1.图片来源

该图片来源于百度图片，如果侵权，请联系我删除！图片仅用于知识交流。本文只是为了告诉大家：python其实有很多黑科技(牛逼的库)，我们既可以用python处理工作中的一些事儿，同时我们也可以利用python做一些有趣的事儿。

2.读取图片并显示

  • imread()：读取图片；
  • imshow()：展示图片；
  • waitkey()：设置窗口等待，如果不设置，窗口会一闪而过；
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 显示图像
cv2.imshow(
'img'
,img)


# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

效果如下：

3.图片缩放

  • resize()：图片缩放，其中fx和fy表示缩放比例，0.5表示缩放为以前的 一半。
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 图像缩放
img = cv2.resize(img,
None
,fx=
0.5
,fy=
0.5
)

rows,cols,channels = img.shape

print(rows,cols,channels)


# 显示图像
cv2.imshow(
'img'
,img)


# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

结果如下：

4.将图片转换为灰度图像

三色图片有RGB三个颜色通道，无法进行腐蚀和膨胀的操作。这个就需要我们将彩色图片转换为hsv灰度图像后，再完成腐蚀和膨胀的操作。
  • cv2.cvtColor(img,cv2.COLOR_BGR2HSV)可以将彩色图片转化为hsv灰度图片。
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 图像缩放
img = cv2.resize(img,
None
,fx=
0.5
,fy=
0.5
)

rows,cols,channels = img.shape

print(rows,cols,channels)

cv2.imshow(
'img'
,img)


# 图片转换为二值化图
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)


# 显示图像
cv2.imshow(
'hsv'
,hsv)


# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

结果如下：

5.将图片进行二值化处理

二值化处理是为了将图片转换为黑白图片。二值化类似于1表示男、2表示女，对于图像的处理我们也需要自定义一个最小值和最大值，这里分别用lower_blue和upper_blue表示
  • lower_blue = np.array([90,70,70])
  • upper_blue = np.array([110,255,255])
  • inRange(hsv, lower_blue, upper_blue)将图片进行二值化操作。
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 图像缩放
img = cv2.resize(img,
None
,fx=
0.5
,fy=
0.5
)

rows,cols,channels = img.shape

print(rows,cols,channels)

cv2.imshow(
'img'
,img)


# 图片转换为灰度图
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow(
'hsv'
,hsv)


# 图片的二值化处理
lower_blue = np.array([
90
,
70
,
70
])

upper_blue = np.array([
110
,
255
,
255
])

mask = cv2.inRange(hsv, lower_blue, upper_blue)



# 显示图像
cv2.imshow(
'mask'
,mask)


# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

结果如下：
缺点：我们观察第三章图片，发现黑色区域有时候会出现一些噪声(白点)，这里可能显示的不是很明显，有的图片显示的很明显，这就需要我们进行腐蚀或膨胀。

6.图象的腐蚀和膨胀

上面的图象进行二值化后，出现了一些噪声，我们可以采用腐蚀或膨胀进行图片的处理，观察哪种的处理效果好一些。
  • erode(mask,None,iterations=1)进行腐蚀操作。
  • dilate(erode,None,iterations=1)进行膨胀操作。
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 图像缩放
img = cv2.resize(img,
None
,fx=
0.5
,fy=
0.5
)

rows,cols,channels = img.shape

print(rows,cols,channels)

cv2.imshow(
'img'
,img)


# 图片转换为灰度图
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow(
'hsv'
,hsv)


# 图片的二值化处理
lower_blue=np.array([
90
,
70
,
70
])

upper_blue=np.array([
110
,
255
,
255
])

mask = cv2.inRange(hsv, lower_blue, upper_blue)



#腐蚀膨胀
erode=cv2.erode(mask,
None
,iterations=
1
)

cv2.imshow(
'erode'
,erode)


dilate=cv2.dilate(erode,
None
,iterations=
1
)

cv2.imshow(
'dilate'
,dilate)



# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

结果如下：
观察上图：对于这个图片，无论是腐蚀或膨胀，都起到了很好的去图片噪声的操作，我们使用腐蚀后的图片也可以，我们使用膨胀后的图片也可以。

7.遍历每个像素点进行颜色替换

图片是由每一个像素点组成的，我们就是要找到腐蚀后得到图片的，白色底色处的像素点，然后将原图中对应位置处的像素点，替换为红色。
import
 cv2

import
 numpy 
as
 np

# 读取照片
img=cv2.imread(
'girl.jpg'
)


# 图像缩放
img = cv2.resize(img,
None
,fx=
0.5
,fy=
0.5
)

rows,cols,channels = img.shape

print(rows,cols,channels)

cv2.imshow(
'img'
,img)


# 图片转换为灰度图
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow(
'hsv'
,hsv)


# 图片的二值化处理
lower_blue=np.array([
90
,
70
,
70
])

upper_blue=np.array([
110
,
255
,
255
])

mask = cv2.inRange(hsv, lower_blue, upper_blue)



#腐蚀膨胀
erode=cv2.erode(mask,
None
,iterations=
1
)

cv2.imshow(
'erode'
,erode)


dilate=cv2.dilate(erode,
None
,iterations=
1
)

cv2.imshow(
'dilate'
,dilate)


#遍历每个像素点，进行颜色的替换
for
 i 
in
 range(rows):

for
 j 
in
 range(cols):

if
 erode[i,j]==
255
: 
# 像素点为255表示的是白色，我们就是要将白色处的像素点，替换为红色
      img[i,j]=(
0
,
0
,
255
) 
# 此处替换颜色，为BGR通道，不是RGB通道
cv2.imshow(
'res'
,img)


# 窗口等待的命令，0表示无限等待
cv2.waitKey(
0
)

效果如下：
关注微信公众号『数据分析与统计学之美』，后台回复"入群" 带你入群哦，气氛杠杠的！
继续阅读
阅读原文