本文主要是介绍OpenCV——色彩空间与几何变换，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

#@Fu Xianjun.All Rights Reserved.

来了来了，今天的学习开始了！

我们的目标就是：

能够理解色彩空间的概念

能够使用色彩空间的相互转换

能够编程实现提取特定颜色物体

能够熟练运用几何变换

能够掌握图像矫正的相关知识

任务一 图像类型转换

案例一 将图像在BGR模式与RGB模式之间转换

import cv2
import numpy as np

img1=cv2.imread("pig.jpg")
rgb = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)#图像类型转换函数
cv2.imshow("BGR",img1)

cv2.imshow("RGB",rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

案例二 将图像在BGR模式与GRAY模式之间转换

gray = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)
cv2.imshow("GRAY",gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

重点：颜色通道分离

print(f"BGR图像的shape为{bgr.shape}")
print(f"GRAY图像的shape为{gray.shape}")

def Colorsplit(img):
    (B,G,R) = cv2.split(img)#将BGR图像的颜色通道分离
    cv2.imshow("blue",B)
    cv2.imshow("green",G)
    cv2.imshow("red",R)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

Colorsplit(bgr)#将转换前的RGB图像颜色通道分离

bgr2 = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
cv2.imshow("after",bgr2)
cv2.waitKey(0)
cv2.destroyAllWindows()

Colorsplit(bgr2)#将转换后的RGB图像颜色通道分离

案例三 将图像在BGR模式与HSV模式之间转换

hsv=cv2.cvtColor(bgr,cv2.COLOR_BGR2HSV)#转换为HSV颜色空间
cv2.imshow("HSV",hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()

任务二：提取指定颜色

案例一 提取图像中的红色区域

import cv2
import numpy as np

img2=cv2.imread("pig.jpg")
cv2.imshow("SRC",img2)
hsv = cv2.cvtColor(img2, cv2.COLOR_BGR2HSV)#图像类型转换函数
cv2.imshow("HSV",hsv)

lowerb_hsv = np.array([156,43,46])#要识别颜色的下限
upperb_hsv = np.array([180,255,255])#要识别的颜色的上限

mask = cv2.inRange(hsv, lowerb_hsv, upperb_hsv)
cv2.imshow("MASK",mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

red = cv2.bitwise_and(img2,img2,mask=mask)
cv2.imshow("RED",red)
cv2.waitKey(0)
cv2.destroyAllWindows()

突如其来的案例：图像怀旧特效

#coding:utf-8
import cv2 as cv
import numpy as np

#读取原始图像
img = cv.imread('pig.jpg')

#获取图像行和列
rows, cols = img.shape[:2]

#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")

#图像怀旧特效
for i in range(rows):
    for j in range(cols):
        B = 0.272*img[i,j][2] + 0.534*img[i,j][1] + 0.131*img[i,j][0]
        G = 0.349*img[i,j][2] + 0.686*img[i,j][1] + 0.168*img[i,j][0]
        R = 0.393*img[i,j][2] + 0.769*img[i,j][1] + 0.189*img[i,j][0]
        if B>255:
            B = 255
        if G>255:
            G = 255
        if R>255:
            R = 255
        dst[i,j] = np.uint8((B, G, R))
        
#显示图像
cv.imshow('result',np.vstack((img,dst)))
cv.waitKey()
cv.destroyAllWindows()

任务三 简单的几何变换

案例一 图像缩放

import cv2
import numpy as np

img=cv2.imread("pig.jpg")
rows,cols,_ = img.shape

#第一种缩放方式
size1 = (int(rows*0.9),int(cols*0.8))#宽变成0.9倍，长变成0.8倍
img_resize1 = cv2.resize(img,size1)

#第二种缩放方式
img_resize2 = cv2.resize(img,None,fx=2,fy=1.5)#宽变成两倍，长变成1.5倍
cv2.imshow("SRC",img)
cv2.imshow("RESIZE1",img_resize1)
cv2.imshow("RESIZE2",img_resize2)
cv2.waitKey(0)
cv2.destroyAllWindows()

案例二 图像翻转

img_flip1=cv2.flip(img,0)#x轴翻转
cv2.imshow("FLIP1",img_flip1)
cv2.waitKey(0)
cv2.destroyAllWindows()

旋转

语法：

retval = cv2.getRotationMatrix2D(center,anle,scale)

center：旋转中心

angle：旋转角度，正数为逆时针旋转，负数为顺时针旋转

scale：缩放大小

案例四 透视

语法1：

转换矩阵 M = cv2.getPerspectiveTransform(pts_o, pts_d)

pts_o为原始4个点坐标

pts_d为变换后4个点坐标

语法2：

dst = cv2.warpPerspective(img, M, dsize)

img为原图

dst为变换后的图

M为转换矩阵

dsize为变换后图像的大小

#读图
img = cv2.imread('shudu.jpg')
rows, cols,_ = img.shape

# 原始点阵
pts_o = np.float32([[88, 177], [716, 85], [216, 695], [957, 551]]) # 这四个点为原始图片上数独的位置
pts_d = np.float32([[0, 0], [600, 0], [0, 600], [600, 600]]) # 这是变换之后的图上四个点的位置

# 获取转换矩阵
M = cv2.getPerspectiveTransform(pts_o, pts_d)
# 应用变换
dst = cv2.warpPerspective(img, M, (600, 600)) # 最后一参数是输出dst的尺寸。可以和原来图片尺寸不一致。按需求来确定

cv2.imshow('img', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

我们下次见！

这篇关于OpenCV——色彩空间与几何变换的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！