核心知識(shí)
（1）色彩空間變換
（2）像素訪問
（3）矩陣的 + -? * /
（4）基本圖形的繪制
以上的核心知識(shí)將會(huì)在接下來的部分給大家介紹清楚，并且有實(shí)戰(zhàn)代碼展示。
色彩空間
色彩空間基礎(chǔ)知識(shí)
（1）RGB：是通過對(duì)紅（R）、綠（G）、藍(lán)（B）三個(gè)顏色通道的變化以及它們相互之間的疊加來得到各式各樣的顏色的，RGB即是代表紅、綠、藍(lán)三個(gè)通道的顏色。（簡單來說就是人對(duì)于顏色的一個(gè)識(shí)別，當(dāng)然機(jī)器也是這樣的）
（2）BGR：Opencv默認(rèn)使用BGR。
其實(shí)對(duì)于rgb和bgr來說，就是紅綠藍(lán)的排列順序不同，所以在編寫代碼時(shí)，需要注意順序問題。
（3）HSV/HSB/HSL: Opencv最常用的就是HSV。H代表色相，S代表飽和度，V/B代表明亮度,HSV與HSB其實(shí)是一樣的，只是在翻譯時(shí)不同。
（4）YUV：主要用于視頻領(lǐng)域。
RGB和BGR
?
RGB：每一個(gè)方框都代表一個(gè)像素 ，每一個(gè)像素都是由RGB顯示出來的。
?
BGR：同樣與RGB類似，每一個(gè)方框都代表一個(gè)像素 ，每一個(gè)像素都是由BGR顯示出來的。
HSV與HSL
HSV相關(guān)知識(shí)
Hue：色相，即顏色，如紅色，藍(lán)色
Saturation：飽和度，顏色的純度（越大越純）
Value：明度（越明一點(diǎn)就代表黑色的部分少一點(diǎn)）
?
?
?對(duì)于第一張圖，Hue是圓的一周，也就是在不同角度下顏色在發(fā)生變化。Saturation是從圓的平面看，從里到外值越來越高，顏色就越來越純（顏色中灰色的部分越來越少）。Value是從圓柱的高進(jìn)行觀察，從下到上，Value值越來越高，也就越來越亮（黑色的部分越來越少）。
為什么我們使用HSV？
因?yàn)橄鄬?duì)于RGB來說，HSV的參數(shù)更多，我們可以使用HSV來判斷色相，飽和度，亮度等等信息。使圖片描繪更加準(zhǔn)確。
HSL相關(guān)知識(shí)
Hue：色相，即顏色，如紅色，藍(lán)色
Saturation：飽和度，顏色的純度（越大越純）
ligthness：明度（越明一點(diǎn)就代表黑色的部分少一點(diǎn)）
?
左邊的使HSL，我們可以發(fā)現(xiàn)Hue和Saturation都是相同的，并且高都是亮度，但是HSL從下到上出現(xiàn)最上面的顏色都是白色的現(xiàn)象，這個(gè)就是HSL。
相較于我們目前使用的HSV更加重要一點(diǎn)。
YUV
主要用于視頻中。
（1）YUV4:2:0
（2）YUV4:2:2
（3）YUV4:4:4
Y代表灰色的圖像，UV代表的是顏色 。YUV4:4:4其實(shí)就和RGB是一樣的，RGB是8：8：8
?
YUV4:2:0就是四個(gè)像素中有4個(gè)Y但是后面的2可能是U可能是V
色彩空間轉(zhuǎn)換實(shí)戰(zhàn)代碼
import cv2
def callback1(i):
pass
cv2.namedWindow('color', cv2.WINDOW_AUTOSIZE)
img = cv2.imread('E:\\pycharm\\PycharmFile\\opencv\\MM\\preview.jpg')
colorspaces = [cv2.COLOR_BGR2RGBA, cv2.COLOR_BGR2BGRA,
cv2.COLOR_BGR2GRAY, cv2.COLOR_BGR2HSV,
cv2.COLOR_BGR2YUV]
cv2.createTrackbar('curcolor', 'color', 0, 4, callback1)
while True:
index = cv2.getTrackbarPos('curcolor', 'color')
# print("11111")
# 色彩轉(zhuǎn)化api
cvt_img = cv2.cvtColor(img, colorspaces[index])
cv2.imshow('color', cvt_img)
key = cv2.waitKey(10)
if (key & 0xFF == ord('q')):
break
cv2.destroyAllWindows()
結(jié)果顯示如下：?
?
通過拖動(dòng)TrackBar改變顏色顯示，例如index為0的時(shí)候? cv2.COLOR_BGR2RGBA就是將原來的BGR圖片轉(zhuǎn)化為RGB。?其他情況和這種類似。
Numpy庫
圖像的加減乘除都與這個(gè)函數(shù)密切相關(guān)
Numpy庫的相關(guān)知識(shí)?
（1）Opencv中使用到的矩陣都需要轉(zhuǎn)化為Numpy數(shù)組
（2）Numpy是一個(gè)高度優(yōu)化的Python數(shù)值庫
Numpy基本操作
（1）創(chuàng)建矩陣：大家都知道圖形的處理其實(shí)就是矩陣的處理。說的簡單點(diǎn)，就一個(gè)寬多少高多少的一個(gè)矩陣，每個(gè)矩陣值就是一個(gè)像素點(diǎn)，那你只要改變其中的值，它這個(gè)顏色就發(fā)生變化。在它周圍做一些處理的話，就會(huì)形成一個(gè)形狀，如果把矩陣中的所有的位置都經(jīng)過特殊處理的話，那它就成了一幅圖片。如果把這些圖片再連在一起播放的話，它就成了視頻，這個(gè)就是一個(gè)基本的原理。
（2）檢索與賦值：我們要能夠知道如何獲取矩陣中某個(gè)元素的值。并且改變這個(gè)元素的值。
（3）獲取子數(shù)組：要獲取大的矩陣中的某一小塊兒矩陣，或者是給這一小塊矩陣賦值。
創(chuàng)建矩陣API：創(chuàng)建數(shù)組array（），創(chuàng)建全0或者全1的數(shù)組 zeros（）/ones（），創(chuàng)建一個(gè)全值的數(shù)組 full（）矩陣中所有的值都是指定的值，創(chuàng)建單位矩陣identity/eye（）
檢索矩陣API：[y,x] 下標(biāo)是y和x，索引值是從0開始的。[y,x,channel]?channel通道數(shù)，也可以認(rèn)為是層數(shù)。
獲取子矩陣API：[y1:y2,x1:x2] y1到y(tǒng)2范圍和x1到x2范圍。[:,:] 對(duì)整個(gè)矩陣進(jìn)行操作
Numpy實(shí)戰(zhàn)代碼
創(chuàng)建矩陣
array：a=array（[2，3，4]）這樣得到的就是一個(gè)一維的數(shù)組?
? ? ? ? ? ? b=array（[[2，3，4]，[1，2，3]]）這樣得到了一個(gè)2x3的矩陣
import numpy as np
import cv2
# 通過array建立矩陣
a = np.array([1, 2, 3])
b = np.array([[1, 2, 3], [1, 2, 3]])
print(a)
print(b)打印出的結(jié)果：
c=np.zeros((480,640,3),np.uint8) 打印出的是640x480
(480,640,3)（行的個(gè)數(shù)，列的個(gè)數(shù)，通道數(shù)/層數(shù)）
np.uint8 矩陣中的數(shù)據(jù)類型
# 定義zeros矩陣
c = np.zeros((8, 8, 3), np.uint8) # （（行的個(gè)數(shù)（高），列的個(gè)數(shù)（寬），層數(shù)），np.uint8代表的是八位元素，最大值為255）
print(c)d=np.ones((480,640,3),np.uint8) 打印出的是640x480
(480,640,3)（行的個(gè)數(shù)，列的個(gè)數(shù)，通道數(shù)/層數(shù)）
np.uint8 矩陣中的數(shù)據(jù)類型
# 定義ones矩陣
d = np.ones((8, 8), np.uint8)
print(d)e=np.full((480,640,3),255，np.uint8)? 其中255就是我們向矩陣中添加的值
(480,640,3)（行的個(gè)數(shù)，列的個(gè)數(shù)，通道數(shù)/層數(shù)）
np.uint8 矩陣中的數(shù)據(jù)類型
# 定義full矩陣
e = np.full((8, 8), 255, np.uint8)
print(e)?f=np.identity(3)
斜對(duì)角都是1，其余都是0 。括號(hào)中的3代表3x3的矩陣。
# 定義單位矩陣indentity
f = np.identity(4) # 4x4的單位矩陣
print(f)打印出的結(jié)果：
?
g=?np.eye(（3，5），k=3) 與單位矩陣類似，但是可以說是長方形的
# 定義eye
g = np.eye(4) # 退化成identity矩陣了 4x4
h = np.eye(4, 5, k=2) # 4x5 第一個(gè)1是從第3列開始往下斜
print(g)
print(h)打印出的結(jié)果 ：
檢索矩陣?
在創(chuàng)建的矩陣中檢索出某個(gè)值
img = np.zeros((480, 640, 3), np.uint8) # 在(480，480)時(shí)，打印的就是一個(gè)0 （480，480，3），打印是三個(gè)0
# 從矩陣中讀某個(gè)元素的值
print(img[100, 100])也可以對(duì)這個(gè)檢索到的值進(jìn)行修改，如果修改的是一個(gè)范圍上的值，就可以清晰看出圖像出現(xiàn)變化，由于我們創(chuàng)建的是一個(gè)480x640的全0的圖，為黑色。對(duì)部分范圍值進(jìn)行修改，圖片出現(xiàn)變化。
count = 0
# 向矩陣中某個(gè)元素賦值
while count < 300:
# BGR
img[count, 100, 0] = 255 # 如果三次情況下[count,100]就是三層都變 [count,100，0]第一層變 按照bgr色彩變化
# img[count,100]=[255,0,0] #和上面賦值結(jié)果相同
count = count + 1?運(yùn)行結(jié)果就是在黑色背景下，第一層顏色變化，第一層是藍(lán)色，所以出現(xiàn)下面的圖像。
獲取子矩陣?
roi = img[100:400, 100:600]
roi[:, :] = [0, 0, 255] # [:,:] 代表全部變化
# roi[:]=[0,0,255] 和上面的一樣 代表全部
roi[10:200, 10:300] = [0, 255, 0]
roi[200:280, 300:480] = [255, 0, 0]
cv2.imshow('roi', roi)
?首先我們?cè)谠瓉淼膱D片中取[100:400, 100:600]這個(gè)范圍變成我們的子矩陣，接著對(duì)子矩陣進(jìn)行全面的賦值，變成紅色，隨后在子矩陣中選擇兩個(gè)區(qū)域變換顏色，結(jié)果如下圖。
最重要的結(jié)構(gòu)體Mat
Mat的相關(guān)知識(shí)
Mat是什么？
從應(yīng)用的角度，實(shí)際上Mat就是一個(gè)矩陣。矩陣可能含有多個(gè)通道，如果是一個(gè)通道的話，它就是灰色的，只有黑白兩種顏色，就是一個(gè)二維矩陣。如果是全真色的，它就是一個(gè)三個(gè)通道的，矩陣包括了這個(gè)bgr 3種顏色，通過這種三種顏色可以組合中任何的顏色。
Mat有什么好處？
可以通過Numpy直接通過矩陣的形式對(duì)他進(jìn)行訪問。操作方便。
Mat的組成
?Mat由header和data組成，data中包含的就是存放圖像的具體數(shù)值。
header包括一些屬性，屬性包括：維數(shù)，行列數(shù)，存儲(chǔ)數(shù)據(jù)的指針，引用數(shù)據(jù)（也就是說。每一次就同一張圖片，通過不同的變量去引用它的時(shí)候呢，實(shí)際它修改的都是同一塊數(shù)據(jù)。）?
Mat的拷貝
從圖中了解，我們對(duì)MatA進(jìn)行拷貝為MatB，此時(shí)我們的數(shù)據(jù)其實(shí)沒有進(jìn)行拷貝的，只是將header部分進(jìn)行拷貝，當(dāng)我想調(diào)用data中的數(shù)據(jù)時(shí)，可以使用MatB的header指向data得到想要的數(shù)據(jù)，此種拷貝方式為淺拷貝（默認(rèn)拷貝就是淺拷貝）
淺拷貝
Mat A
A=imread（file，IMREAD_COLOR)
Mat B（A）
這樣就完成了對(duì)A的淺拷貝
深拷貝
cv::Mat:;clone()
cv::Mat::copyTo()
這樣就完成了對(duì)A的深拷貝
在python中的方法就是 copy（）
Mat拷貝實(shí)戰(zhàn)代碼
import cv2
import numpy as np
img = cv2.imread('E:\\pycharm\\PycharmFile\\opencv\\MM\\preview.jpg')
# 淺拷貝
img2 = img
# 深拷貝
img3 = img.copy()
# 對(duì)圖像進(jìn)行修改
img[0:100, 0:100] = [0, 0, 255]
cv2.imshow('img', img)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)
cv2.waitKey()
我們寫完代碼后思考，img我時(shí)拿到了一個(gè)圖片，通過img對(duì)img2進(jìn)行淺拷貝，那我如果對(duì)img圖片進(jìn)行修改的話，img2也會(huì)一起發(fā)生改變。而img3是深拷貝，應(yīng)該不會(huì)發(fā)生變化。接下來觀察結(jié)果。?
?
我們可以發(fā)現(xiàn)，如我們想的那樣，img2和img發(fā)生了同樣的變化，而img3沒有發(fā)生變化。
訪問圖像（Mat）的屬性實(shí)戰(zhàn)代碼
訪問圖像的屬性在python直接使用shape就可以得到結(jié)果了。shape屬性中包括了高度，寬度，通道數(shù)三個(gè)屬性，size屬性可以知道圖像占用的空間大小，dtype屬性可以知道每個(gè)元素的位深。
import cv2
import numpy as np
img = cv2.imread('E:\\pycharm\\PycharmFile\\opencv\\MM\\preview.jpg')
# shape 屬性中包括了 高度 寬度 通道數(shù) 三個(gè)屬性
# 高度 寬度 通道數(shù)
print(img.shape)
# 圖像占用多大空間
# 高度*寬度*通道數(shù)
print(img.size)
# 圖像中每個(gè)元素的位深
print(img.dtype) # uint8
圖像通道分離與合并
圖像通道分離與合并API
分離：spit（mat）
?合并：merge（（ch1，ch2，……））
圖像通道分離與合并實(shí)戰(zhàn)代碼
import cv2
import numpy as np
img = np.zeros((480, 460, 3), np.uint8)
b, g, r = cv2.split(img)
b[10:100, 10:100] = 255
g[60:150, 60:150] = 255
img2 = cv2.merge((b, g, r))
cv2.imshow('img', img)
cv2.imshow('b', b)
cv2.imshow('g', g)
cv2.imshow('img2', img2)
cv2.waitKey(0)
從代碼中可以思考，自己先創(chuàng)建了一個(gè)黑色的480x460的圖片，通過split對(duì)其進(jìn)行分離成3個(gè)圖，分別對(duì)其中兩個(gè)圖的部分進(jìn)行修改，變化的部分變成了白色。最后又將三張圖合并在一起，分別變化的部分依舊保留。結(jié)果如下顯示。?
文章來源：http://www.zghlxwxcb.cn/news/detail-775906.html
我們發(fā)現(xiàn)，合并完后原先變化的部分是白色255，但是現(xiàn)在變成了藍(lán)色和綠色，并且相交的部分顏色變成青色，這個(gè)是因?yàn)楸旧砦覀冊(cè)O(shè)置圖片是三層的BGR，分別開處理時(shí)每一層就是一個(gè)單通道的0-255，但是合在一起又恢復(fù)成三通道了，顏色也就顯現(xiàn)出來了。文章來源地址http://www.zghlxwxcb.cn/news/detail-775906.html
到了這里，關(guān)于opencv必會(huì)基礎(chǔ)知識(shí)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
