【图像处理入门】2. Python中OpenCV与Matplotlib的图像操作指南

一、环境准备

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 配置中文字体显示（可选）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

二、图像的基本操作

1. 图像读取、显示与保存

使用OpenCV操作

# 读取图像（支持多种格式）
img = cv2.imread('example.jpg')
print(f"图像尺寸: {img.shape}")  # 输出：(高度, 宽度, 通道数)

# 显示图像
cv2.imshow('OpenCV Window', img)
cv2.waitKey(0)  # 等待按键
cv2.destroyAllWindows()

# 保存图像
cv2.imwrite('output.jpg', img)  # 自动保存为JPG格式

使用Matplotlib操作

# 读取并显示图像
plt.figure(figsize=(10,5))
img_plt = plt.imread('example.png')  # 自动归一化到[0,1]
plt.subplot(121)
plt.imshow(img_plt)
plt.title('Matplotlib显示')

# OpenCV与Matplotlib颜色空间差异
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # BGR转RGB
plt.subplot(122)
plt.imshow(img_rgb)
plt.title('OpenCV转RGB显示')
plt.show()

⚠️ 注意事项：

1. OpenCV读取的像素值范围是[0,255]，Matplotlib自动归一化到[0,1]
2. 路径含中文时需使用cv2.imdecode特殊处理
3. 保存质量可通过参数控制（如cv2.imwrite('out.jpg', img, [int(cv2.IMWRITE_JPEG_QUALITY), 90])）

2. 像素级操作

单个像素访问与修改

# 访问特定位置像素值
px = img[100, 50]  # 获取坐标(50,100)处像素值
print(f"Blue={px[0]}, Green={px[1]}, Red={px[2]}")

# 修改像素值
img[100, 50] = [0, 255, 0]  # 将该位置改为绿色

区域像素操作

# 提取ROI区域（感兴趣区域）
roi = img[50:150, 100:200]

# 批量修改像素值
img[200:300, 300:400] = [0, 0, 255]  # 填充红色矩形

像素值统计分析

print(f"最大像素值: {img.max()}")
print(f"最小像素值: {img.min()}")
print(f"平均像素值: {img.mean()}")

3. 通道操作

通道分离与合并

# 分离通道（OpenCV方式）
b, g, r = cv2.split(img)
cv2.imshow('Blue Channel', b)

# 合并通道
merged = cv2.merge([b, g, r])

# 直接操作特定通道（Numpy方式）
img_copy = img.copy()
img_copy[:, :, 0] = 0  # 清空蓝色通道

多光谱分析示例

# 显示各通道灰度图
plt.figure(figsize=(12, 3))
for i, ch in enumerate(['Blue', 'Green', 'Red']):
    plt.subplot(1,3,i+1)
    plt.imshow(cv2.split(img)[i], cmap='gray')
    plt.title(f'{ch}通道')
    plt.axis('off')
plt.show()

三、完整实践案例

def image_processing_pipeline(path):
    # 1. 图像读取
    src = cv2.imread(path)
    if src is None:
        print("错误：无法读取图像！")
        return
    
    # 2. 通道分析
    b, g, r = cv2.split(src)
    
    # 3. 创建特殊效果
    special_effect = src.copy()
    special_effect[:, :, 1] = cv2.add(special_effect[:, :, 1], 50)  # 增强绿色通道
    
    # 4. 结果展示
    plt.figure(figsize=(15, 5))
    plt.subplot(141)
    plt.imshow(cv2.cvtColor(src, cv2.COLOR_BGR2RGB))
    plt.title('原图')
    
    plt.subplot(142)
    plt.imshow(r, cmap='gray')
    plt.title('红色通道')
    
    plt.subplot(143)
    plt.imshow(special_effect[:, :, [2,1,0]])
    plt.title('增强绿色通道')
    
    plt.subplot(144)
    plt.imshow(b, cmap='viridis')  # 使用不同色图
    plt.title('蓝色通道（Viridis色图）')
    
    plt.tight_layout()
    plt.show()

# 执行处理流程
image_processing_pipeline('test_image.jpg')

四、性能优化技巧

1. 向量化操作替代循环：

# 推荐方式（Numpy向量化）
start_time = cv2.getTickCount()
brighter = cv2.add(img, np.array([30]))
print(f"耗时：{(cv2.getTickCount() - start_time)/cv2.getTickFrequency():.4f}s")

# 不推荐方式（双重循环）
start_time = cv2.getTickCount()
for y in range(img.shape[0]):
    for x in range(img.shape[1]):
        img[y,x] = np.clip(img[y,x] + 30, 0, 255)
print(f"耗时：{(cv2.getTickCount() - start_time)/cv2.getTickFrequency():.4f}s")

2. 内存连续性优化：

# 检查数组内存布局
if not img.flags.c_contiguous:
    img = np.ascontiguousarray(img)

五、常见问题解决方案

1. 图像无法显示：

   • 检查路径是否包含中文/特殊字符
   • 确认图像尺寸是否超过屏幕分辨率
   • 尝试使用cv2.resizeWindow()调整窗口大小

2. 颜色显示异常：

   # 统一颜色空间转换
   def show_image统一(img_bgr, title='Image'):
       plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB))
       plt.title(title)
       plt.axis('off')
       plt.show()
   

3. 大图像处理：

   # 金字塔下采样
   pyramid = cv2.pyrDown(img)
   print(f"下采样后尺寸：{pyramid.shape}")
   

六、扩展学习方向

1. 进阶操作：

   • 使用cv2.LUT()实现色彩查找表变换
   • 掩膜操作（mask）进行区域处理
   • 利用Numpy数组的布尔索引进行条件修改

2. 性能提升：

   • 使用OpenCV内置函数替代Python循环
   • 多线程处理图像块
   • CUDA加速（需安装opencv-contrib-python包）

3. 实际应用：

   • 图像增强：直方图均衡化、CLAHE算法
   • 颜色空间转换：HSV/YUV等
   • 形态学操作：腐蚀、膨胀

通过掌握这些基础操作，您将为后续的图像处理学习打下坚实基础。建议通过实际项目（如证件照背景替换、图像特效制作）加深理解。

下一篇我们将进入图像的「几何变换世界」，学习如何用数学矩阵实现图像的平移、旋转、缩放，以及不同插值算法对图像质量的影响。现在请打开你的图像，尝试裁剪一个有趣的ROI区域并修改它的颜色吧！

思考：为什么对大尺寸图像使用cv2.split()会更耗内存？如何用NumPy实现更高效的通道分离？