開發環境搭建

本人使用的是Ubuntu 16.04LTS。

1、安裝Python3

## 其實 Ubuntu 16.04 系統自帶了 Python 3.5.2，因此不需要再安裝了？但是需要安裝一些開發環境。

sudo apt-get update #更新系統源

sudo apt-get install python3 python3.5-dev libpython3.5-dev #安裝基礎包

sudo apt-get install python3-pip #安裝 pip3

sudo pip3 install --upgrade pip #更新 pip3

## 測試

$ python3 --version

Python3.5.2

2、安裝Numpy,Matplotlib,OpenCV

這些庫可以自己下載源碼編譯，也有別人編譯好的，我們直接下載。

## 安裝庫

sudo pip3 install numpy #安裝 numpy，用于在Python中進行科學計算

sudo pip3 install matplotlib #安裝 matplotlib，用于顯示、繪圖等sudo pip3 install opencv-python #安裝 opencv

sudo pip3 install opencv-contrib-python #安裝opencv-contrib，包含一些其它庫，比如xfeature2d

## 確保 OpenCV 已經安裝好

$ python3 -c "import cv2;print(cv2.__version__)"

4.0.0

其實在安裝opencv-python時會附帶安裝numpy，matplotlib安裝時也會附帶numpy，因為它們都依賴于numpy，如圖：

至此，環境基本上已經搭建結束。以后的任務就是開發啦。

附：

#各個版本號

python 2.7.12python33.5.2pip8.1.1pip319.0.3numpy1.16.1matplotlib3.0.2opencv-python 4.0.0.12

Numpy的使用

Numpy 是 Python中的科學計算工具包，可以說是Python中的Matlab。支持向量操作、切片操作、廣播，支持多種常用數據類型，內置豐富的線性代數、矩陣算法。由于底層使用多為C語言實現，所以有著較快速度。同時以使用Python接口可以方便地使用 Python 的語法，擺脫靜態語言的臃腫，從而實現快速建模、計算和驗證。

（1） numpy.ndarray 數組的創建

## --- 創建 np.ndarray 數組 ----

importnumpy as np#使用 Python list 創建

mat1 = np.array([[1,2,3], [4,5,6], [7,8,9]])#使用 np.arange 創建

mat2= np.arange(1,10).reshape(3,3)#使用 zeros/ones/eye 創建

mat3 = np.zeros((3,3))

mat4= np.ones((3,3))

mat5= np.eye(3)print(mat1)print(mat2)print(mat3)print(mat4)print(mat5)

（2） numpy.ndarray 的數據類型

## --- numpy 數據類型(默認 np.int64 或 np.float64) -----#內置多種數據類型,如 np.uint8, np.int32, np.float32, np.float64

a = np.array([[1.25, -16],[32,264.75]], np.float32) #32位浮點型

b = np.array(a, np.int32) #32位整形

c = b.astype("uint8") #8位無符號整型(注意會發生溢出)

print(a)"""[[ 1.25 -16. ]

[ 32. 264.75]]"""

print(b)"""[[ 1 -16]

[ 32 264]]"""

print(c)"""[[1 2 3]

[4 5 6]

[7 8 9]]"""

（3） 索引

## ----- 索引(單坐標、切片、掩模) ------

mat = np.arange(1,10).reshape(3,3)print(mat)## 單坐標

print(mat[2][2]) #9

print(mat[2,2]) #9

## 切片操作

print(mat[:2,:2])"""[[1 2]

[4 5]]"""

## 掩模操作

mask = mat>5

print(mask)"""[[False False False]

[False False True]

[ True True True]]"""mat[mask]= 5

print(mat)"""[[1 2 3]

[4 5 5]

[5 5 5]]"""

(4) 廣播 (broadcasting)

## ----- numpy 廣播機制(broadcasting) ------#https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html#當操作兩個 numpy.ndarray 數組時，如果它們的維度滿足一定的關系，則可以進行廣播操作。

x = np.arange(4) #(4,)

xt = x.reshape(-1,1) #(4,1)

z = np.ones((3,4)) #(3,4)

print(x+xt)"""[[0 1 2 3]

[1 2 3 4]

[2 3 4 5]

[3 4 5 6]]"""

print(x+z)"""[[ 1. 2. 3. 4.]

[ 1. 2. 3. 4.]

[ 1. 2. 3. 4.]]"""

Matplotlib

[Matplotlib](http://matplotlib.org/) 是 Python 中的可視化庫，可以用來繪制高質量的 2D 折線圖、散點圖、柱狀圖，或者用來顯示圖像。分別參考

#使用 matplotlib 繪制一些列縮略圖(thumbnails),并顯示圖像#from scipy.misc import imread, imresize

importmatplotlib.pyplot as pltimportmatplotlib.image as mpimgimportnumpy as np## (1) 繪制隨機噪點## 初始化隨機種子，并生成隨機坐標

np.random.seed(0)

data= np.random.randn(2, 100)## 創建畫布

fig, axs = plt.subplots(2, 2, figsize=(5, 5))## 繪制子圖

axs[0, 0].hist(data[0])

axs[1, 0].scatter(data[0], data[1])

axs[0,1].plot(data[0], data[1])

axs[1, 1].hist2d(data[0], data[1])## 顯示

plt.show()## (2) 繪制圖像

img = mpimg.imread("/home/auss/Pictures/test.png")

imgx= img[:,:,0] #取第一個通道

## 創建畫布

fig =plt.figure()## 繪制原始圖像，并加上顏色條

axs = fig.add_subplot(1,3,1)

ipt=plt.imshow(img)

axs.set_title("origin")

plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')## 繪制偽彩色圖像，并加上顏色條

axs = fig.add_subplot(1,3,2)

ipt= plt.imshow(imgx,cmap="winter")

axs.set_title("winter")

plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')## 繪制直方圖

axs = fig.add_subplot(1,3,3)

ipt= plt.hist(imgx.ravel(), bins=256, range=(0, 1.0), fc='k', ec='k')

axs.set_title("histogram")

plt.show()

OpenCV的簡單應用

鋪墊了這么久，終于到了 OpenCV 了。 OpenCV 的 Python 接口名稱為 cv2。通常 OpenCV 內部的算法已經很豐富了，并且提供了 highgui 模塊用于顯示圖像（不過可能有的沒有編譯該模塊）。如果需要進行拓展，則可以配合著 Numpy 進行計算，并結合 Matplotlib 進行顯示。

注意，matplotlib 中圖像通道為 RGB，而 OpenCV 中圖像通道為 BGR。因此進行顯示的時候，要注意交換通道的順序。

這里給出一個 Canny 邊緣檢測的例子，涉及到圖像讀寫、色彩空間轉換、濾波、Canny邊緣檢測、掩模賦值操作等。

#!/usr/bin/python3#2017.11.02 17:31:24 CST#2017.11.02 17:51:13 CST

importcv2importnumpy as np

img= cv2.imread("firefox.png")## BGR => Gray； 高斯濾波； Canny 邊緣檢測

gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

gaussed= cv2.GaussianBlur(gray, (3,3), 0)

cannyed= cv2.Canny(gaussed, 10, 220)## 將灰度邊緣轉化為BGR

cannyed2 =cv2.cvtColor(cannyed, cv2.COLOR_GRAY2BGR)## 創建彩色邊緣

mask = cannyed > 0 #邊緣掩模

canvas = np.zeros_like(img) #創建畫布

canvas[mask] = img[mask] #賦值邊緣

## 保存

res = np.hstack((img, cannyed2, canvas)) #組合在一起

cv2.imwrite("result.png", res)　　　　　　　　#保存

## 顯示

cv2.imshow("canny in opencv", res)#保持10s, 等待按鍵響應（超時或按鍵則進行下一步）

key = 0xFF & cv2.waitKey(1000*10)if key in (ord('Q'), ord('q'), 27):## 這部分用作演示用

print("Exiting...")## 銷毀窗口

cv2.destroyAllWindows()

總結

以上是生活随笔為你收集整理的python3 opencv_Python3 OpenCV3 图像处理基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。