OpenCV中的图像处理 —— 改变颜色空间+图像几何变换
这一部分主要介绍OpenCV图像处理中的改变颜色空间和图像的几何变换，颜色空间的改变应用非常广泛，在处理图像的实际问题中，经常需要要图像变换为单通道灰度图像等形式操作，在文中会有一个追踪颜色的小实例便于理解，图像的几何变换是老生常谈的东西了，但是在图像处理中有一些新的概念，例如仿射变换和透视变换，废话不多说直接开干！
目录
1. 改变颜色空间
关于颜色空间的改变我们要掌握两个重要的功能函数：cv.cvtColor 和 cv.inRange
1.1 改变颜色空间
OpenCV中有超150中颜色空间转换方法，但是我们只掌握应用最广泛的两种即可：
BGR <-> 灰度 和 BGR <-> HSV
颜色转换的函数cv.cvtColor()非常简单，往其中传入两个参数即可吗，第一个参数是我们的图像对象，第二个参数代表我们要转换称为的类型标志
对于BGR→灰度转换，我们使用标志cv.COLOR_BGR2GRAY。类似地，对于BGR→HSV，我们使用标志cv.COLOR_BGR2HSV
要获取其他标志只需要在python终端把库中的标志名全部输出即可查看
>>> import cv2 as cv
>>> flags = [i for i in dir(cv) if i.startswith('COLOR_')]
>>> print( flags )
1.2 颜色对象追踪
我们通过一个实例来展示颜色对象追踪，其本质上就是在显示的视频中只显示我们要求的颜色，以达到追踪颜色的效果
在HSV中比在BGR中更容易显示颜色
代码实现
import cv2 as cv
import numpy as np
cap = cv.VideoCapture(0)
while(1):
# 读取帧
_, frame = cap.read()
# 转换颜色空间 BGR 到 HSV
hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
# 定义HSV中蓝色的范围
lower_blue = np.array([110,50,50])
upper_blue = np.array([130,255,255])
# 设置HSV的阈值使得只取蓝色
mask = cv.inRange(hsv, lower_blue, upper_blue)
# 将掩膜和图像逐像素相加
res = cv.bitwise_and(frame,frame, mask= mask)
cv.imshow('frame',frame)
cv.imshow('mask',mask)
cv.imshow('res',res)
k = cv.waitKey(5) & 0xFF
if k == 27:
break
cv.destroyAllWindows()
首先我们创建了一个VideoCapture对象用来捕获视频，再通过while来逐帧读取视频，在读取视频的过程中因为我们要单独筛出蓝色，所以还需要一些列操作
HSV比BGR更容易显示颜色，为了显示效果能够更好所有我们选择使用HSV的图像，这个过程用cv.cvtColor()将BGR转换为HSV，在代码中有一个很重要的函数cv.inRange()函数，这个函数就用来筛选处于给定像素区间的图像，其中有三个参数，第一个便是当前“帧”，第二第三个参数就是给定的像素区间了
这里还有一个很重要的函数cv.bitwise_and()，这个函数主要有两个用途：
- 提取掩膜选定的区域：cv.bitwise_and(img1,img2,mask = mask)
首先我们要知道我们是掩膜mask，我们在处理一些图像时，需要选定我们要处理的部分，我们怎么确定这一块儿部分呢？那就是用一块儿掩膜mask来遮住这一块儿区域
- 求两种图片的交集：cv.bitwise_and(img1,img2)
这个用法就很简单了，传入的两个参数就是两个图像对象，返回的结果就是这两个图像的交集
2. 图像几何变换
对于OpenCV的图像几何变换，其提供了两个转换函数：cv.warpAffine()和cv.warpPerspective()
cv.warpAffine采用2x3转换矩阵，而cv.warpPerspective采用3x3转换矩阵作为输入
2.1 缩放
图像的缩放我们可以通过cv.resize()没错就是重置图像的大小，这里有两个插值方式值得注意，一个是cv.INTER_AREA用于缩小，另一个是cv.INTER_CUBIC用于缩放
import numpy as np
import cv2 as cv
img = cv.imread('messi5.jpg')
res = cv.resize(img,None,fx=2, fy=2, interpolation = cv.INTER_CUBIC)
#或者
height, width = img.shape[:2]
res = cv.resize(img,(2*width, 2*height), interpolation = cv.INTER_CUBIC)
2.2 平移
图像的平移我们通过创建转换矩阵M来完成，并且需要使用函数cv.wrapAffine()
我们把转换矩阵放入np.float32类型的Numpy数组中，并将其传递给cv.wrapAffine()函数
import numpy as np
import cv2 as cv
img = cv.imread('messi5.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv.warpAffine(img,M,(cols,rows))
cv.imshow('img',dst)
cv.waitKey(0)
cv.destroyAllWindows()
cv.wrapAffine()函数的参数：第一个为显示的图像，第二个是转换矩阵，第三个是图像的尺寸
2.3 旋转
图像的旋转同样需要一个转换矩阵，这个转换矩阵我们通过**cv.getRotationMatrix2D()**这个函数来得到，其中需要传递三个参数，第一个参数是旋转位置的坐标，它通过一个二元组来传递，第二个参数是旋转角度吗，第三个参数是用来做调整的参数，如果传入1，则按照正常的逆时针旋转，如果传入0则不会显示图片，如果传入-1会显示顺时针旋转的结果
import numpy as np
import cv2 as cv
# cols-1 和 rows-1 是坐标限制
img = cv.imread(r'E:\image\wqw.png', 0)
rows, cols = img.shape
M = cv.getRotationMatrix2D(((cols - 1) / 2.0, (rows - 1) / 2.0), 90, 1)
dst = cv.warpAffine(img, M, (cols, rows))
cv.imshow('img', dst)
cv.waitKey(0)
cv.destroyAllWindows()
2.4 仿射变换
还记得我们在上面说的另一个函数cv.getAffineTransform吗？现在我们要开始使用它了
在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行，为了找到变换矩阵，我们需要输入图像中的三个点的位置，然后使用cv.getAffineTransform()函数创建一个2*3的矩阵，再将其传入cv.wrapAffine()完成仿射变换
img = cv.imread('drawing.png')
rows,cols,ch = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M = cv.getAffineTransform(pts1,pts2)
dst = cv.warpAffine(img,M,(cols,rows))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
2.5 透视变换
对于透视变换，需要3x3变换矩阵，即使在转换后，直线也将保持直线，要找到此变换矩阵，需要在输入图像上有4个点（在这四个点中，其中三个不应共线）
可以通过函数cv.getPerspectiveTransform找到变换矩阵。然后将cv.warpPerspective应用于此3x3转换矩阵
img = cv.imread('sudoku.png')
rows,cols,ch = img.shape
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M = cv.getPerspectiveTransform(pts1,pts2)
dst = cv.warpPerspective(img,M,(300,300))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()
（注：文章内容参考OpenCV4.1中文官方文档）
如果文章对您有所帮助，记得一键三连支持一下哦