channels = img2.shape
roi = img1[0:rows, 0:cols ]
# 现在创建logo的掩码，并同时创建其相反掩码
img2gray = cv.cvtColor(img2,cv.COLOR_BGR2GRAY)
ret, mask = cv.threshold(img2gray, 10, 255, cv.THRESH_BINARY)
mask_inv = cv.bitwise_not(mask)
# 现在将ROI中logo的区域涂黑
img1_bg = cv.bitwise_and(roi,roi,mask = mask_inv)
# 仅从logo图像中提取logo区域
img2_fg = cv.bitwise_and(img2,img2,mask = mask)
# 将logo放入ROI并修改主图像
dst = cv.add(img1_bg,img2_fg)
img1[0:rows, 0:cols ] = dst
cv.imshow('res',img1)
cv.waitKey(0)
cv.destroyAllWindows()

效果展示：

3.3代码详析：

1.rows,cols,channels = img2.shape
把图片2像素的行数，列数以及通道数返回给rows，cols，channels。
2.oi = img1[0:rows, 0:cols ]
然后将图片1从第0行到rows行，第0列到cols列的区域设定为roi（即感兴趣区域）
3.cvtColor函数
此函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间。

3.4过程拆解

过程拆分时，需要我们显示各个时期的图像，需要用到：

cv.namedWindow("image", cv.WINDOW_NORMAL)
cv.imshow("image", img2_fg)

cv.namedWindow()函数:
用法：
cv2.namedWindow(‘窗口标题’,默认参数)

1. 窗口大小可以改变：cv2.namedWindow(“image”,cv2.WINDOW_NORMAL)
   或者cv2.namedWindow(‘image’,cv2.WINDOW_GUI_NORMAL)

2. 窗口大小不可以改变：cv2.namedWindow(“image”,cv2.WINDOW_AUTOSIZE)

3. 窗口大小自适应比例：cv2.namedWindow(“image”,cv2.WINDOW_FREERATIO)

4. 窗口大小保持比例：cv2.namedWindow(“image”,cv2.WINDOW_KEEPRATIO)

5. 显示色彩变成暗色：cv2.namedWindow(‘image’,cv2.WINDOW_GUI_EXPANDED)

1.我们可以首先将logo的颜色空间进行转换
转换成灰度图像，然后使用阀值函数，将我们的logo提取出来，然后将其他部分变为黑色，即像素值为0。

img2gray = cv.cvtColor(img2,cv.COLOR_BGR2GRAY)  # 颜色空间的转换
ret, mask = cv.threshold(img2gray, 10, 255, cv.THRESH_BINARY)  # 掩码 黑色

2.然后我们得到它相反的图像
使用cv.bitwise_not,得到：

mask_inv = cv.bitwise_not(mask)

3.因为mask的性质就是非0的地方保留原样，其余为0
接下来我们利用mask_inv去取得messi那张图的背景部分，现在将ROI中logo的区域涂黑

img1_bg = cv.bitwise_and(roi,roi,mask = mask_inv)

4.仅从logo图像中提取logo区域
那么我们接下来就可以嵌入了，首先我们得原图像还原，那么只需要使用：

img2_fg = cv.bitwise_and(img2,img2,mask=mask)

5.将logo放入ROI并修改主图像

dst = cv.add(img1_bg,img2_fg)
img1[0:rows, 0:cols ] = dst
cv.imshow('res',img1)
cv.waitKey(0)
cv.destroyAllWindows()

得到最终的结果：

c_center)