本篇文章給大家分享的是有關python opencv圖像處理基本操作的示例分析，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。
該函數中，name是顯示窗口的名字，可輸入任意字符串，img就是讀取的圖片矩陣。
waitKey()意思是圖片停留的時間，若設為0，則會一直保留直到關閉圖片。
使用VideoCapture方法讀取視頻，若可以成功讀取，則vc.read()返回的第一個參數就是True，否則為False。返回的第二個參數frame就是讀取的視頻圖片。此時只能讀取一張。
該函數可以將讀取的圖片按照設定的速度依次展示，cv.waitKey中的數值越小，展示的速度越快。
gray處只是把圖片設置成了灰度圖像，直接用frame展示也可以，就是原圖。最后的0xFF==27就是ESC鍵，按下這個鍵就會退出。
因為圖像讀取的是矩陣，因此使用矩陣的截取方法即可。
CV讀取圖像的時候，彩色是BGR而非RBG，使用split以及merge方法進行提取和還原。
通過將其他通道設置為0，即可展示只保留某一顏色通道的圖像。
指定大小后，有不同的填充方法，通過borderType來進行設置。
若通過矩陣計算方式直接相加，則當結果超過255的時候，會進行取余操作。
若通過cv.add方法，則超過255的會全部截斷為255
圖像尺寸的修改：cv.resize(圖像矩陣，尺寸長寬元組)
通過cv.addWeighted對圖像進行融合，參數分別為：第一張圖，權值，第二張圖，權值，微調的度。給的權值相當于對圖像取了個透明度。兩張圖會直接重疊在一起。
通過cv.threshold對圖像進行閾值處理，上面的代碼中，127就是閾值，255是最大值。后面是處理的方法，比如BINARY是處理為0和1，即顯示的圖片只有黑和白。加上INV就是反轉過來，也就是白和黑。
blur方法，傳入的第一個參數是圖像，第二個是核大小。 也就是以多大的范圍去處理圖像，比如3*3或者5*5等。
對lena圖像通過以上的濾波方式進行濾波，發現中值濾波的效果最好，因為中值濾波會直接舍棄掉噪音，而其他的濾波方式都是需要考慮噪音在內，并進行計算的。
kernel依舊是核，跟上面的一樣，代表處理的范圍大小。erode方法中的參數分別為：待處理的圖像，核，迭代次數。每一次迭代都會侵蝕掉一部分圖像。因此如果有細的毛刺會直接被侵蝕掉，粗的線條會變細。迭代次數越多，侵蝕的部分越大。
該操作相當于腐蝕操作的逆操作。會把原來的內容擴展。如果原來的圖就帶毛刺，膨脹后毛刺會變大。
開閉運算其實就是膨脹和腐蝕運算的結合，有一個先后順序，如上圖。都是通過morphologyEx方法來實現的，改變其中的參數即可。
梯度就是膨脹-腐蝕所得到的邊界。依舊是morphologyEx方法來實現。
禮帽 = 原始輸入-開運算結果
黑帽 = 閉運算-原始輸入
其實就是把上面兩種運算包裝成了函數
三種算子：Sobel, Scharr, Laplacian
上面代碼中Sobel算子和Scharr算子輸入的參數為：待處理的圖片，圖像深度（通常指定為-1就可以），x方向，y方向
因此若只指定x為1，其實是計算了一半。需要把數值修改為絕對值，并計算y=1,x=0的情況下的另一半，兩者融合起來，才會是完整的處理。
Scharr算子：把左右數值變大，結果更明顯。
Laplacian算子：對變化更敏感，對噪音點也敏感。通常不單獨使用拉普拉斯算子。原理是中心點和周圍點比較，不需要輸入x和y。
流程：
1.使用高斯濾波器，平滑圖像，濾除噪聲
2.計算圖像中每個像素點的梯度強度和方向
3.應用非極大值抑制，以消除邊緣檢測帶來的雜散效應
4.應用雙閾值檢測來確定真實的和潛在的邊緣
5.通過抑制孤立的弱邊緣完成最終的邊緣檢測
以上是兩種邊緣檢測的對比，結果如下
該方法會設置兩個閾值，大于高閾值的地方保留，低于低閾值的地方舍棄，在高低之間的地方，若和保留的地方有鏈接則保留，否則舍棄。
可以看出，閾值設定的高的時候，細節變少。低的時候，細節變多。
以上就是python opencv圖像處理基本操作的示例分析，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
