python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python OpenCV与Matplotlib图像

Python中OpenCV与Matplotlib的图像操作入门指南

作者：小米玄戒Andrew

这篇文章主要介绍了Python中OpenCV与Matplotlib的图像操作指南,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧

在这里插入图片描述

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：

OpenCV读取的像素值范围是[0,255]，Matplotlib自动归一化到[0,1]路径含中文时需使用cv2.imdecode特殊处理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

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")

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

图像无法显示：

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()

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

进阶操作：

性能提升：

实际应用：

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？

到此这篇关于Python中OpenCV与Matplotlib的图像操作指南的文章就介绍到这了,更多相关Python OpenCV与Matplotlib图像内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文