Python3 OpenCV3 图像处理基础

开发环境搭建

本人使用的是Ubuntu 16.04LTS。

1、安装Python3

## 其实 Ubuntu 16.04 系统自带了 Python 3.5.2，因此不需要再安装了？但是需要安装一些开发环境。
sudo apt-get update # 更新系统源
sudo apt-get install python3 python3.5-dev libpython3.5-dev  # 安装基础包
sudo apt-get install python3-pip # 安装 pip3 
sudo pip3 install --upgrade pip  # 更新 pip3 

## 测试 
$ python3 --version
Python 3.5.2

2、安装Numpy,Matplotlib,OpenCV

这些库可以自己下载源码编译，也有别人编译好的，我们直接下载。

## 安装库
sudo pip3 install numpy      # 安装 numpy，用于在Python中进行科学计算
sudo pip3 install matplotlib # 安装 matplotlib，用于显示、绘图等
sudo pip3 install opencv-python  # 安装 opencv 
sudo pip3 install opencv-contrib-python  #安装opencv-contrib，包含一些其它库，比如xfeature2d


## 确保 OpenCV 已经安装好  
$ python3 -c "import cv2;print(cv2.__version__)"
4.0.0

其实在安装opencv-python时会附带安装numpy，matplotlib安装时也会附带numpy，因为它们都依赖于numpy，如图：

至此，环境基本上已经搭建结束。以后的任务就是开发啦。

附：

#各个版本号
python       2.7.12
python3      3.5.2
pip          8.1.1
pip3         19.0.3
numpy        1.16.1
matplotlib     3.0.2
opencv-python  4.0.0.12

Numpy的使用

Numpy 是 Python中的科学计算工具包，可以说是Python中的Matlab。支持向量操作、切片操作、广播，支持多种常用数据类型，内置丰富的线性代数、矩阵算法。由于底层使用多为C语言实现，所以有着较快速度。同时以使用Python接口可以方便地使用 Python 的语法，摆脱静态语言的臃肿，从而实现快速建模、计算和验证。

（1） numpy.ndarray 数组的创建

## --- 创建 np.ndarray 数组 ----
import numpy as np
# 使用 Python list 创建
mat1 = np.array([[1,2,3], [4,5,6], [7,8,9]])
# 使用 np.arange 创建
mat2= np.arange(1,10).reshape(3,3)
# 使用 zeros/ones/eye 创建
mat3 = np.zeros((3,3))
mat4 = np.ones((3,3))
mat5 = np.eye(3)

print(mat1)
print(mat2)
print(mat3)
print(mat4)
print(mat5)

（2） numpy.ndarray 的数据类型

## --- numpy 数据类型(默认 np.int64 或 np.float64) -----
# 内置多种数据类型,如 np.uint8, np.int32, np.float32, np.float64
a = np.array([[1.25, -16],[32,264.75]], np.float32)  # 32位浮点型
b = np.array(a, np.int32)  # 32位整形
c = b.astype("uint8")      # 8位无符号整型(注意会发生溢出)

print(a)
"""
[[   1.25  -16.  ]
 [  32.    264.75]]
"""

print(b)
"""
[[  1 -16]
 [ 32 264]]
"""

print(c)
"""
[[1 2 3]
 [4 5 6]
 [7 8 9]]
"""

（3）索引

## ----- 索引(单坐标、切片、掩模) ------
mat = np.arange(1,10).reshape(3,3)
print(mat)

## 单坐标
print(mat[2][2])    # 9
print(mat[2,2])     # 9

## 切片操作
print(mat[:2,:2])
"""
[[1 2]
 [4 5]]
"""

## 掩模操作
mask = mat>5
print(mask)
"""
[[False False False]
 [False False  True]
 [ True  True  True]]
"""

mat[mask] = 5
print(mat)
"""
[[1 2 3]
 [4 5 5]
 [5 5 5]]
"""

(4) 广播 (broadcasting)

## ----- numpy 广播机制(broadcasting) ------
# https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html
# 当操作两个 numpy.ndarray 数组时，如果它们的维度满足一定的关系，则可以进行广播操作。
x = np.arange(4)        # (4,)
xt = x.reshape(-1,1)    # (4,1)
z = np.ones((3,4))      # (3,4)

print(x+xt)
"""
[[0 1 2 3]
 [1 2 3 4]
 [2 3 4 5]
 [3 4 5 6]]
"""

print(x+z)
"""
[[ 1.  2.  3.  4.]
 [ 1.  2.  3.  4.]
 [ 1.  2.  3.  4.]]
"""

Matplotlib

[Matplotlib](http://matplotlib.org/) 是 Python 中的可视化库，可以用来绘制高质量的 2D 折线图、散点图、柱状图，或者用来显示图像。分别参考

(1) Sample plots in Matplotlib

(2) Image tutorial - Matplotlib 2.1.0 documentation

# 使用 matplotlib 绘制一些列缩略图(thumbnails),并显示图像 
#from scipy.misc import imread, imresize
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np

## (1) 绘制随机噪点
## 初始化随机种子，并生成随机坐标
np.random.seed(0)
data = np.random.randn(2, 100)
## 创建画布
fig, axs = plt.subplots(2, 2, figsize=(5, 5))
## 绘制子图 
axs[0, 0].hist(data[0])
axs[1, 0].scatter(data[0], data[1])
axs[0, 1].plot(data[0], data[1])
axs[1, 1].hist2d(data[0], data[1])
## 显示 
plt.show()

## (2) 绘制图像
img = mpimg.imread("/home/auss/Pictures/test.png")
imgx = img[:,:,0] # 取第一个通道

## 创建画布
fig = plt.figure()

## 绘制原始图像，并加上颜色条
axs = fig.add_subplot(1,3,1)
ipt = plt.imshow(img)
axs.set_title("origin")
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')

## 绘制伪彩色图像，并加上颜色条 
axs = fig.add_subplot(1,3,2)
ipt = plt.imshow(imgx,cmap="winter")
axs.set_title("winter")
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')

## 绘制直方图
axs = fig.add_subplot(1,3,3)
ipt = plt.hist(imgx.ravel(), bins=256, range=(0, 1.0), fc='k', ec='k')
axs.set_title("histogram")

plt.show()

OpenCV的简单应用

铺垫了这么久，终于到了 OpenCV 了。 OpenCV 的 Python 接口名称为 cv2。通常 OpenCV 内部的算法已经很丰富了，并且提供了 highgui 模块用于显示图像（不过可能有的没有编译该模块）。如果需要进行拓展，则可以配合着 Numpy 进行计算，并结合 Matplotlib 进行显示。

注意，matplotlib 中图像通道为 RGB，而 OpenCV 中图像通道为 BGR。因此进行显示的时候，要注意交换通道的顺序。

这里给出一个 Canny 边缘检测的例子，涉及到图像读写、色彩空间转换、滤波、Canny边缘检测、掩模赋值操作等。

#!/usr/bin/python3
# 2017.11.02 17:31:24 CST
# 2017.11.02 17:51:13 CST
import cv2
import numpy as np
img = cv2.imread("firefox.png")

## BGR => Gray； 高斯滤波； Canny 边缘检测
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gaussed = cv2.GaussianBlur(gray, (3,3), 0)
cannyed = cv2.Canny(gaussed, 10, 220)

## 将灰度边缘转化为BGR 
cannyed2 = cv2.cvtColor(cannyed, cv2.COLOR_GRAY2BGR) 

## 创建彩色边缘 
mask = cannyed > 0             # 边缘掩模
canvas = np.zeros_like(img)    # 创建画布
canvas[mask] = img[mask]       # 赋值边缘

## 保存
res = np.hstack((img, cannyed2, canvas))   #　组合在一起　
cv2.imwrite("result.png", res)　　　　　　　　# 保存

## 显示 
cv2.imshow("canny in opencv ", res)        

# 保持10s, 等待按键响应（超时或按键则进行下一步）
key = 0xFF & cv2.waitKey(1000*10)
if key in (ord('Q'), ord('q'), 27):
    ## 这部分用作演示用
    print("Exiting...")

## 销毁窗口
cv2.destroyAllWindows()