1.读取图像，显示图像，保存图像
#图像读取、显示与保存
import numpy as np
import cv2
img=cv2.imread('./src/1.jpg') #读取
cv2.imshow("img",img) #显示
cv2.imwrite("./src/2.jpg",img) #保存
cv2.waitKey(0) #让程序进入主循环(让窗口一直渲染)
结果：
2.绘制几何图形
"""
1.绘制直线
cv2.line(img,start,end,color,thickness)
- img:要绘制直线的图像
- Start,end: 直线的起点和终点
- color: 线条的颜色
- Thickness: 线条宽度
2.绘制圆形
cv.circle(img,centerpoint, r, color, thickness)
- img:要绘制圆形的图像
- Centerpoint, r: 圆心和半径
- color: 线条的颜色
- Thickness: 线条宽度，为-1时生成闭合图案并填充颜色
3.绘制矩形
cv.rectangle(img,leftupper,rightdown,color,thickness)
- img:要绘制矩形的图像
- Leftupper, rightdown: 矩形的左上角和右下角坐标
- color: 线条的颜色
- Thickness: 线条宽度
4.向图像中添加文字
cv.putText(img,text,station, font, Fontscale,color,thickness,cv2.LINE_AA)
- img: 图像
- text：要写入的文本数据
- station：文本的放置位置
- font：字体样式
- Fontscale :字体大小
- thickness字体线条宽度
- cv2.LINE_AA
"""
import cv2
import numpy as np
img=cv2.imread('./src/a.png')
cv2.line(img,(10,50),(200,50),(0,255,0),2) #画线
cv2.circle(img,(100,50),20,(0,0,255),2) #画圆
cv2.rectangle(img, (100,20), (30, 50), (255, 0, 0), 2) #画方
#添加文字
cv2.putText(img,'Hello',(100,200),cv2.FONT_ITALIC,1,(255,255,255),4,cv2.LINE_AA)
cv2.imshow("img",img)
cv2.waitKey(0)
结果：
获取并修改图像中的像素点
import cv2
img=cv2.imread('./src/b.png')
px=img[100,100]
print(px)
img[100,100]=[0,0,0]
cv2.imshow("img",img)
cv2.waitKey(0)
结果：
捕获摄像头的实时视频流
cap = cv2.VideoCapture(path)
path视频流资源路径设置为0代表从默认摄像头捕获视频流
ret, frame = cap.read()
从视频流中读取一帧图像，返回两个值：ret（布尔值，表示是否成功读取帧）和 frame（当前帧的图像数据）。如果 ret 为 False，通常表示视频已经结束或读取失败。
import cv2
cap=cv2.VideoCapture(0)
while True:
ret,frame=cap.read()
print(ret,frame.shape)
if ret==False or cv2.waitKey(11)==ord("q"):
break
else:
cv2.imshow("camera",frame)
cap.release()
cv2.destroyWindow("camera")
结果：
3.计算机眼中的图像
1.像素
像素是图像的基本单元，每个像素包含图像的颜色和亮度信息。图像由大量像素组成，计算机以二进制格式存储这些像素。在RGB图像中，每个像素由红色（R）、绿色（G）和蓝色（B）三个颜色通道的值组成。这三种颜色的不同组合可以生成各种颜色。在计算机图像处理中，像素值用于表示和处理这些颜色。例如，在“画图”软件中，用户可以通过调整RGB值来自定义颜色。
2.图像
1.二值图像
一幅二值图像是由仅包含0和1两个值的二维矩阵构成，其中“0”通常表示黑色，“1”表示白色。由于每个像素仅取0或1两种值，计算机中二值图像的数据类型通常为1位二进制。二值图像常用于文字识别（OCR）、线条图的处理以及掩膜图像的存储。
2.灰度图
灰度图像中的每个像素代表一个从黑色到白色的亮度级别。虽然理论上每个像素可以表示任意颜色的不同亮度，但通常灰度图像显示的是黑白之间的各种灰度。与黑白图像不同，灰度图像具有多个灰度级别，而黑白图像只有黑色和白色两种颜色。灰度图像通常使用8位来表示每个像素的亮度，提供256级灰度（使用16位则可达到65536级）。
3.彩色图
RGB图像中的每个像素由红色（R）、绿色（G）和蓝色（B）三个分量表示，每个分量的值范围通常是0到255。与索引图像类似，RGB图像也用于显示彩色图像，但与索引图像不同的是，RGB图像的颜色信息直接存储在图像矩阵中。每个像素的颜色由三个8位的分量（R、G、B）组成，其中每个分量都表示为一个8位无符号整数。RGB图像的尺寸由行数M和列数N决定，每个颜色分量分别用M×N的二维矩阵表示。
#生成一个512*512大小的彩色图片 每一个像素点随机颜色
import cv2
import numpy as np #设置尺寸
h,w=512,512
img=np.zeros((h,w,3),dtype=np.uint8) #创建空白的彩色图像（BGR）
img[:]=np.random.randint(0,256,img.shape)#每个像素生成随机BGR值， OpenCV中颜色范围是0-255
cv2.imshow("img",img)
cv2.waitKey(0)
4.灰度实验
1.最大值法
import cv2
import numpy as np
img=cv2.imread('./src/e.png')
print(img)
img2=np.zeros((img.shape[0],img.shape[1],1),dtype=np.uint8)
for row in range(img.shape[0]):
for col in range(img.shape[1]):
img2[row,col]=max(img[row,col][0],img[row,col][1],img[row,col][2])
print(img2.shape,img2)
cv2.imshow("img2",img2)
cv2.imshow("img",img)
cv2.waitKey(0)
结果：
2.平均值法
import cv2
import numpy as np
img=cv2.imread('./src/e.png')
print(img)
img2=np.zeros((img.shape[0],img.shape[1],1),dtype=np.uint8)
for row in range(img.shape[0]):
for col in range(img.shape[1]):
img2[row, col] = int((img[row, col][0]/3 + img[row, col][1]/3 + img[row, col][2]/3) )
print(img2.shape,img2)
cv2.imshow("img2",img2)
cv2.imshow("img",img)
cv2.waitKey(0)
结果：
3.加权均值法
import cv2
import numpy as np
img=cv2.imread('./src/e.png')
print(img)
img2=np.zeros((img.shape[0],img.shape[1],1),dtype=np.uint8)
wr = 0.299
wg = 0.587
wb = 0.114
for row in range(img.shape[0]):
for col in range(img.shape[1]):
img2[row, col] = (int(img[row,col][0]*wr) + int(img[row,col][1]*wg) + int(img[row,col][2]*wb))
print(img2.shape,img2)
cv2.imshow("img2",img2)
cv2.imshow("img",img)
cv2.waitKey(0)
结果：
4.两个极端的灰度值
5.二值化实验
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
img = cv2.imread('./src/c.png', cv2.IMREAD_GRAYSCALE)
# 1. 阈值法（THRESH_BINARY）
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 2. 反阈值法（THRESH_BINARY_INV）
_, binary_inv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
# 3. 截断阈值法（THRESH_TRUNC）
_, trunc = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
# 4. 低阈值零处理（THRESH_TOZERO）
_, tozero = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
# 5. 超阈值零处理（THRESH_TOZERO_INV）
_, tozero_inv = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
# 6. OTSU阈值法
_, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 创建一个 2x3 的网格布局
fig, axs = plt.subplots(2, 3, figsize=(12, 8))
# 绘制每个处理结果
axs[0, 0].imshow(binary, cmap='gray')
axs[0, 0].set_title('THRESH_BINARY')
axs[0, 0].axis('off')
axs[0, 1].imshow(binary_inv, cmap='gray')
axs[0, 1].set_title('THRESH_BINARY_INV')
axs[0, 1].axis('off')
axs[0, 2].imshow(trunc, cmap='gray')
axs[0, 2].set_title('THRESH_TRUNC')
axs[0, 2].axis('off')
结果：
6.自适应二值化
1.取均值
import cv2
img=cv2.imread('./src/b.png',cv2.IMREAD_GRAYSCALE)
print(img)
re=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,2)
print(re)
cv2.imshow("img",img)
cv2.imshow("img",re)
cv2.waitKey(0)
结果：
2.加权求和
#加权求和法(正态函数) import numpy as np import cv2 arr=np.random.random((30,30))*10 print(arr)
3.高斯分布
#加权法(高斯分布)
import cv2
img_data=cv2.imread("./src/b.png",cv2.IMREAD_GRAYSCALE)
print(img_data)
re=cv2.adaptiveThreshold(img_data,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,2)
# print(re)
cv2.imshow("img_data",img_data)
cv2.imshow("img",re)
cv2.waitKey(0)
结果：
