OpenCV入门（三）快速学会OpenCV2图像处理基础

1.颜色变换cvtColor

imgproc的模块名称是由image（图像）和process（处理）两个单词的缩写组合而成的，是重要的图像处理模块，主要包括图像滤波、几何变换、直方图、特征检测与目标检测等。

这个模块包含一系列的常用图像处理算法，相对而言，imgproc是OpenCV一个比较复杂的模块。OpenCV中的一些画图函数也属于这个模块。

颜色变换是imgproc模块中一个常用的功能。
我们生活中大多数看到的彩色图片都是RGB类型的，但是在进行图像处理时需要用到灰度图、二值图、HSV、HSI等颜色制式，OpenCV提供了cvtColor()函数来实现这些功能。
这个函数用来进行颜色空间的转换，随着OpenCV版本的升级，对于颜色空间种类的支持越来越多，涉及不同颜色空间之间的转换，比如RGB和灰度的互转、RGB和HSV（六角锥体模型，这个模型中颜色的参数分别是色调H、饱和度S、明度V）的互转等。
cvtColor函数声明如下：

     cvtColor(src, code[, dst[, dstCn]])

其中，
参数src表示输入图像，即要进行颜色空间变换的原图像，可以是数组矩阵；
code表示颜色空间转换代码，即在此确定将什么制式的图片转换成什么制式的图片；dst表示输出与src相同大小和深度的图像，即进行颜色空间变换后存储图像；
dstCn表示目标图像通道数，默认取值为0，如果参数为0，则从src和代码自动获得通道的数量。
函数cvtColor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，但是从RGB向其他类型转换时必须明确指出图像的颜色通道。
值得注意的是，在OpenCV中，其默认的颜色制式排列是BGR而非RGB。对于24位颜色图像来说，前8位是蓝色，中间8位是绿色，最后8位是红色。
需要注意的是，cvtColor函数不能直接将RGB图像转换为二值图像，需要借助threshold函数。
另外，如果对8-bit图像使用cvtColor()函数进行转换将会丢失一些信息。我们常用的颜色空间转换有两种：将BGR转换为Gray或HSV。

下面看一个例子，将图片转换为灰度图和HSV。

     import cv2#将图片转换为灰度图src_image = cv2.imread("test.jpg")gray_image = cv2.cvtColor(src_image, cv2.COLOR_BGR2GRAY)#将图片转换为HSVhsv_image = cv2.cvtColor(src_image, cv2.COLOR_BGR2HSV)cv2.imshow("src_image", src_image)cv2.imshow("gray_image", gray_image)cv2.imshow("hsv_image", hsv_image)cv2.waitKey(0)

首先读取工程目录下的图片test.jpg，然后调用cvtColor函数将原图转为灰度图，再调用cvtColor函数将原图转为HSV图，最后将3幅图片显示出来。

运行实例，结果如图所示。

2.截取图像

2.1切片和索引

现在我们把磁盘上的一幅图片文件读到内存中，比如：

     img = cv.imread("p1.jpg"); #读取一幅图片

实际上是一个NumPy包的array数组，它包含着每个像素点的数据。因此熟悉NumPy是操作图像数据的基础。NumPy是Python中用于数据分析、机器学习、科学计算的重要软件包。它极大地简化了向量和矩阵的操作及处理。Python中的不少数据处理软件包依赖于NumPy作为其基础架构的核心部分（例如scikit-learn、SciPy、Pandas和TensorFlow）

NumPy包提供了两种基本对象：ndarray（N维数组）和func（通用函数）。ndarray数组用来存放相同数据类型的多维数组，func是可以对数组进行运算处理的函数。

ndarray对象的内容可以通过索引或切片来访问和修改，与Python中list的切片操作一样。ndarray数组可以基于0～n的下标进行索引，切片对象可以通过内置的slice函数，并设置start、stop及step参数进行，从原数组中切割出一个新数组。比如：

     a = np.arange(10)s = slice(2,7,2)   #从索引2开始到索引7停止，间隔为2print (a[s])

输出结果为：[2 4 6]。

在以上实例中，首先通过arange()函数创建ndarray对象。然后分别设置起始、终止和步长的参数为2、7、2。我们也可以通过冒号分隔切片参数start:stop:step来进行切片操作：

     a = np.arange(10)b = a[2:7:2]   #从索引2开始到索引7停止，间隔为2print(b)

输出结果为：[2 4 6]。

其中，有关冒号的解释是：如果只放置一个参数，如[2]，就将返回与该索引相对应的单个元素；如果为[2:]，就表示从该索引开始以后的所有项都将被提取；如果使用了两个参数，如[2:7]，那么提取两个索引（不包括停止索引）之间的项。

比如：

     a = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]b = a[5]print(b)

输出结果为5。

比如：

     a = np.arange(10)print(a[2:])

输出结果为：[2 3 4 5 6 7 8 9]。

再比如：

     a = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]print(a[2:5])

输出结果为：[2 3 4]。

多维数组同样适用上述索引提取方法：

     a = np.array([[1,2,3],[3,4,5],[4,5,6]])print(a)#从某个索引处开始切割print('从数组索引 a[1:] 处开始切割')print(a[1:])

输出结果为：

     [[1 2 3][3 4 5][4 5 6]]从数组索引 a[1:] 处开始切割[[3 4 5][4 5 6]]

由于图像是数组形式所以我们可以用切片进行截取图像，代码如下：

import cv2#将图片转换成灰度图
src_image = cv2.imread("test.jpg")
print(src_image)
img=src_image[20:100,20:250]
cv2.imshow("cut",img)
cv2.waitKey(0)
cv2.destoryAllWindos()

输出结果:

3.获取颜色通道

cv2.split可以帮助我们获取不同颜色通道。

声明如下：

cv2.split(img)

实例代码：

# 获取颜色通道
img = cv2.imread("picture.jpg")  # 读取图片
b, g, r = cv2.split(img)  # 分割颜色通道
print(r.shape, g.shape, b.shape)  # 调试输出

输出结果：

(1263, 1920) (1263, 1920) (1263, 1920)

4.单通道显示

实例代码：

import cv2
src_image = cv2.imread("test.jpg")
cur_img=src_image.copy()#深拷贝
cur_img[:, :, 0] = 0  # B通道设置为0
cur_img[:, :, 1] = 0  # G通道设置为0
cv2.imshow("B channel", cur_img)  # 图片展示
cv2.waitKey(0)
cv2.destoryAllWindos()

输出结果：