目录
 
1、导入库文件
 
2、设计GUI
 
3、调用摄像头
 
4、实时图像处理
 
4.1、阈值二值化
 

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~
 
本篇文章作为第一篇，将讲解图像处理基础知识和OpenCV入门函数，知识点如下：
 

 
1.图像基础知识
 
2.OpenCV读写图像
 
3.OpenCV像素处理
 
PS: 文章也学习了网易云高登教育的知识，推荐大家学习。
 
该系列在github所有源代码：
 

 
https://github.com/eastmountyxz/ImageProcessing-Python
 
PS：请求帮忙点个Star，哈哈，第一次使用Github，以后会分享更多代码，一起加油。
 
同时推荐作者的C++图像系列知识：
 

 
[数字图像处理] 一.MFC详解显示BMP格式图片
 
[数字图像处理] 二.MFC单文档分割窗口显示图片
 

说到图像处理，第一步就是图像读取。Matlab最简单的就是imread函数，本节介绍imread的用法以及容易出错的地方
 
 正如上图所示，在Matlab文档中，imread包括以上几种用法，但并不要求都要掌握，个人觉得会用一两种，其他了解语法即可。
 我们来介绍下最最常用的语句A = imread(filename)
 我们来读取一张图片
 
>> a = imread('凝视.jpg');
>> imtool(a)
 

 如图所示，首先注意的是语法正确A = imread(‘凝视.jpg’);
 一.正确示范。
 他的意思是在当前路径里把文件名为“凝视.jpg”的图片数据读取到A中保存，那我们可以看到在图片最右边Workspace区域放着一些数据，这就是A的数据，我们看到这张图片是3405933大小，意思是340行，593列，3通道（RGB）的图片，右边的UINT8表示8位无符号的整型类型。（后面的imtool语句用于显示图片，这个将在后续细谈）
 补充一点小知识：
 想要清空Command Window,输入命令clc
 想要清空Workspace,输入命令clear
 想要关闭所有打开的窗口，输入命令close all
 想要观看图像信息，用whos
 
二.踩坑
 好了，既然我们知道正确的写法，那我们来试试有什么坑。（敢于试错是干这行的一个优秀品质）
 1.为什么要分号？
 因为matlab是按行编译，一行一行编译，不写分好，就会直接出来编译结果，给你们看个例子就明白。
 
 上面创建一个a和b矩阵，a矩阵不用分号结尾，窗口直接显示内容，而b矩阵用了分号，并不显示内容，但是可以看到编译后，在workspace已经创建两个数组矩阵，我们也可以看到，点击变量名可以看到最上面有具体的数据。同理，如果我们读取图片a = imread(‘凝望.jpg’)不写分号，那么窗口就会出现一大波数据，刷刷刷地跳出来，那酸爽，那些数据就是保存在数组里面的像素了。
 小知识：
 如果你不写变量名，比如>>imread(‘凝望.jpg’);它很默认地给你个名字叫：ans
 当你想重新写一句语句和上面相同或相似的话，可以按键盘的上箭头按钮
 
 这个快捷方式可以帮助你快速地修改语句，好用。
 
2.英文半角符号
 这个学过编程的都应该知道吧，别整个中文“。”，也千万别用英文的全角符号“．”,至于为什么，我不知道。Matlab会出现：File “凝视．jpg” does not exist.
 
3.路径
 这个是常会犯的，你记得你有那图片，也记得图片名称，但是你没有把他放在当前的路径里你叫人家怎么找，Matlab还没有那么强大到可以全搜索你电脑里面的图片文件。同样编译会出现 ： does not exist。但是还有补救的方法，你可以给它指明可以去哪里找，例如:
 
 我把图片‘凝视.jpg’放在D盘的build文件下面，结果不断地出错出错如图所示，乍一看，才发现把凝视写成凝望了，再一看，把build写成bulid，哈哈，我也只是个初学者，稍粗心就犯错，借此也说明写代码确实得聚精会神啊，这点BUG还容易改，但是如果你做的是大项目，写成百上千行代码，因为拼写错误而花了几个小时那实在是亏大了。
 
好了，本次文件读写就写到这里，有什么疑问可以评论大家一起讨论学习，也许我们会有思想的火花。可能说的都是很琐碎很简单的东西，只要能给你一点点收获，这篇博客就有价值了。下节继续介绍其他函数。感谢观看
 
欢迎关注我的公众号【CV之道】，一起学习交流~~

 用Python做图像处理
 

        最近在做一件比较 evil 的事情——验证码识别，以此来学习一些新的技能。因为我是初学，对图像处理方面就不太了解了，欲要利吾事，必先利吾器，既然只是做一下实验，那用 Python 来作原型开发再好不过了。在 Python 中，比较常用的图像处理库是 PIL(Python Image Library)，当前版本是 1.1.6 ，用起来非常方便。大家可以在 
 http://www.pythonware.com/products/pil/index.htm 下载和学习。
 

        在这里，我主要是介绍一下做图像识别时可能会用到的一些 PIL 提供的功能，比如图像增强、还有滤波之类的。最后给出使用 Python 做图像处理与识别的优势与劣势。
 

 基本图像处理
 

        使用 PIL 之前需要 import Image 模块：
 

 import Image
 

        然后你就可以使用Image.open(‘xx.bmp’) 来打开一个位图文件进行处理了。打开文件你不用担心格式，也不用了解格式，无论什么格式，都只要把文件名丢给 Image.open 就可以了。真所谓 bmp、jpg、png、gif……，一个都不能少。
 

 img = Image.open(‘origin.png’)    # 得到一个图像的实例对象 img
 

 
 

 图 1原图
 

        图像处理中，最基本的就是色彩空间的转换。一般而言，我们的图像都是 RGB 色彩空间的，但在图像识别当中，我们可能需要转换图像到灰度图、二值图等不同的色彩空间。　PIL 在这方面也提供了极完备的支持，我们可以：
 

 new_img = img.convert(‘L’)
 

 把 img 转换为 256 级灰度图像， convert() 是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式，mode 的取值可以是如下几种：
 

 · 1 (1-bit pixels, black and white, stored with one pixel per byte)
 

 · L (8-bit pixels, black and white)
 

 · P (8-bit pixels, mapped to any other mode using a colour palette)
 

 · RGB (3x8-bit pixels, true colour)
 

 · RGBA (4x8-bit pixels, true colour with transparency mask)
 

 · CMYK (4x8-bit pixels, colour separation)
 

 · YCbCr (3x8-bit pixels, colour video format)
 

 · I (32-bit signed integer pixels)
 

 · F (32-bit floating point pixels)
 

 怎么样，够丰富吧？其实如此之处，PIL 还有限制地支持以下几种比较少见的色彩模式：LA (L with alpha), RGBX (true colour with padding) and RGBa (true colour with premultiplied alpha)。
 

 下面看一下 mode 为 ‘1’、’L’、’P’时转换出来的图像：
 

 
 

 图 2 mode = '1'
 

 
 

 图 3 mode = 'L'
 

 
 

 图 4 mode = 'P'
 

 convert() 函数也接受另一个隐含参数 matrix，转换矩阵 matrix 是一个长度为4 或者16 tuple。下例是一个转换 RGB 空间到 CIE XYZ 空间的例子：
 

     rgb2xyz = (
 

         0.412453, 0.357580, 0.180423, 0,
 

         0.212671, 0.715160, 0.072169, 0,
 

         0.019334, 0.119193, 0.950227, 0 )
 

     out = im.convert("RGB", rgb2xyz)
 

        除了完备的色彩空间转换能力外， PIL 还提供了resize()、rotate()等函数以获得改变大小，旋转图片等几何变换能力，在图像识别方面，图像实例提供了一个 histogram() 方法来计算直方图，非常方便实用。
 

 图像增强
 

        图像增强通常用以图像识别之前的预处理，适当的图像增强能够使得识别过程达到事半功倍的效果。 PIL 在这方面提供了一个名为 ImageEnhance 的模块，提供了几种常见的图像增强方案：
 

 import ImageEnhance
 

 enhancer = ImageEnhance.Sharpness(image)
 

 for i in range(8):
 

     factor = i / 4.0
 

     enhancer.enhance(factor).show("Sharpness %f" % factor)
 

 上面的代码即是一个典型的使用 ImageEnhance 模块的例子。 Sharpness 是 ImageEnhance 模块的一个类，用以锐化图片。这一模块主要包含如下几个类：Color、Brightness、Contrast和Sharpness。它们都有一个共同的接口 .enhance(factor) ，接受一个浮点参数 factor，标示增强的比例。下面看看这四个类在不同的 factor 下的效果
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 

 图 5 使用Color 进行色彩增强，factor 取值 [0, 4]，步进 0.5
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 

 图 6 用 Birghtness 增强亮度，factor取值[0,4]，步进0.5
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 

 图 7用 Contrast 增强对比度， factor 取值 [0,4]，步进0.5
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 

 图 8用 Sharpness 锐化图像，factor取值 [0,4]，步进0.5
 

 图像 Filter
 

        PIL 在 Filter 方面的支持是非常完备的，除常见的模糊、浮雕、轮廓、边缘增强和平滑，还有中值滤波、ModeFilter等，简直方便到可以做自己做一个Photoshop。这些 Filter 都放置在 ImageFilter 模块中，ImageFilter主要包括两部分内容，一是内置的 Filter，如 BLUR、DETAIL等，另一部分是 Filter 函数，可以指定不同的参数获得不同的效果。示例如下：
 

 import ImageFilter
 

 im1 = im.filter(ImageFilter.BLUR)
 

 im2 = im.filter(ImageFilter.MinFilter(3))
 

 im3 = im.filter(ImageFilter.MinFilter()) # same as MinFilter(3)
 

 可以看到 ImageFilter 模块的使用非常简单，每一个 Filter 都只需要一行代码就可调用，开发效率非常高。
 

  
 

 
 

 图 9使用 BLUR
 

 
 

 图 10使用 CONTOUR
 

 
 

 图 11使用 DETAIL
 

 
 

 图 12使用 EMBOSS
 

 
 

 图 13使用 EDGE_ENHANCE
 

 
 

 图 14使用 EDGE_ENHANCE_MORE
 

 
 

 图 15使用 FIND_EDGES
 

 
 

 图 16使用 SHARPEN
 

 
 

 图 17使用 SMOOTH
 

 
 

 图 18使用 SMOOTH_MORE
 

        以上是几种内置的 Filter 的效果图，除此之外， ImageFilter 还提供了一些 Filter 函数，下面我们来看看这些可以通过参数改变行为的 Filter 的效果：
 

 
 

 图 19使用 Kernel()，参数：size = (3, 3), kernel = (0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5)
 

 
 

 图 20使用 MaxFilter，默认参数
 

 
 

 图 21使用 MinFilter，默认参数
 

 
 

 图 22使用 MedianFilter，默认参数
 

 
 

 图 23使用 ModeFilter，参数 size = 3
 

 
 

 图 24使用 RankFilter，参数 size = 3, rank = 3
 

 小结
 

        到此，对 PIL 的介绍就告一段落了。总的来说，对于图像处理和识别，PIL 内建了强大的支持，从各种增强算法到 Filter ，都让人无法怀疑使用 Python 的可行性。 Python唯一的劣势在于执行时间过慢，特别是当实现一些计算量大的算法时候，需要极强的耐心。我曾用 Hough Transform（霍夫变换）来查找图像中的直线，纯 Python 的实现处理一个 340 * 100 的图片也要花去数秒时间（P4 3.0G + 1G memory）。但使用 PIL 无需关注图像格式、内建的图像增强算法和 Filter 算法，这些优点使 Python 适合用于构造原型和进行实验，在这两方面Python 比 matlab 更加方便。商业的图像识别产品开发，可以考虑已经被 boost accepted的来自 adobe 的开源 C++ 库 gil，可以兼顾执行性能和开发效率。