Python 教你用OpenCV实现给照片换底色

文章目录
1. 读入并显示图片
2. 缩放图片
3. 彩色图像转换为灰度图像
4. 图片二值化处理
5. 图像的腐蚀和膨胀
6. 遍历像素点进行颜色替换
7. 其他说明

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

代码语言：javascript复制

import cv2

# 读入图片
img = cv2.imread(r'D:testtest_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

代码语言：javascript复制

import cv2

# 读入图片
img = cv2.imread(r'D:testtest_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，再进行腐蚀和膨胀操作。

代码语言：javascript复制

import cv2

img = cv2.imread(r'D:testtest_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

**图像二值化（ Image Binarization）**就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。图像二值化处理后，为 1 的为白色点，为 0 的为黑色点。

代码语言：javascript复制

import cv2
import numpy as np

img = cv2.imread(r'D:testtest_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。

代码语言：javascript复制

# 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。

代码语言：javascript复制

import cv2
import numpy as np

img = cv2.imread(r'D:testtest_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：