OpenCV 是一个强大的计算机视觉库，广泛用于图像处理任务。通过 OpenCV，可以对图像进行预处理、增强、滤波、颜色空间转换等操作，从而提高图像质量或为后续的计算机视觉任务（如目标检测、图像识别）做好准备。 ### 图像读取与显示 首先需要从文件中加载图像并进行基本操作。OpenCV 提供了 `cv2.imread` 函数来读取图像，并支持多种图像格式。例如： ```python import cv2 # 读取图像，保留原始通道数 img = cv2.imread("girl.jpg", cv2.IMREAD_UNCHANGED) # 显示图像维度信息 print(img.shape) # 输出：(height, width, channels) ``` 如果图像是彩色的（3 通道）或包含透明通道（4 通道），可以通过 `cv2.cvtColor` 转换为灰度图像[^3]： ```python if img.shape[2] == 3 or img.shape[2] == 4: gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow("Gray Image", gray_img) cv2.waitKey(1000) cv2.destroyAllWindows() ``` ### 图像预处理 图像预处理是图像处理中的关键步骤，旨在改善图像质量以提升后续算法的性能。常见的预处理方法包括调整亮度、对比度、尺寸和颜色空间。 - **调整图像尺寸**：使用 `cv2.resize` 可以改变图像大小。 ```python resized_img = cv2.resize(img, (new_width, new_height)) ``` - **颜色空间转换**：除了将图像转为灰度图，还可以在不同颜色空间之间转换，如 HSV、YUV 等。 ```python hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) ``` - **直方图均衡化**：用于增强图像对比度，适用于灰度图像。 ```python equalized_img = cv2.equalizeHist(gray_img) ``` ### 图像平滑与去噪 为了去除图像中的噪声，通常会应用图像模糊技术。常见的滤波器包括均值滤波、高斯滤波和中值滤波。其中，中值滤波对于椒盐噪声特别有效。 ```python # 使用中值滤波去噪 denoised_img = cv2.medianBlur(gray_img, ksize=5) ``` ### 边缘增强与锐化 边缘检测是图像处理的重要任务，常用于特征提取。拉普拉斯算子是一种常用的边缘检测方法。由于边缘检测可能导致负值，通常使用更高精度的数据类型进行计算，再取绝对值并转换回 `uint8` 类型[^5]： ```python laplacian = cv2.Laplacian(gray_img, cv2.CV_64F) laplacian_abs = cv2.convertScaleAbs(laplacian) ``` ### 图像绘制 OpenCV 还支持在图像上绘制各种图形，如直线、矩形、圆形等。以下是一个绘制矩形的例子： ```python cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), thickness=2) cv2.imshow("Image with Rectangle", img) cv2.waitKey(0) ``` ### 图像保存与展示 完成图像处理后，可以使用 `cv2.imwrite` 将结果保存到文件中，也可以使用 `cv2.imshow` 显示图像： ```python cv2.imwrite("processed_image.jpg", processed_img) ``` ---