2. 程式人生 > >OpenCV計算機視覺學習（1）——影象基本操作（影象視訊讀取，ROI區域擷取，常用cv函式解釋）

OpenCV計算機視覺學習（1）——影象基本操作（影象視訊讀取，ROI區域擷取，常用cv函式解釋）

阿新 • • 發佈：2020-09-22

1，計算機眼中的影象

　　我們開啟經典的 Lena圖片，看看計算機是如何看待圖片的：

 　　我們點選圖中的一個小格子，發現計算機會將其分為R，G，B三種通道。每個通道分別由一堆0~256之間的數字組成，那OpenCV如何讀取，處理圖片呢，我們下面詳細學習。

2，影象的載入，顯示和儲存

　　我們看看在OpenCV中如何操作：

import cv2

# 生成圖片
img = cv2.imread("lena.jpg")
# 生成灰色圖片
imgGrey = cv2.imread("lena.jpg", 0)
#  展示原圖
cv2.imshow("img", img)
#  展示灰色圖片
cv2.imshow("imgGrey", imgGrey)
#  等待圖片的關閉
cv2.waitKey()
# 儲存灰色圖片
cv2.imwrite("Copy.jpg", imgGrey)

 　　影象的顯示，也可以建立多個視窗。

2.1 影象的載入函式 cv2.imread()

　　cv2.imread() 函式原型如下：

imread(filename, flags=None)

　　使用函式cv2.imread() 讀入影象。這幅影象應該在此程式的工作路徑，或者給函式提供完整路徑，第二個引數是要告訴函式應該如何讀取這幅圖片。

  • cv2.IMREAD_COLOR：讀入一副彩色影象。影象的透明度會被忽略，這是預設引數
  • cv2.IMREAD_GRAYSCALE：以灰度模式讀入影象
  • cv2.IMREAD_UNCHANGED：保留讀取圖片原有的顏色通道 
  • +1 ：等同於cv2.IMREAD_COLOR 
  •  0 ：等同於cv2.IMREAD_GRAYSCALE 
  •  -1 ：等同於cv2.IMREAD_UNCHANGED 

　　PS：呼叫opencv，就算影象的路徑是錯的，OpenCV 也不會提醒你的，但是當你使用命令 print(img) 時得到的結果是None。

2.2 影象的顯示函式 cv2.imshow()

　　cv2.imshow() 函式作用是在視窗中顯示影象，視窗自動適合於影象大小，我們也可以通過imutils模組調整顯示影象的視窗大小。

　　函式官方定義如下：

imshow(winname, mat)

　　引數解釋如下：

  • 引數一： 視窗名稱(字串) 
  • 引數二： 影象物件，型別是numpy中的ndarray型別，注：這裡可以通過imutils模組改變影象顯示大小

2.3  影象的儲存函式 cv2.imwrite()

　　cv2.imwrite()  函式檢查影象儲存到本地，官方定義如下：

cv2.imwrite(image_filename, image)

　　引數解釋如下：

  • 引數一： 儲存的影象名稱(字串) 
  • 引數二： 影象物件，型別是numpy中的ndarray型別

3，影象顯示視窗建立與銷燬

　　當我們使用imshow函式展示影象時，最後需要在程式中對影象展示視窗進行銷燬，否則程式將無法正常終止，常用的銷燬視窗的函式有下面兩個：

(1)、cv2.destroyWindow(windows_name) #銷燬單個特定視窗 
引數： 將要銷燬的視窗的名字

(2)、cv2.destroyAllWindows() #銷燬全部視窗，無引數

　　那我們合適銷燬視窗，肯定不能圖片視窗一出現我們就將視窗銷燬，這樣便沒法觀看視窗，試想有兩種方式： 

  • (1) 讓視窗停留一段時間然後自動銷燬； 
  • (2) 接收指定的命令，如接收指定的鍵盤敲擊然後結束我們想要結束的視窗 

　　以上兩種情況都將使用cv2.waitKey函式， 首先產看函式定義：

cv2.waitKey(time_of_milliseconds)

　　唯一引數delay是整數，可正可負也可是零，含義和操作也不同，分別對應上面說的兩種情況。

(1) time_of_milliseconds > 0 ：
此時time_of_milliseconds表示時間，單位是毫秒，
含義表示等待 time_of_milliseconds毫秒後圖像將自動銷燬，看以下示例

#表示等待10秒後，將銷燬所有影象
if cv2.waitKey(10000):
    cv2.destroyAllWindows()

#表示等待10秒，將銷燬視窗名稱為'origin image'的影象視窗
if cv2.waitKey(10000):
    cv2.destroyWindow('origin image')



(2) time_of_milliseconds <= 0 ： 
此時影象視窗將等待一個鍵盤敲擊，接收到指定的鍵盤敲擊便會進行視窗銷燬。
我們可以自定義等待敲擊的鍵盤，通過下面的例子進行更好的解釋

#當指定waitKey(0) == 27時當敲擊鍵盤 Esc 時便銷燬所有視窗
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()

#當接收到鍵盤敲擊A時，便銷燬名稱為'origin image'的影象視窗
if cv2.waitKey(-1) == ord('A'):
    cv2.destroyWindow('origin image')

　　

指定視窗大小模式的屬性：

  • cv2.WINDOW_AUTOSIZE：根據影象大小自動建立大小
  • cv2.WINDOW_NORMAL：視窗大小可調整
# 設定為WINDOW_NORMAL可以任意縮放
# cv.namedWindow('input_image', cv.WINDOW_NORMAL)

　　程式碼如下：

import cv2

img = cv2.imread("lena.jpg")

cv2.namedWindow("img", cv2.WINDOW_NORMAL)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

 

4，視訊的讀取，處理與儲存

　　cv2.VideoCapture（）： 可以捕獲攝像頭，用數字來控制不同的裝置，例如0,1。如果是視訊檔案，直接指定好路徑即可。裝置索引只是指定哪臺攝像機的號碼，0代表第一臺攝像機，1代表第二臺攝像機。之後就可以逐幀捕獲視訊，但最後，不要忘記釋放捕獲。

　　cap.read（）：返回一個布林值（True / False）。如果幀被正確讀取，則返回true，否則返回false。可以通過檢查這個返回值來判斷視訊是否結束。　　

　　cap.isOpened（）：檢查cap是否被初始化。若沒有初始化，則使用cap.open（）開啟它。當cap沒有初始化時，上面的程式碼會報錯。　　

　　retval,image= cv2.VideoCapture.read([,image]) 抓取，解碼並返回下一個視訊幀。返回值為true表明抓取成功。該函式是組合了grab()和retrieve()，這是最方便的方法。如果沒有幀，該函式返回false，並輸出空影象。
　　retval, image = cv2.VideoCapture.retrieve([, image[, flag]]) 解碼並返回抓取的視訊幀
　　retval = cv2.VideoCapture.grab() 從視訊檔案或相機中抓取下一幀。true為抓取成功。該函式主要用於多攝像頭時。
　　cv2.VideoCapture.release() 關閉視訊檔案或相機裝置。

　　cap.get（propId）：訪問視訊的某些功能，其中propId是一個從0到18的數字，每個數字表示視訊的屬性（Property Identifier）。其中一些值可以使用cap.set（propId，value）進行修改，value是修改後的值。
　　舉個例子：我通過cap.get（3）和cap.get（4）來檢查幀的寬度和高度，預設的值是640x480。但我想修改為320x240，可以使用ret = cap.set（3, 320）和ret = cap.set（4, 240）。

propId 常見取值如下:

  • cv2.CAP_PROP_POS_MSEC：     視訊檔案的當前位置（ms）
  • cv2.CAP_PROP_POS_FRAMES：   從0開始索引幀，幀位置。
  • cv2.CAP_PROP_POS_AVI_RATIO：視訊檔案的相對位置（0表示開始，1表示結束）
  • cv2.CAP_PROP_FRAME_WIDTH：  視訊流的幀寬度。
  • cv2.CAP_PROP_FRAME_HEIGHT： 視訊流的幀高度。
  • cv2.CAP_PROP_FPS：          幀率
  • cv2.CAP_PROP_FOURCC：       編解碼器四字元程式碼
  • cv2.CAP_PROP_FRAME_COUNT：  視訊檔案的幀數
  • cv2.CAP_PROP_FORMAT：       retrieve()返回的Mat物件的格式。
  • cv2.CAP_PROP_MODE：         後端專用的值，指示當前捕獲模式
  • cv2.CAP_PROP_BRIGHTNESS：影象的亮度，僅適用於支援的相機
  • cv2.CAP_PROP_CONTRAST：  影象對比度，僅適用於相機
  • cv2.CAP_PROP_SATURATION：影象飽和度，僅適用於相機
  • cv2.CAP_PROP_HUE：       影象色調，僅適用於相機
  • cv2.CAP_PROP_GAIN：      影象增益，僅適用於支援的相機
  • cv2.CAP_PROP_EXPOSURE：    曝光，僅適用於支援的相機
  • cv2.CAP_PROP_CONVERT_RGB：布林標誌，指示是否應將影象轉換為RGB。

　　視訊讀取與處理程式碼：

import cv2

# 引數為視訊檔案目錄
videoc = cv2.VideoCapture('test.mp4')
# VideoCapture物件，引數可以是裝置索引或視訊檔名稱，裝置索引只是指定哪臺攝像機的號碼
# 0代表第一臺攝像機，1代表第二臺攝像機，之後可以逐幀捕獲視訊，但是最後需要釋放捕獲
# 呼叫內建攝像頭
# cap = cv2.VideoCapture(0)
# 呼叫USB攝像頭
# cap = cv2.VideoCapture(1)


# 檢查是否開啟正確
if videoc.isOpened():
    open, frame = videoc.read()
else:
    open = False

# 逐幀顯示實現視訊播放
while open:
    ret, frame = videoc.read()  # 讀取
    if frame is None:
        break
    if ret == True:
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        cv2.imshow('result', gray)
        if cv2.waitKey(10) & 0xFF == 27:  # 讀取完自動退出
        # if cv2.waitKey(1) & 0xFF == ord('q'):  # 讀完按 q 退出
            break

# 釋放攝像頭物件和視窗
videoc.release()
cv2.destroyAllWindows()

 　　解釋一下從檔案中播放視訊： 和從相機捕獲視訊相同，只需要更改相機索引和視訊檔名。在顯示幀時，選擇適當地 cv2.waitKey() 時間，如果該值太小，視訊會非常快，如果他太大，則視訊會非常慢（這可以用慢動作顯示視訊）。正常情況下 25毫秒即可。

　　儲存視訊：我們需要建立一個 VideoWriter物件，指定輸出檔名（例如：output.avi）。之後指定 FourCC程式碼（FourCC是用於指定視訊編碼解碼器的四位元組程式碼，可用的程式碼列標：http://www.fourcc.org/codecs.php）。接下來傳遞每秒幀數（FPS）和幀大小，最後一個是 isColor標註，如果他為TRUE，編碼器編碼成彩色幀，否則編碼成灰度框幀。

　　視訊儲存程式碼：

import numpy as np
import cv2

cap = cv2.VideoCapture(0)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi',fourcc, 20.0, (640,480))

while(cap.isOpened()):
    ret, frame = cap.read()
    if ret==True:
        frame = cv2.flip(frame,0)

        # write the flipped frame
        out.write(frame)

        cv2.imshow('frame',frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    else:
        break

# Release everything if job is finished
cap.release()
out.release()
cv2.destroyAllWindows()

 

OpenCV提供了介面VideoWriter 用於視訊的儲存：

<VideoWriter object> = cv.VideoWriter( filename, fourcc, fps, frameSize[, isColor] )


函式引數：

  • filename：給要儲存的視訊起個名字
  • fourcc：指定視訊編解碼器的4位元組程式碼
  1. 【（‘P’，‘I’，‘M’，‘1’）是MPEG-1編解碼器】
  2. 【（‘M’，‘J’，‘P’，'G '）是一個運動jpeg編解碼器】
  • fps：幀率
  • frameSize：幀大小
  • retval = cv2.VideoWriter_fourcc( c1, c2, c3, c4 ) 將4字串接為fourcc程式碼。
  • cv.VideoWriter.write( image ) 將幀影象儲存為視訊檔案。
  • isColor：如果為true，則視訊為彩色，否則為灰度視訊，預設為true

5，影象ROI

　　ROI（Region of Interest）表示感興趣區域。感興趣區域，就是我們從影象中選擇一個影象區域，這個區域就是影象分析所關注的焦點。我們圈定這個區域，那麼我們要處理的影象就是堯從一個大影象變為小影象區域了，這樣以便進行進一步處理，可以大大減少處理時間。

　　ROI 也是使用Numpy 索引來獲得的，其本質上是多維陣列（矩陣）的切片，如下圖所示：

 　　其實，原理很簡單，就是利用陣列切片和索引操作來選擇指定區域的內容，通過畫素矩陣可以直接獲取ROI區域，如 img[200:400,  200: 400]。Rect 四個形參分別是：x座標，y座標，長，高，注意（x,  y）指的是矩形的左上角點。

　　比如我要獲取歐文的頭，圖如下：

 　　簡易的矩形ROI區域獲取程式碼如下

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

# 讀取原始影象
img = cv2.imread('irving.jpg')
# print(img.shape)  # (458, 558, 3)

# 我們自己計算要獲取的頭部的大小，以及左上角的座標
# 這裡左上角的座標為：w:h=250 7  區域為100*100
roi_zero = img[7:107, 250:350]

# 顯示影象
cv2.imshow("Image", roi_zero)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

 　　結果如下：

 

 

6，影象寬，高，通道數獲取

　　img.shape 返回影象高（影象矩陣的行數），寬（影象矩陣的列數）和通道數3個屬性組成的元組，若影象是非彩色圖（即灰度圖，二值圖等），則只返回高和寬組成的元組。

import cv2

img = cv2.imread("1.jpg")
imgGrey = cv2.imread("1.jpg", 0)

sp1 = img.shape
sp2 = imgGrey.shape

print(sp1)
print(sp2)# ======輸出=======#(1200, 1920, 3)#(1200, 1920)

 

7，影象畫素數目和影象資料型別的獲取

　　影象矩陣img 的 size屬性和 dtype 分別對應影象的畫素總數目和影象資料型別。一般情況下，影象的資料型別是 uint8。

　　通過size關鍵字獲取影象的畫素數目，其中灰度影象返回行數*列數，彩色影象返回行數*列數*通道數。

　　通過dtype關鍵字獲取影象的資料型別，通常返回 uint8

　　程式碼如下：

# -*- coding:utf-8 -*-
import cv2
import numpy

#讀取圖片
img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#獲取影象形狀
print(img.shape)

#獲取畫素數目
print(img.size)

#獲取影象型別
print(img.dtype)

　　結果如下：

(615, 327, 3)

603315   # 603315=615*327*3

uint8

　　注意1：如果影象是灰度圖，返回值僅有行數和列數，所以通過檢查這個返回值就可以知道載入的是灰度圖還是彩色圖。img.size可以返回影象的畫素數目。

　　注意2：在debug時， img.dtype 非常重要，因為在OpenCV Python程式碼中經常出現數據型別的不一致。

8，生成指定大小的空影象

　　生成指定大小的空圖形，方便我們後續填充，空圖形是黑色的圖（因為指定的是0）。

import cv2
import numpy as np

img = cv2.imread("1.jpg")
imgZero = np.zeros(img.shape, np.uint8)

imgFix = np.zeros((300, 500, 3), np.uint8)
# imgFix = np.zeros((300,500),np.uint8)

cv2.imshow("img", img)
cv2.imshow("imgZero", imgZero)
cv2.imshow("imgFix", imgFix)
cv2.waitKey()

 　

9，訪問和操作影象畫素

　　OpenCV中影象矩陣的順序是 B,G,R。可以直接通過座標位置訪問和操作影象畫素。

import cv2
 
img = cv2.imread("01.jpg")
 
numb = img[50,100]
print(numb)
 
img[50,100] = (0,0,255)
cv2.imshow("img",img)
cv2.waitKey()

 　　分開訪問影象某一通道畫素值也非常方便（下面程式碼將影象變為白色，即255）：

import cv2
 
img = cv2.imread("01.jpg")
 
img[0:100,100:200,0] = 255
img[100:200,200:300,1] = 255
img[200:300,300:400,2] = 255
 
cv2.imshow("img",img)
cv2.waitKey()

 　　Python中，更改影象某一矩形區域的畫素值也很方便。

import cv2
 
img = cv2.imread("01.jpg")
 
img[0:50,1:100] = (0,0,255)
 
cv2.imshow("img",img)
cv2.waitKey()

 　　注意：優化

　　首先我們需要讀入一幅影象，然後根據畫素的行和列的座標獲取它的畫素值。對BGR影象而言，返回值為B，G，R的值，對灰度影象而言，會返回它的灰度值（亮度？ intensity）

import cv2
import numpy as np

img=cv2.imread('test.jpg')
px=img[100,100]
print(px)
blue=img[100,100,0]
print(blue)

# 我們可以使用類似的方式修改畫素值
img[100,100]=[255,255,255]
print(img[100,100])
## [255 255 255]

　　注意1：Numpy 是經過優化了的進行快速矩陣運算的軟體包，所以我們不推薦逐個獲取畫素值並修改，這樣會很慢，能有矩陣運算就不要迴圈。

　　注意2：上面提到的方法被用來選取矩陣的一個區域，比如說 前 5行的後3列。對於獲取每一個畫素值，也許使用Numpy 的 array.item()  和 array.itemset()  會更好，但是返回是標量。如果你想獲得所有 B，G，R的值，你需要使用 array.item() 分割他們。

　　獲取畫素值及其修改的更好的方法

import cv2
import numpy as np

img=cv2.imread('test.jpg')
print(img.item(10,10,2))
img.itemset((10,10,2),100)
print(img.item(10,10,2))
# 59
# 100

　　

10，影象顏色通道分離與合併

　　分離影象通道可以使用 cv2中 split函式，合併則可以使用 merge函式。

import cv2
 
img = cv2.imread("01.jpg")
 
b , g , r = cv2.split(img)
 
# b = cv2.split(img)[0]
# g = cv2.split(img)[1]
# r = cv2.split(img)[2]
 
merged = cv2.merge([b,g,r])
 
cv2.imshow("Blue",b)
cv2.imshow("Green",g)
cv2.imshow("Red",r)
 
cv2.imshow("Merged",merged)
cv2.waitKey()

 　　　有時候，我們需要對 BGR 三個通道分別進行操作，這時你就需要把BGR拆分成單個通道，有時你需要把獨立通道的圖片合成一個BGR影象。下面學習一下拆分及其合併影象通道的cv函式　　

　　程式碼如下：

# _*_coding:utf-8_*_
import cv2
import numpy as np


def split_image(img_path):
    img = cv2.imread(img_path)
    print(img.shape)  # (800, 800, 3)
    # b, g, r = cv2.split(img)
    b = img[:, :, 0]
    g = img[:, :, 1]
    r = img[:, :, 2]
    cv2.imshow('b', b)
    # cv2.imshow('g', g)
    # cv2.imshow('r', r)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


def merge_image(img_path):
    img = cv2.imread(img_path)
    b, g, r = cv2.split(img)
    img = cv2.merge([b, g, r])
    cv2.imshow('merge', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    img_path = 'durant.jpg'
    split_image(img_path)
    # merge_image(img_path)

　　注意：這裡拆分寫了兩個方法，為什麼呢？就是因為 cv2.split()是一個比較耗時的操作，只有真正需要時才用它，能用Numpy索引就儘量使用索引。

　　原圖：

 　　B，G，R 三種通道的圖片：

　　合併後的圖片

 　　假設，我們想是所有畫素的紅色通道值都為0，我們不必先拆分再賦值，我們可以直接使用 Numpy 索引，這樣會更快：

def assign_image(img_path):
    img = cv2.imread(img_path)
    img[:, :, 1] = 0
    cv2.imshow('assign', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    img_path = 'durant.jpg'
    assign_image(img_path)

　　結果如下：

 

11，在影象上輸出文字

使用putText函式在圖片上輸出文字，函式原型：

putText(img, text, org, fontFace, fontScale, color, thickness=None, lineType=None, bottomLeftOrigin=None)

 　　引數意思：

      1. img： 影象
      2. text：要輸出的文字
      3. org： 文字的起點座標
      4. fontFace： 字型
      5. fontScale： 字型大小
      6. color： 字型顏色
      7. thickness： 字圖加粗

　　　程式碼如下：

import cv2

img = cv2.imread("durant.jpg")

cv2.putText(img, "durant is my favorite super star", (100, 100), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255))

cv2.imshow("img", img)
cv2.waitKey()

 　　圖如下：

 

12， 影象縮放

　　cv2.resize()函式是來調整圖片的大小，改變圖片尺寸。

　　注意：CV2是BGR，而我們讀取的圖片是RGB，所以要注意一下，變換的時候注意對應。

　　其函式原型如下：

def resize(src, dsize, dst=None, fx=None, fy=None, interpolation=None)

　　對應的各個引數意思：

　　src：輸入，原影象，即待改變大小的影象；

　　dsize：輸出影象的大小。如果這個引數不為0，那麼就代表將原影象縮放到這個Size(width，height)指定的大小；如果這個引數為0，那麼原影象縮放之後的大小就要通過下面的公式來計算：

　　　　　　　　　　　　　　dsize = Size(round(fx*src.cols), round(fy*src.rows))

其中，fx和fy就是下面要說的兩個引數，是影象width方向和height方向的縮放比例。

　　fx：width方向的縮放比例，如果它是0，那麼它就會按照(double)dsize.width/src.cols來計算；

　　fy：height方向的縮放比例，如果它是0，那麼它就會按照(double)dsize.height/src.rows來計算；

　　interpolation：這個是指定插值的方式，影象縮放之後，肯定畫素要進行重新計算的，就靠這個引數來指定重新計算畫素的方式，有以下幾種：

  • INTER_NEAREST                 - 最鄰近插值
  • INTER_LINEAR                     - 雙線性插值，如果最後一個引數你不指定，預設使用這種方法
  • INTER_AREA                         -  使用畫素區域關係進行重取樣    resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method.
  • INTER_CUBIC                      - 4x4畫素鄰域內的雙立方插值
  • INTER_LANCZOS4             - 8x8畫素鄰域內的Lanczos插值

　　對於插值方法，正常情況下使用預設的雙線性插值法就夠了。幾種常用方法的效率為：

最鄰近插值>雙線性插值>雙立方插值>Lanczos插值

　　但是效率和效果是反比的，所以根據自己的情況酌情使用。

　　注意：輸出的尺寸格式為（寬，高）

　　示例：

# _*_coding:utf-8_*_
import cv2

image = cv2.imread('TestData\\arial_qz8Shv_10.png')
# 對圖片進行灰度化，注意這裡變換！！
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

crop_img = cv2.resize(gray, (224, 224), interpolation=cv2.INTER_LANCZOS4)

　　

　　程式碼如下：

import cv2

img = cv2.imread("1.jpg")
cv2.imshow("img", img)

imgg = cv2.resize(img, (200, 100))

cv2.imshow("imgg", imgg)

cv2.waitKey()

 

13   cv2.cvtColor()函式用法介紹

　　在日常生活中，我們看到的大多數彩色影象都是RGB型別，但是在影象處理過程中，常常需要用到灰度影象、二值影象、HSV、HSI等顏色，OpenCV提供了cvtColor()函式實現這些功能。其函式原型如下所示：

cvtColor(src, code, dst=None, dstCn=None)

　　變數含義：

  • src表示輸入影象，需要進行顏色空間變換的原影象
  • dst表示輸出影象，其大小和深度與src一致
  • code表示轉換的程式碼或標識
  • dstCn表示目標影象通道數，其值為0時，則有src和code決定

　　該函式的作用是將一個影象從一個顏色空間轉換到另一個顏色空間，其中，RGB是指Red、Green和Blue，一副影象由這三個通道（channel）構成；Gray表示只有灰度值一個通道；HSV包含Hue（色調）、Saturation（飽和度）和Value（亮度）三個通道。在OpenCV中，常見的顏色空間轉換標識包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS等。
　　下面程式碼對比了九種常見的顏色空間，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，並迴圈顯示處理後的影象。

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取原始影象
img_BGR = cv2.imread('miao.png')

#BGR轉換為RGB
img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)

#灰度化處理
img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)

#BGR轉HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)

#BGR轉YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)

#BGR轉HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)

#BGR轉XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)

#BGR轉LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)

#BGR轉YUV
img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)

#呼叫matplotlib顯示處理結果
titles = ['BGR', 'RGB', 'GRAY', 'HSV', 'YCrCb', 'HLS', 'XYZ', 'LAB', 'YUV']  
images = [img_BGR, img_RGB, img_GRAY, img_HSV, img_YCrCb,
          img_HLS, img_XYZ, img_LAB, img_YUV]  
for i in xrange(9):  
   plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

　　如果想檢視引數的全部型別，請執行以下程式便可查閱，總共有274種空間轉換型別：

import cv2
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print(flags)

 

 

 

參考文獻：https://blog.csdn.net/woainishifu/article/details/53260546

https://blog.csdn.net/eastmount/article/details/82177300

https://www.cnblogs.com/Undo-self-blog/p/8434906.html

https://www.cnblogs.com/zlel/p/9267629.html

視訊讀取：https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_gui/py_video_display/py_video_display.html

https://blog.csdn.net/qq_25436597/article/details/79621833

https://zhuanlan.zhihu.com/p/4425

相關推薦

OpenCV計算機視覺學習（1）——影象基本操作（影象視訊讀取，ROI區域擷取，常用cv函式解釋）

1，計算機眼中的影象 　　我們開啟經典的 Lena圖片，看看計算機是如何看待圖片的：  　　我們點選圖中的一個小格子，發現計算機會將其分為R，G，B三種通道。每個通道分別由一堆0~256之間的數字組成，那OpenCV如何讀取，處理圖片呢，我們下面詳細學習。 2，影象的載入，顯示和儲存 　　我們看

OpenCV計算機視覺學習（2）——影象算術運算 & 掩膜mask操作（數值計算，影象融合，邊界填充）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　在OpenCV中我們經常會遇到一個名字：Mask（掩膜）。很多函式都使用到它，那麼這個Mask到底是

OpenCV計算機視覺學習（3）——影象灰度線性變換與非線性變換（對數變換，伽馬變換）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　下面主要學習影象灰度化的知識，結合OpenCV呼叫 cv2.cvtColor()函式實現影象灰度化，

OpenCV計算機視覺學習（4）——影象平滑處理（均值濾波，高斯濾波，中值濾波，雙邊濾波）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　“平滑處理”（smoothing）也稱“模糊處理”（bluring），是一項簡單且使用頻率很高的影象

OpenCV計算機視覺學習（7）——影象金字塔（高斯金字塔，拉普拉斯金字塔）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　本節學習影象金字塔，影象金字塔包括高斯金字塔和拉普拉斯金字塔。它是影象中多尺度表達的一種，最主要用於

OpenCV計算機視覺學習（8）——影象輪廓處理（輪廓繪製，輪廓檢索，輪廓填充，輪廓近似）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 1，簡單幾何影象繪製 　　簡單幾何影象一般包括點，直線，矩陣，圓，橢圓，多邊形等等。 　　下面學習一下

OpenCV計算機視覺學習（9）——影象直方圖 & 直方圖均衡化

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 1，如何提高影象畫素 　　對曝光過度或者逆光拍攝的圖片可以通過直方圖均衡化的方法用來增強區域性或者整體的

OpenCV計算機視覺學習（10）——影象變換（傅立葉變換，高通濾波，低通濾波）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　在數字影象處理中，有兩個經典的變換被廣泛應用——傅立葉變換和霍夫變化。其中，傅立葉變換主要是將時間域

OpenCV計算機視覺學習（11）——影象空間幾何變換（影象縮放，影象旋轉，影象翻轉，影象平移，仿射變換，映象變換）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　影象的幾何變換是在不改變影象內容的前提下對影象畫素進行空間幾何變換，主要包括了影象的平移變換，縮放，

OpenCV計算機視覺學習（12）——影象量化處理&影象取樣處理（K-Means聚類量化，區域性馬賽克處理）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 準備：影象轉陣列，陣列轉影象 　　將RGB影象轉換為一維陣列的程式碼如下： # 影象二維畫素轉換為一維

OpenCV計算機視覺學習（13）——影象特徵點檢測（Harris角點檢測，sift演算法）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 前言 　　特徵點檢測廣泛應用到目標匹配，目標跟蹤，三維重建等應用中，在進行目標建模時會對影象進行目標特徵

OpenCV計算機視覺學習（5）——形態學處理（腐蝕膨脹，開閉運算，禮帽黑帽，邊緣檢測）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　形態學操作簡單來說，就是改變物體的形狀，下面學習一下，首先本文的目錄如下： 1，定義結構元素 2，

OpenCV學習心得二：影象基本操作（建立，讀取，載入，儲存，展示）+畫素操控

課程緊張，以後儘量每節課消化後及時更新部落格以加深印象。 此次為第一節實驗課內容，為了方便，我將各個功能寫成一個小方法，在main函式裡呼叫已檢驗成功與否。 helloline()  :建立圖片 draw()  :基本作圖 pixels():操縱圖片畫素點 thr(

opencv計算機視覺學習筆記五

第六章 影象檢索以及基於影象描述符的搜尋 通過提取特徵進行影象的匹配與搜尋 1 特徵檢測演算法 常見的特徵和提取演算法: Harris 檢測角點 Sift 檢測斑點(blob) 有專利保護 Surf 檢測斑點   有專利保護 Fast 檢測角點 Brief 檢測斑點 Or

opencv計算機視覺學習筆記一

第二章 處理檔案 攝像頭和圖形使用者介面 1 基本i/o指令碼 讀寫影象檔案 示例程式碼如下: #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time    : 2016/11/27 12:22 # @Author  :

opencv計算機視覺學習筆記七

第八章 目標跟蹤 1檢測目標的移動 基本的運動檢測,示例程式碼如下: import cv2 import numpy as np # 捕獲攝像頭影象 camera = cv2.VideoCapture(0) # es = cv2.getStructuringEleme

6-1 順序表基本操作 （10 分）

本題要求實現順序表元素的增、刪、查詢以及順序表輸出共4個基本操作函式。L是一個順序表，函式Status ListInsert_Sq(SqList &L, int pos, ElemType e)是在順序表的pos位置插入一個元素e（pos應該從1開始），函式Status ListDelete_Sq(S

Django 學習筆記（七）資料庫基本操作（增查改刪）

1.建立一個專案 2.建立一個應用 3.更改settings.py 4.更改models.py 5.同步資料 二、安裝IPython方便debug sudo apt-get install ipython3 安裝成功後用python manage.py shell 會自動進入Ipython互動直譯器中，沒

學習筆記——單鏈表的基本操作（C語言實現）

線性表的儲存結構有順序儲存結構（順序表）和鏈式儲存結構（連結串列）兩種。順序表在之前的部落格有介紹過，不明白的朋友可檢視：靜態分配順序表的基本操作及動態分配順序表的基本操作。相對於順序表來說，連結串列稍微難一些，本人花了兩天的時間認真查看了一些資料，終於大致明白了一些東西。現

matlab與機器學習（二）程式基本操作（含程式碼解析）

備註：%%之間的為註釋內容%%，%註釋後面的內容             matlab形成自己的程式設計風格更有利於簡潔的程式設計介面             影象的初步處理可應用於論文撰寫上，文章更有說服力             程式除錯有利於發現邏輯問題，都是必備的基