OpenCV入门（三）快速学会OpenCV2图像处理基础
# 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HSV
hsv_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。
在这里插入图片描述
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2
print (a)输出结果为：。
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 #从索引2开始到索引7停止，间隔为2
print(b)输出结果为：。
其中，有关冒号的解释是：如果只放置一个参数，如，就将返回与该索引相对应的单个元素；如果为，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，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)#
b = a
print(b)输出结果为5。
比如：
a = np.arange(10)
print(a)输出结果为：。
再比如：
a = np.arange(10)#
print(a)输出结果为：。
多维数组同样适用上述索引提取方法：
a = np.array([,,])
print(a)
#从某个索引处开始切割
print('从数组索引 a 处开始切割')
print(a)输出结果为：
[
]
从数组索引 a 处开始切割
[
]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
cv2.imshow("cut",img)
cv2.waitKey(0)
cv2.destoryAllWindos()输出结果:
在这里插入图片描述
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：
在这里插入图片描述
页:
[1]