随着最近在IT行业的崛起，计算机视觉（CV）已成为人工智能（AI）最有前途的领域之一。因此，图像处理是简历的基础。在本系列文章中，我们将介绍它的基础知识。当您遵循此在线教程时，您将在 Python 编程语言中的 OpenCV 库的帮助下学习图像处理的一些核心概念。
在本文中，我们将介绍
- 安装和设置
- 图像表示（图像的数学表示）
- 使用 OpenCV 加载图像
- 图像作为数组
- 图像索引
1. 安装和设置
对于本文，您将需要以下库：NumPy 和 OpenCV。Pip 是在 Python 中安装外部库的最简单方法。通过以下步骤进行安装：
1.1 OpenCV的安装
要在Windows中安装OpenCV和NumPy，请使用以下命令：
pip install numpy
pip install opencv-python要在 Linux 中执行相同的操作，请在终端中使用以下命令：
$pip3 install opencv-python
$pip3 install numpy1.2 设置
要导入OpenCV和Numpy，请在Python文件中添加以下行：
import numpy as np
import cv22. 图像表示（图像的数学表示）
二十一世纪是数字化的世纪。电信信号、音频信号、电信号等数字信号正在接管。图片也不例外。将图像转换为数字形式使图像处理变得更加容易。让我们深入了解图像如何在计算机内存中以数字形式表示。
2.1 图像作为矩阵
图像表示为二维矩阵。矩阵的每个元素代表一个像素，每个像素值确定颜色的强度。像素位置由其在相应行和列中的位置决定。
图像表示的方式有很多种，其中最流行的两种是：灰度和RGB。灰度图片就是我们所知道的黑白图片，RGB是多色图像。稍后我们将深入介绍这些概念。
3. 使用 OpenCV 加载图像
在本节中，我们将加载，显示和保存图像。本文中使用的所有图像都可以在这里找到。
3.1 加载图像
加载图像是使用OpenCV的imread功能的一项非常简单的任务。Imread 需要两个参数。第一个是我们要加载的图片的路径，第二个指定我们想要的图片类型（灰度、颜色或不变）。
当我们要加载彩色图片时，第二个参数是 1：
img_color = cv2.imread('/content/lena_color.png', 1) #1 == cv2.IMREAD_COLOR you can pass both parameters当我们要加载灰度图片时，第二个参数为 0：
img_gray = cv2.imread('/content/lena_color.png', 0) #0 == cv2.IMREAD_GRAYSCALE you can pass both parameters3.2 显示图像
显示图像可以在OpenCV的imshow功能的帮助下完成。Imshow也采用两个参数。一个字符串，表示要在其中显示图像的窗口的名称以及存储图像的变量的名称。
显示彩色图片：
#Showing color image
cv2.imshow('Colored picture', img_color)显示灰度图片：
#Showing gray image
cv2.imshow('Gray picture', img_gray)3.3 保存图像
执行某些操作后，我们要保存更改的图像。幸运的是，还有一个功能。函数的名称是imwrite，它还需要两个参数。第一个是新图像文件的名称，第二个是存储我们要保存的图像的变量的名称。
#Saving a colored image
cv2.imwrite('img_color.png', img_color)
#Saving a gray image
cv2.imwrite('img_gray.png', img_gray)4. 图像作为数组
正如我们已经提到的，图像表示为矩阵，矩阵是二维数据结构，其中数字排列成行和列。
例如：
此矩阵有 3 行和 4 列。
在python中，我们没有内置矩阵，但我们将它们编写为数组数组。数组数表示行数，数组元素数（数组长度）表示列数。
对于这个具体的例子，我们将其写为：
#Defining a list of lists
A = [[2,-5,-11,0],
[-9,4,6,13],
[4,7,12,-2]]我们还可以使用 numpy 库来创建新的矩阵。
import numpy as np
A = np.array([[2,-5,-11,0],
[-9,4,6,13],
[4,7,12,-2]])OpenCV 中的图像存储为 numpy 数组，区别在于用于存储图片的矩阵比这个大得多。
到目前为止，我们已经看到我们可以同时显示灰度和彩色图像。那么在存储方面，它们之间有什么区别呢？
4.1 灰度图像
灰度图像由一个通道组成，或者更准确地说是一个矩阵，其中每个像素值代表像素的强度。像素值范围为 0-255，采用 uint8 或 8 位表示形式（每个像素由 0 位表示）。越接近 0 是较深的阴影，其中 255 是黑色，自然接近 255 的值更亮，值 <> 是白色。
介于 0 和 255 之间的值表示灰色阴影。我们之前加载的图像，当存储在 矩阵 中时，看起来像这样：
img_gray = cv2.imread('/content/lena_color.png', 0)
#attribute shape returns number of rows and columns in matrix
print(img_gray.shape) # => (512, 512) 我们可以看到，之前展示的莉娜的灰色图片，其实是一个512×512矩阵。
4.2 RGB图像
RGB 代表 红-绿-蓝。我们称它们为原色，原因是我们只能看到这三种颜色。我们看到的所有其他颜色都只是这三种颜色的组合。彩色图像利用人眼的特性来模仿所有颜色。
基本上，RGB图像是三个串联矩阵，其中每个矩阵的像素值表示给定颜色（红-绿-蓝）的阴影。将这三者结合起来，我们得到了一张彩色图片。
加载彩色图像，会给我们一个矩阵，如下所示：
img_color = cv2.imread('/content/lena_color.png', 1)
print(img_color.shape) # => (512, 512, 3)如我们所见，图像表示为三个矩阵连接在一个数组中。与灰度图像不同，现在有三个通道，每个通道代表一种颜色。值得一提的是，在OpenCV中，通道的顺序是颠倒的。这意味着第一个是Blue，Red是第二个，Green是第三个（BGR）。
5. 图像索引
有时我们想更改图像的一部分或仅更改一个像素。因此，我们需要以某种方式访问这些部分并更改其值。正如我们之前提到的，每个像素的位置由图像矩阵中的行和列定义。考虑到这一点，我们将展示图像索引是如何完成的。
5.1 访问像素值
图像索引与 python 中的列表索引非常相似。唯一的区别是在图像中我们有两个坐标。让我们从图像中选择一个像素。
import numpy as np
import cv2
#Indexing image to get value of a single pixel, first index represents row and second index represents column
img_gray = cv2.imread('/content/lena_color.png', 0)
pixel_value = img_color[156, 264]
print(pixel_value) # => 175如您所见，第 157 行和第 265 列中的像素值为 175。请务必注意，行排在第一位，列排在第二位。如果我们想选择多个像素值，我们也可以像使用列表一样做到这一点，但我们又有两个坐标。
例如，让我们选择图像中的第四行。如前所述，我们的图像是一个 维度为 516×516 ，因此对于一行，我们将得到一个维度为 1×516 的数组。
import numpy as np
import cv2
#Indexing image to get value of the fourth row
img_gray = cv2.imread('/content/lena_color.png', 0)
fourth_row = img_gray[4, :]
print(fourth_row.shape) # => (516,)我们还可以使用行和列的间隔索引来获取图像的一部分。我们将取从 156 到 159 的所有行，以及所有第 4 到 7 列。让我们看看我们得到了什么。
import numpy as np
import cv2
#Indexing image to get value of part of an image
img_gray = cv2.imread('/content/lena_color.png', 0)
snipped_img = img_gray[156:159, 4:7]
print(fourth_row)# => [[111 110 110]
# [110 109 109]
# [106 110 112]]我们使用这种索引截取了图像的一部分，这非常有用。此外，在Python中，我们有一些叫做逻辑索引的东西。有时我们需要满足某些条件的所有像素。让我们选择所有等于 255 的像素。
import numpy as np
import cv2
img_gray = cv2.imread('/content/lena_color.png', 0)
print([img_gray == 255]) # => [[False, False, False, ..., False, False, False]], logical matrix True/False
print(img_gray[img_gray == 255]) # => [], None of pixels have value 255正如我们所看到的，我们的逻辑矩阵充满了 False 值，这意味着没有一个像素满足我们的条件。
5.2 更改像素值
现在我们知道了如何访问像素值，我们可以轻松更改它们。例如，我们可以为图像中的每个位置分配一个新的常量像素值，或者我们可以对选定的像素进行一些数学运算，以按照我们需要的方式转换它们。这就是这两种方法的工作方式。
import numpy as np
import cv2
#Indexing image to change its values
img_gray = cv2.imread('/content/lena_color.png', 0)
#Assigning new value to an image position
img_gray[75, 4] = 231
print(img_gray[75, 4]) # => 231
#Doing mathematical operations on part of an image
img_gray[156:159, 4:7] = img_gray[156:159, 4:7] - 6
print(img_gray[156:159, 4:7]) # => [[105 104 104]
# [104 103 103]
# [100 104 106]]5.3 开放简历示例
现在我们已经学会了如何更改像素值，让我们看看它在显示图像时的实际外观。首先，我们将加载我们的图片，看看如果我们将所有像素的值增加一定数量会发生什么。
img_gray = cv2.imread('/content/baboon.png', 0)
cv2.imshow(img_gray)
new_img = img_gray+100
cv2.imshow(new_img)通过将所有像素值增加 100，整个图片应该更亮。那么为什么某些区域比以前更暗呢？
那是因为操作后如果像素值超过 255，它不会超过它，而是循环回来并从比例的底部开始。
因此，如果一个像素以前的值为 240，而我们添加了 100，那么它现在的值将是 85。通常，我们不希望这种情况发生，而是将其上限为 255。我们可以通过使用 OpenCV 的 add 函数来做到这一点。第一个参数指定图像，第二个参数确定我们要添加的数量。
Img_gray_cap= cv2.add(img_gray,100)
cv2.imshow(img_gray_cap)如我们所见，没有更深的颜色，这意味着超过限制的值被封顶。现在让我们执行增加图像中对比度的简单任务。基本上，我们希望使明亮的像素更亮，而黑暗的像素更暗。
img_gray[img_gray>150] = 255
img_gray[img_gray<100] = 0
cv2_imshow(img_gray)大于 150 的像素被赋予值 255，小于 100 的像素被赋予值 0。结果如下。
结论
根据具体情况，您将使用不同的可视化、索引和值分配方法。图像处理需要大量的经验和知识。通过本文，您刚刚迈出了学习图像处理和计算机视觉的第一步。我们鼓励您继续关注我们的系列。我们将介绍OpenCV和图像处理中的更多基本概念。在您征服基础知识之后，我们将做一些项目和更高级的概念。
原文标题：Introduction to OpenCV and Image Processing with Python
原文链接：
https://rubikscode.net/2022/05/16/introduction-to-opencv-and-image-processing-with-python/
作者：Stefan Nidzovic/Milos Marinkovic
编译：LCR