一、介绍
OpenCV（open source computer vision library）是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。
在计算机视觉项目的开发中，OpenCV作为较大众的开源库，拥有了丰富的常用图像处理函数库，采用C/C++语言编写，可以运行在Linux/Windows/Mac等操作系统上，能够快速的实现一些图像处理和识别的任务。
此外，OpenCV还提供了Java、python、cuda等的使用接口、机器学习的基础算法调用，从而使得图像处理和图像分析变得更加易于上手，让开发人员更多的精力花在算法的设计上。
————————————————
二、编译环境
直接pip安装
pip install opencv-python
注意：
1.安装的是opencv_python，但在导入的时候是import cv2。
2.OpenCV依赖一些库，比如Numpy和matplotlib，先安装上。
三、图像基本操作
3.1 图像读取与显示
1 import cv2
2 import matplotlib.pyplot as plt
3 import numpy as np
4
5 # 读取图像，这个函数返回图像数据，它是一个NumPy数组。
6 image =cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\1.jpg')
7
8 # 显示图像
9 #cvtColor函数将图像从BGR颜色空间转换到RGB颜色空间。cv2.COLOR_BGR2RGB是转换的指定代码。
10 plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
11 # 如果命名为为中文，需要转码
12 plt.title('boy')
13 plt.axis('off')
14 plt.show()
3.2学习OpenCV中常见的图像操作，如调整大小、裁剪、旋转等。
1 image =cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\1.jpg')
2
3 # 这里展示了如何调整图像大小和进行裁剪
4 resized_image = cv2.resize(image, (1000, 2000))
5 cropped_image = image[50:150, 50:250]
6
7 # 显示调整前的图像
8 plt.imshow(cv2.cvtColor(resized_image, cv2.COLOR_BGR2RGB))
9 plt.title('Resized Image')
10 plt.axis('off')
11 plt.show()
12
13 # 显示裁剪后的图像
14 plt.imshow(cv2.cvtColor(cropped_image, cv2.COLOR_BGR2RGB))
15 plt.title('Cropped Image')
16 plt.axis('off')
17 plt.show()
3.3学习使用OpenCV进行边缘检测，掌握Canny边缘检测算法。
1 image=cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\1.jpg')
2 # 这里展示了如何使用Canny算法进行边缘检测
3 edges = cv2.Canny(image, 100, 200)
4 '''
5 这行代码使用OpenCV的Canny函数进行边缘检测。Canny算法是一种非常流行的边缘检测算法，因为它能够很好地在噪声抑制和边缘检测之间取得平衡。
6 该算法接受两个阈值参数（这里是100和200）来控制边缘检测的灵敏度。
7 较低的阈值用于捕获较弱的边缘，而较高的阈值则用于最终边缘检测中需要更强边缘响应的场合。
8 在Canny算法中，还会用到一种双阈值方法来检测强边缘和潜在的弱边缘，并通过强边缘来连接潜在的弱边缘，从而形成最终的边缘图像。
9 '''
10 # 显示边缘检测结果
11 plt.imshow(edges, cmap='gray')
12 plt.title('Edge Detection')
13 plt.axis('off')
14 plt.show()
15
16
17 --------------------------
18 什么边缘检测
19 边缘检测是计算机视觉和图像处理中的一个基本步骤，它旨在识别图像中亮度变化明显的点。这些点通常对应于物体的边界，在图像中形成了物体的轮廓。边缘检测对于后续的图像分析、图像分割、特征提取等任务非常重要。通过边缘检测，我们可以从图像中提取出重要的结构信息，这些信息对于理解图像内容、进行目标识别等任务非常有用。
3.4学习如何使用OpenCV拼接图像---Numpy (np.hstack，np.vstack)
只是简单地将几张图像直接堆叠而连成一张图像，并未对图像进行特征提取和边缘处理，因而并不能实现图像的全景拼接。
1 retval = np.hstack(tup) # 水平拼接
2 retval = np.vstack(tup) # 垂直拼接
3
4
5 -----------------------
6 代码示例
7 # 读取要拼接的图片
8 img = cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\4.jpg')
9 #调整图像大小
10 img = cv2.resize(img, None, fx=0.5, fy=0.5) # 为了完整显示，缩小一倍
11 blur2 = cv2.blur(img, (2, 2)) # 模糊处理
12 blur3 = cv2.blur(img, (5, 5))
13 blur4 = cv2.blur(img, (10, 10))
14
15 htich = np.hstack((img, blur2))
16 htich2 = np.hstack((blur3, blur4))
17 vtich = np.vstack((htich, htich2))
18
19 # 显示图片
20 cv2.imshow("mergedDemo", vtich)
21 cv2.waitKey(0)
22 cv2.destroyAllWindows()
方式二：matplotlib
注意：opencv使用的是BGR模式，而matplotlib使用的是RGB模式，所以需要将opencv中的BGR、GRAY格式转换为RGB，使matplotlib中能正常显示opencv的图像。
1 img1 = cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\4.jpg', cv2.IMREAD_COLOR) # 以彩色模式读取图片。这是默认模式
2 img2 = cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\5.jpg', cv2.IMREAD_GRAYSCALE) # 以灰度模式读取图片
3 img3 = cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\6.jpg',
4 cv2.IMREAD_UNCHANGED) # 包括alpha通道的完整图片将被读取
5 img4 = cv2.imread(r'C:\Users\19225\PycharmProjects\test\src\user\static\3.jpg', cv2.IMREAD_ANYDEPTH) # 读取图片，无论其深度如何
6 # 将opencv中的BGR、GRAY格式转换为RGB，使matplotlib中能正常显示opencv的图像
7 img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
8 img2 = cv2.cvtColor(img2, cv2.COLOR_GRAY2RGB)
9 img3 = cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)
10 img4 = cv2.cvtColor(img4, cv2.COLOR_BGR2RGB)
11 plt.rcParams['font.sans-serif'] = ['FangSong'] # 支持中文标签
12 # 使用matplotlib的plt.subplot()和plt.imshow()函数将转换后的图片显示在一个2x2的子图网格中
13 plt.subplot(221), plt.title("img1"), plt.axis('off')
14 plt.imshow(img1)
15 plt.rcParams['font.sans-serif'] = ['FangSong'] # 支持中文标签
16 plt.subplot(222), plt.title("img2"), plt.axis('off')
17 plt.imshow(img2)
18 plt.rcParams['font.sans-serif'] = ['FangSong'] # 支持中文标签
19 plt.subplot(223), plt.title("img3"), plt.axis('off')
20 plt.imshow(img3)
21 plt.rcParams['font.sans-serif'] = ['FangSong'] # 支持中文标签
22 plt.subplot(224), plt.title("img4"), plt.axis('off')
23 plt.imshow(img4)
24 plt.show()
标签：OpennCV,plt,image,imshow,cv2,边缘,图像 From： https://www.cnblogs.com/liuliu1/p/18360557