OpenCV 处理图像的通用流程通常包括以下几个步骤，根据具体需求可以调整或跳过某些步骤。以下是一个通用的框架：
- 读取图像
加载图像文件到内存中以进行后续处理。
import cv2
读取图像
image = cv2.imread(‘image.jpg’) # 彩色图像
gray_image = cv2.imread(‘image.jpg’, cv2.IMREAD_GRAYSCALE) # 灰度图像
- 显示图像
在处理过程中，经常需要可视化结果以检查每个步骤的效果。
cv2.imshow(‘Image’, image)
cv2.waitKey(0) # 等待键盘输入
cv2.destroyAllWindows()
- 预处理
对图像进行基本的处理，准备输入给算法。
a. 调整大小
resized_image = cv2.resize(image, (width, height))
b. 图像裁剪
cropped_image = image[y1:y2, x1:x2]
c. 图像旋转
(h, w) = image.shape[:2]
center = (w // 2, h // 2)
matrix = cv2.getRotationMatrix2D(center, angle, scale)
rotated_image = cv2.warpAffine(image, matrix, (w, h))
d. 颜色空间转换
• 转为灰度图像：
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
• 转为 HSV 色彩空间：
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
e. 滤波
• 高斯模糊：
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
• 中值滤波：
median_blurred = cv2.medianBlur(image, 5)
- 图像增强
增强图像的特征以便更好地分析。
a. 直方图均衡化
适用于灰度图像的对比度增强。
equalized_image = cv2.equalizeHist(gray_image)
b. 图像阈值
将图像转换为二值图像。
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
- 特征提取
从图像中提取有用的信息或特征。
a. 边缘检测
使用 Canny 算子提取边缘。
edges = cv2.Canny(image, 100, 200)
b. 轮廓检测
查找图像中的轮廓。
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
c. 关键点检测
使用 SIFT 或 ORB 检测关键点。
orb = cv2.ORB_create()
keypoints = orb.detect(image, None)
- 图像分割
将图像分成多个感兴趣区域。
a. K-Means 分割
Z = image.reshape((-1, 3))
Z = np.float32(Z)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
_, labels, centers = cv2.kmeans(Z, K=2, bestLabels=None, criteria=criteria, attempts=10, flags=cv2.KMEANS_RANDOM_CENTERS)
segmented_image = centers[labels.flatten()].reshape((image.shape))
b. GrabCut
mask = np.zeros(image.shape[:2], np.uint8)
bg_model = np.zeros((1, 65), np.float64)
fg_model = np.zeros((1, 65), np.float64)
rect = (50, 50, 450, 290) # 初始矩形
cv2.grabCut(image, mask, rect, bg_model, fg_model, 5, cv2.GC_INIT_WITH_RECT)
result = np.where((mask == 2) | (mask == 0), 0, 1).astype(‘uint8’)
segmented_image = image * result[:, :, np.newaxis]
- 图像分析
根据需求进行进一步分析，如对象检测、特征匹配等。
a. 模板匹配
result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
b. 对象检测
使用预训练的模型（如 YOLO 或 Haar Cascade）。
face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5)
- 保存结果
将处理后的图像保存到文件。
cv2.imwrite(‘output.jpg’, processed_image)
完整处理流程示例
以下是一个综合处理的示例：
import cv2
import numpy as np
读取图像
image = cv2.imread(‘image.jpg’)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
边缘检测
edges = cv2.Canny(gray_image, 100, 200)
找到轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)
显示结果
cv2.imshow(‘Contours’, image)
cv2.waitKey(0)
cv2.destroyAllWindows()
总结
• 基础处理：读取、显示、裁剪、调整大小等。
• 预处理：灰度化、模糊、颜色空间转换。
• 特征提取与分析：边缘检测、轮廓检测、对象检测。
• 结果保存与展示：保存图像、生成可视化结果。
根据任务需求，选择不同的步骤和算法即可构建高效的图像处理管道。