异常教程

OpenCV 图像基本操作（长文解析）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

前言

在数字时代，图像处理技术已渗透到生活的方方面面，从社交媒体的滤镜到自动驾驶的视觉识别，都离不开图像算法的支持。OpenCV（Open Source Computer Vision Library） 作为全球最流行的计算机视觉库之一，为开发者提供了丰富的图像处理工具。对于编程初学者和中级开发者而言，掌握 OpenCV 图像基本操作 是探索计算机视觉领域的第一步。本文将通过循序渐进的方式，结合实际案例和代码示例，帮助读者理解图像处理的核心概念和实现方法。

安装与环境配置

在开始之前，需要确保已正确安装 OpenCV 库。对于 Python 用户，可以通过以下命令安装：

pip install opencv-python

安装完成后，可以通过以下代码验证是否成功：

import cv2  
print(cv2.__version__)

若输出版本号（如 4.9.0），则说明环境配置完成。

图像读取与显示

1. 图像读取

OpenCV 提供了 cv2.imread() 函数用于读取图像文件。默认情况下，该函数以 BGR（蓝绿红）格式加载图像，这与常见的 RGB 格式不同。例如：

image = cv2.imread("example.jpg")  
if image is None:  
    print("Error: Could not read image.")

2. 图像显示

使用 cv2.imshow() 函数可以显示图像窗口。需要注意的是，必须配合 cv2.waitKey() 函数暂停程序，否则窗口会立即关闭：

cv2.imshow("Image Window", image)  
cv2.waitKey(0)  # 等待用户按键  
cv2.destroyAllWindows()  # 关闭所有窗口

比喻：
想象你正在整理一张照片，cv2.imread() 就像打开相册并选中一张照片，而 cv2.imshow() 则是将照片放在桌面上供你查看。

图像的基本操作

1. 图像裁剪（ROI）

通过索引操作可以提取图像的感兴趣区域（Region of Interest, ROI）。例如，裁剪图像左上角的 200x200 区域：

roi = image[0:200, 0:200]  # [y1:y2, x1:x2]  
cv2.imshow("ROI", roi)

2. 图像调整大小

使用 cv2.resize() 可以缩放图像，常用于统一尺寸或降低计算复杂度：

resized_image = cv2.resize(image, (0, 0), fx=0.5, fy=0.5)

3. 图像反转

cv2.flip() 函数可以沿水平或垂直方向翻转图像：

flipped_image = cv2.flip(image, 1)  # 1 表示水平，0 表示垂直

颜色空间转换

BGR 与 RGB 的转换

由于 OpenCV 默认使用 BGR 格式，若需与常见的 RGB 格式匹配（如在 matplotlib 中显示），可使用 cv2.cvtColor()：

rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

灰度图像转换

将彩色图像转换为灰度图可以简化后续处理：

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

比喻：
颜色空间转换就像给照片添加滤镜——灰度图是黑白滤镜，而 BGR 到 RGB 是调整色彩通道的“镜像滤镜”。

边缘检测与阈值处理

边缘检测（Canny 算子）

Canny 算子通过梯度分析检测图像中的边缘，常用于目标轮廓提取：

edges = cv2.Canny(gray_image, 100, 200)  # 100 和 200 是高低阈值  
cv2.imshow("Edges", edges)

阈值处理（Thresholding）

通过设置阈值分割图像区域，常用于二值化处理：

_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

比喻：
边缘检测如同用铅笔勾勒图像的轮廓，而阈值处理则是用黑白两色“擦除”或“保留”特定区域。

形态学操作

形态学操作包括腐蚀（Erosion）和膨胀（Dilation），用于细化或增强图像中的目标区域。

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  

eroded = cv2.erode(binary_image, kernel, iterations=1)  

dilated = cv2.dilate(binary_image, kernel, iterations=1)

比喻：
腐蚀操作类似用砂纸打磨图像的边缘，而膨胀则是用橡皮擦扩大目标区域的边界。

实战案例：车牌识别预处理

案例背景

假设需要从车辆图像中提取车牌区域，可以通过以下步骤实现：

  1. 灰度转换：减少颜色干扰。
  2. 高斯模糊：降低噪声。
  3. 边缘检测：定位车牌边缘。
  4. 轮廓检测：筛选矩形区域。

完整代码示例

import cv2  

def preprocess_license_plate(image_path):  
    # 读取图像  
    image = cv2.imread(image_path)  
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  

    # 高斯模糊  
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)  

    # Canny 边缘检测  
    edges = cv2.Canny(blurred, 50, 150)  

    # 查找轮廓  
    contours, _ = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)  

    # 筛选近似矩形的轮廓  
    for cnt in contours:  
        perimeter = cv2.arcLength(cnt, True)  
        approx = cv2.approxPolyDP(cnt, 0.02 * perimeter, True)  
        if len(approx) == 4:  # 车牌通常是四边形  
            cv2.drawContours(image, [approx], -1, (0, 255, 0), 3)  

    cv2.imshow("Result", image)  
    cv2.waitKey(0)  

preprocess_license_plate("car.jpg")

输出效果：
![示例输出图]（注：此处仅为文字描述，实际代码运行后会显示标注车牌的图像。）

性能优化与注意事项

1. 内存管理

处理大尺寸图像时，建议先调整图像大小以减少内存占用。

resized = cv2.resize(image, (640, 480))  # 缩小到 640x480 分辨率

2. 并行处理

对于批量图像处理，可以利用多线程或向量化操作提升效率。

3. 错误处理

在读取图像前，务必检查 image is None，避免后续操作报错。

结论

通过本文的讲解，读者已掌握了 OpenCV 图像基本操作 的核心技能，包括图像读取、颜色空间转换、边缘检测及形态学操作等。从裁剪到边缘检测，这些基础工具为更复杂的任务（如目标检测、图像分类）奠定了坚实基础。建议读者通过实际项目（如车牌识别、文档扫描）巩固所学内容，并逐步探索 OpenCV 的高级功能。

计算机视觉的世界充满可能性，而 OpenCV 图像基本操作 是打开这扇门的钥匙。希望本文能激发你的兴趣，带领你在图像处理领域走得更远！

最新发布

查看更多文章