高能干货：OpenCV看这篇就够了，9段代码详解图像变换基本操作

导读：OpenCV是一个以BSD许可证开源的、跨平台的计算机视觉库。它提供了Python、C++、Java、Matlab等多种编程语言接口。它集成了很多计算机视觉算法，具有非常强大的功能，是计算机视觉中最为著名的一个库。在本文中，我们将要介绍OpenCV的一些基本用法。

作者：王天庆

如需转载请联系大数据（ID：hzdashuju）

01 OpenCV介绍

OpenCV是使用C++进行编写的、以BSD许可证开放源代码的、跨平台的计算机视觉库。它提供了上百种计算机视觉、机器学习、图像处理等相关算法，新版本的OpenCV支持Tensorflow、Caffe等深度学习框架。

OpenCV的底层优化处理得很好，能够支持多核处理，能够利用硬件实现加速。由于该库是以BSD许可证进行开源的，因此可以被免费应用在科学研究与商业应用中。

OpenCV库是由英特尔公司下属的俄罗斯技术团队发起的，由于优异的性能、免费、开源、算法丰富、使用简单等优点，自从项目被发起后便得到迅猛发展，越来越多的组织和个人加入到源代码的贡献队伍中，这也在客观进一步促进了OpenCV库的发展。

OpenCV在诸多领域得到了广泛的应用，例如物体检测、图像识别、运动跟踪、增强现实（AR）、机器人等场景。我们在本书中需要对图像进行处理时，需要用到OpenCV库。

OpenCV的安装也比较简单，在Python中，通过pip包管理工具就可以实现安装：

pip install opencv-python

如果在anaconda环境中安装OpenCV，则通过下面的方法进行安装：

conda install opencv

安装完毕OpenCV后，可以通过下述方法来查看是否安装成功：

# 查看引入OpenCV库时是否报错import cv2# 查看安装的版本cv2.__version__# 我这里显示的版本信息是 '3.4.1'import cv2# 查看安装的版本cv2.__version__# 我这里显示的版本信息是 '3.4.1'

以下介绍OpenCV基本操作。

02 存取数据

OpenCV中的图片以RGB的形式存储，只不过再OpenCV中的颜色通道顺序不是RGB而是BGR。这可以归结为一个历史遗留原因。因为OpenCV库的研发历史比较“悠久”，在那个时代，BGR是数码相机设备的主流表示形式。这一点伴随着OpenCV的发展一直没有被改变，我们在后面编写代码的时候应该注意到通道顺序的问题。

我们看一下OpenCV中存储图片的形式，图4-2是按照BGR顺序存储的RGB颜色模型的图片，对于相同的数据，我们也可以将其分别拆分为蓝色、绿色、红色的颜色矩阵，如图4-3所示。

▲图4-2 OpenCV中以BGR形式存储的彩色图片

▲图4-3 将彩色图片拆分成三个颜色通道存储的形式

通过图4-2和图4-3，我们知道了OpenCV存储图片的形式。那么在Python环境中的OpenCV库底层存储这颜色的数据结构就是array类型。OpenCV将图片读取进来，经过解码后以array形式存储。通过下面的例子，我们看一下OpenCV中图片的读取和存储方法。

import cv2import numpy as np# 使用imread()方法读入一个图片image = cv2.imread("lena.jpg")# 看一下数据的存储维度image.shape# 返回：(121, 121, 3)# 将读入的数据image打印出来print(image)'''如果读入数据失败，返回值将不是一个array类型，而是None我们可以看到图片数据的存储形式：[[[113 152 227]  [109 153 230]  [104 152 230]  ...,   [ 58  93 166]  [119 156 212]  [149 182 232]] [[107 149 224]  [103 149 226]  [ 97 149 225]  ...,   [ 79 112 175]  [ 77 108 159]  [ 65  91 137]] [[101 148 222]  [ 96 146 222]  [ 91 146 221]  ...,   [ 56  80 132]  [  3  22  65]  [  0   3  40]] ...,  [[ 21  40  45]  [ 24  37  45]  [ 34  41  50]  ...,   [ 20  34  57]  [  7  24  50]  [  8  27  54]] [[ 17  35  36]  [ 20  32  38]  [ 22  29  38]  ...,   [ 13  29  52]  [ 28  45  72]  [ 41  59  90]] [[ 15  31  30]  [ 19  31  35]  [ 21  28  37]  ...,   [ 13  29  52]  [ 48  64  93]  [ 71  90 123]]]'''# 将存储图片数据的image变量写到磁盘中，写出的文件名为lena.bak.jpg# 其返回值结果为True代表写入成功，反之代表失败cv2.imwrite("lena.bak.jpg",image)import numpy as np# 使用imread()方法读入一个图片image = cv2.imread("lena.jpg")# 看一下数据的存储维度image.shape# 返回：(121, 121, 3)# 将读入的数据image打印出来print(image)'''如果读入数据失败，返回值将不是一个array类型，而是None我们可以看到图片数据的存储形式：[[[113 152 227]  [109 153 230]  [104 152 230]  ...,   [ 58  93 166]  [119 156 212]  [149 182 232]] [[107 149 224]  [103 149 226]  [ 97 149 225]  ...,   [ 79 112 175]  [ 77 108 159]  [ 65  91 137]] [[101 148 222]  [ 96 146 222]  [ 91 146 221]  ...,   [ 56  80 132]  [  3  22  65]  [  0   3  40]] ...,  [[ 21  40  45]  [ 24  37  45]  [ 34  41  50]  ...,   [ 20  34  57]  [  7  24  50]  [  8  27  54]] [[ 17  35  36]  [ 20  32  38]  [ 22  29  38]  ...,   [ 13  29  52]  [ 28  45  72]  [ 41  59  90]] [[ 15  31  30]  [ 19  31  35]  [ 21  28  37]  ...,   [ 13  29  52]  [ 48  64  93]  [ 71  90 123]]]'''# 将存储图片数据的image变量写到磁盘中，写出的文件名为lena.bak.jpg# 其返回值结果为True代表写入成功，反之代表失败cv2.imwrite("lena.bak.jpg",image)

这里面有一个问题需要注意：OpenCV判断图片的格式是通过扩展名来实现的，如果我们写出的文件名为 lena.jpg.bak 那么可能会报错：

could not find a writer for the specified extension in function cv::imwrite_

所以，我们在使用OpenCV时候要注意图片文件的扩展名。

OpenCV相比于其他的库，最大的特点是对图像的处理功能非常完备。OpenCV能够实现对图片颜色和形状的变换。

03 颜色变换

图片的颜色变换可以有很多种类，譬如可以对彩色图片进行灰度化处理，调节图片的亮度和对比度，将图片转换成负片的形式等。这些操作都是表现在对图片的颜色处理上，下面我们介绍几种图片的常用颜色变换。

1. 灰度化

我们在平时接触到的图片大多都是彩色图片，存储的颜色模型一般也都是RGB模型。对于彩色图片我们前面提到过它的存储形式，相当于三个颜色通道分别用各自的颜色矩阵来记录数据。对于灰度图像来讲，它自然没有三个通道的说法，它的表现形式是一张矩阵，没有RGB三个不同的颜色通道。

彩色图片是可以转换为灰度图像的，虽然在转换为灰度图像的过程中丢失了颜色信息，但是却保留了图片的纹理、线条、轮廓等特征，这些特征往往比颜色特征更重要。

将彩色图片转换为灰度图片后，存储的数据量自然而然也随之减少，这样就会带来一个明显的好处：对图片进行处理时的计算量也将会减少很多，这一点在工程实践中非常重要，大家会在后面的内容中进一步体会。下面我们简述一下在OpenCV中将彩色图片转换为灰度图片的过程。

import numpy as npimport cv2img = cv2.imread("lena.jpg")print(img.shape)# (121, 121, 3)# 使用cv2.cvtColor() 方法将彩色图片转换为灰度图片gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(gray_img.shape)# (121, 121)# 将转换后的灰度图片回复成BGR形式img2 = cv2.cvtColor(gray_img,cv2.COLOR_GRAY2BGR)print(img2.shape)# (121, 121, 3)# 输出彩色图片img的内容print(img)'''[[[113 152 227]  [109 153 230]  [104 152 230]  ...,   [ 58  93 166]  [119 156 212]  [149 182 232]] [[107 149 224]  [103 149 226]  [ 97 149 225]  ...,   [ 79 112 175]  [ 77 108 159]  [ 65  91 137]] [[101 148 222]  [ 96 146 222]  [ 91 146 221]  ...,   [ 56  80 132]  [  3  22  65]  [  0   3  40]] ...,  [[ 21  40  45]  [ 24  37  45]  [ 34  41  50]  ...,   [ 20  34  57]  [  7  24  50]  [  8  27  54]] [[ 17  35  36]  [ 20  32  38]  [ 22  29  38]  ...,   [ 13  29  52]  [ 28  45  72]  [ 41  59  90]] [[ 15  31  30]  [ 19  31  35]  [ 21  28  37]  ...,   [ 13  29  52]  [ 48  64  93]  [ 71  90 123]]]'''# 输出将灰度图片重新转换为BGR形式图片后的内容print(img2)'''[[[170 170 170]  [171 171 171]  [170 170 170]  ...,   [111 111 111]  [169 169 169]  [193 193 193]] [[167 167 167]  [167 167 167]  [166 166 166]  ...,   [127 127 127]  [120 120 120]  [102 102 102]] [[165 165 165]  [163 163 163]  [162 162 162]  ...,   [ 93  93  93]  [ 33  33  33]  [ 14  14  14]] ...,  [[ 39  39  39]  [ 38  38  38]  [ 43  43  43]  ...,   [ 39  39  39]  [ 30  30  30]  [ 33  33  33]] [[ 33  33  33]  [ 32  32  32]  [ 31  31  31]  ...,   [ 34  34  34]  [ 51  51  51]  [ 66  66  66]] [[ 29  29  29]  [ 31  31  31]  [ 30  30  30]  ...,   [ 34  34  34]  [ 71  71  71]  [ 98  98  98]]]'''as npimport