OpenCV是计算机视觉开源软件库，在图像处理领域应用非常广泛。目前其中能进行视觉处理的函数和方法达到1000多个，能够满足大部分行业的需求，包括医学影像、设计外观、生物体检测等。下面从opencv在python中的基础使用开始说起。

（1）opencv的安装

本篇使用的pythonIDE 为pycharm专业版，新建项目之后，直接在project的setting菜单里添加opencv-python库安装即可：

在可选择的库里找到opencv-python，目前版本为4.3，其github地址为：

安装完成后如下所示。

同时由于图像本身是由多个像素点组成，每个像素点有不同的像素值，如果是灰白图像，像素值就是0-255之间的值，如果是彩色图像，就有三个通道，每个通道像素值为0-255。如果是二维黑白图片，这些像素点就够成了一个二维矩阵，如果是二维彩色图片，这些像素点就是一个多维矩阵。也就是说，如果要对图像进行处理，实际上就是对矩阵里的像素值进行分析，因此安装和使用numpy或者pandas库就显得很有必要了。

（2）opencv简单使用

安装好了，我们说做就开始做。使用的时候直接在python文件中import导入即可。

实践1：读入图片显示图片，函数为imread和imshow

cv2.imread(filepath,flags): 用于读取图片，函数默认读取的是一副彩色图片，想要读取灰度图，则需要设置参数。其中参数： filepath：要读入图片的完整路径

cv2.imshow(windowName,filepath)：创建一个窗口显示图片，共两个参数，第一个参数表示窗口名字，可以创建多个窗口中，但是每个窗口不能重名；第二个参数是读入的图片

下面我们在项目里新建一个main.py文件，开始输入下面内容：

几行代码写完直接运行，你会发现一闪而过的效果，啥都没看着，郁闷得不行了。怎么办？cv2提供了一个waitKey函数，基本格式为：

如果设置为0，那就是不断刷新图像，直到任意按键后退出显示。因此在上述代码中需要加入一行waitKey函数，现在的代码为：

再来运行时，就可以看到图像了：

如果想获得黑白图片，可以在imread读入时加入flags为cv2.IMREAD_GRAYSCALE参数，如下代码：

再次运行，我们就得到了灰度图片：

实践2：复制图片，或者写图片，imwrite函数

cv2.imwrite(filename,orginalPic): 保存图片，共两个参数，第一个filename为保存文件名，第二个为读入的源图片。

例如想将上面的图片保存一下，可以使用如下代码：

执行后就将灰度图像1.jpg保存为了blackImg.jpg了。

实践3：构造图像，使用numpy和imshow函数

其中numpy用于构造像素点的像素值，imshow函数用于显示图形对象。

下面我们先使用numpy来构造三个像素矩阵：

第一步，使用numpy构造一个300x300的像素值全为1的矩阵matrix1：

代码中uint8是专门用于存储各种图像的（包括RGB，灰度图像等），范围是从0-255。

执行结果为：

第二步，构造一个300x300的像素值全为0的矩阵matrix2：

执行结果为：

第三步，使用numpy的random方法来构造像素值为随机值的矩阵matrix3：

执行结果为：

有了像素矩阵后，就可以直接使用cv2的imshow函数将其转换为图形对象显示出来。下面我们就对上述生成的三个像素矩阵进行显示：

执行结果为：

我们看到前两张都是黑色的，第三张有点杂色。原因相信都理解，即像素值都是0或者1的话，肯定是黑色，第三张用了随机像素值，所以颜色有些变化。

如果想获得彩色图像，因为彩色图像需要RGB三通道，那我们可以对每个通道来构造一个像素矩阵，然后将这三个通道的像素点融合起来，就可以获得彩色显示的图像。如下实现：

执行后效果如下：

生成了一张RGB彩色图片，但因为各个通道像素值都是随机生成的，所以没有什么规律可言，杂乱无章。

实践4：对彩色图像进行像素值读取

实践3里我们可以通过构造像素矩阵来合成图像，反过来我们也可以对图像的像素值进行读取，以及实现彩色图像三通道的分离。

例如我们对实践1的彩色图像来分析一下，在使用cv2的imread函数后直接返回的就是一个numpy的n维数组类型：

执行结果为：

由于是数组类型，可以直接使用numpy读取数值的方法，即使用坐标或者索引方式来获得像素值：

执行结果为：

如果要获得某一行或某一列的像素值，或者某一个范围的像素值，都可以采用切片方式：

执行结果均为数组，受限于篇幅我们就不显示结果了。

实践5：对图像部分位置进行替换

因为可以获得某个范围的像素值，实际上就是截取了那个范围的图像，如果再使用imshow来显示的话，就可以将该范围的图像显示出来。同时也可以直接赋值改变那个范围的像素值，进而改变那个范围的图像显示，如下实践：

执行效果如下：

可以看到图中小男孩头顶那个区域已经变成了chaos区域。

实践6：对彩色图像实现三通道分离，使用cv2的split函数

执行后就可以获得三个通道r,g,b各自的像素矩阵，如下显示一下r通道像素矩阵：

从数据来看，每一行都是一维数组，如果要访问的话直接使用数组的索引方式即可。

我们可以将这分离的三个通道像素矩阵都绘成图对比，其实只需要使用cv2的imshow函数即可：

执行后显示为：

单通道时都变成了灰色显示，仔细对比还是有些许差别的，三通道对应位置的像素值不同，所以组合起来也会不一样。对于灰度显示，颜色越白代表像素值越接近255，颜色越黑代表像素值越接近0.

本篇就使用opencv来读写图片、了解图片对应的像素矩阵实践方式进行了介绍，代码都可以直接复制到自己的pycharm或者其它IDE中来检验效果。从实践过程中可以发现由于二维图片像素值均为矩阵样式，numpy库的作用发挥很大，后续实践opencv过程中还有会许多应用。