OpenCV的全称是：Open Source Computer Vision Library。OpenCV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。相比于PIL库来说OpenCV更加强大， 可以做更多更复杂的应用，比如人脸识别等。
1. 读入并显示图片
|
1
2
3
4
5
6
7
8
9
10
|
import cv2
# 读入图片
img = cv2.imread(r'D:\test\test_001.jpg', 1)
# 显示图像
cv2.imshow('img', img)
# 窗口等待命令 0表示无限等待
cv2.waitKey(0)
|
运行效果如下：
2. 缩放图片
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
import cv2
# 读入图片
img = cv2.imread(r'D:\test\test_001.jpg', 1)
rows, cols, channels = img.shape
print(rows, cols, channels)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)
rows, cols, channels = new_img.shape
print(rows, cols, channels)
# 显示图像
cv2.imshow('new_img', new_img)
# 窗口等待命令 0表示无限等待
cv2.waitKey(0)
|
将图片尺寸按比例缩小一半，运行效果如下：
3. 彩色图像转换为灰度图像
彩色图片有RGB三个颜色通道，无法进行腐蚀和膨胀的操作。这个就需要我们将彩色图片转换为hsv灰度图像后，再进行腐蚀和膨胀的操作。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import cv2
img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)
rows, cols, channels = new_img.shape
print(rows, cols, channels)
# 显示图像
cv2.imshow('new_img', new_img)
# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)
cv2.imshow('hsv', gray_img)
cv2.waitKey(0)
|
运行效果如下：
4. 图片二值化处理
二值化处理是为了将图片转换为黑白图片，目的是滤除太大或太小值像素、消除噪声，从而从灰度图中获取二值图像（将图像的灰度值设置为0或255），实现增强整个图像呈现更为明显的黑白效果，同时也大大减少了数据量。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import cv2
import numpy as np
img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)
rows, cols, channels = new_img.shape
print(rows, cols, channels)
# 显示图像
cv2.imshow('new_img', new_img)
# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)
cv2.imshow('hsv', gray_img)
# 图片二值化处理
low_value = np.array([90, 70, 70])
high_value = np.array([110, 255, 255])
binary_img = cv2.inRange(gray_img, low_value, high_value)
cv2.imshow('binary_img', binary_img)
cv2.waitKey(0)
|
运行效果如下：
5. 图像的腐蚀和膨胀
图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大；腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。
- 图像被腐蚀后，去除了噪声，但是会压缩图像。
- 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。
|
1
2
3
4
|
# 腐蚀膨胀
erode = cv2.erode(binary_img, None, iterations=1)
dilate = cv2.dilate(erode, None, iterations=1)
cv2.imshow('dilate', dilate)
|
6. 遍历像素点进行颜色替换
图像是由每一个像素点组成的，找到腐蚀后得到图片的白色底色处的像素点，然后将原图中对应位置处的像素点，替换为红色或者白色，即可实现给照片换底色。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
import cv2
import numpy as np
img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)
rows, cols, channels = new_img.shape
print(rows, cols, channels)
# 显示图像
cv2.imshow('new_img', new_img)
# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)
# 图片二值化处理
low_value = np.array([90, 70, 70])
high_value = np.array([110, 255, 255])
binary_img = cv2.inRange(gray_img, low_value, high_value)
# 腐蚀膨胀
erode = cv2.erode(binary_img, None, iterations=1)
dilate = cv2.dilate(erode, None, iterations=1)
# cv2.imshow('dilate', dilate)
# 遍历替换
for i in range(rows):
for j in range(cols):
if dilate[i, j] == 255:
# 此处替换颜色，为BGR通道
new_img[i, j] = (0, 0, 255) # (0, 0, 255)替换为红底 (255, 255, 255)替换为白底
cv2.imshow('red_bg_img', new_img)
# 窗口等待命令 0表示无限等待
cv2.waitKey(0)
cv2.destroyAllWindows()
|
运行效果如下：
程序运行成功，可以将照片的蓝底换为红底或者白底，成功利用opencv实现给照片换底色。
7. 其他说明
测试所用图片来源于百度图片搜索，图片仅用于图像处理知识交流和学习，如有侵权请联系我删除！
到此这篇关于Python 利用OpenCV给照片换底色的示例代码的文章就介绍到这了,更多相关python照片换底色内容请搜索服务器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服务器之家！
原文链接：https://blog.csdn.net/fyfugoyfa/article/details/107714873