目录
捕捉录像
图片灰度化
图像模糊化处理
图像边缘化处理
图像膨胀和腐蚀
参考链接（bilibili）：我愿称之为史上最强opencv，难得看到有人把opencv讲的如此通俗易懂_哔哩哔哩_bilibili
搭建好python环境后，在文件--setting里下载包opencv python，然后就可一开始代码啦。实在看不懂可以看这个b站视频，里面的环境搭建很详细。
捕捉录像
这段代码是导入电脑摄像头 按q结束。VideoCapture（"文件目录"），可以得到目标文件，而示例代码中的参数0是获取自己电脑的摄像头。
int waitKey(int delay=0)delay:为0时，则会一直显示这一帧
import cv2cap = cv2.VideoCapture(0)#获取摄像头cap.set(3,640)cap.set(4,480)cap.set(10,100)#调节亮度while True:success, img = cap.read()cv2.imshow("video",img)if cv2.waitKey(1) & 0xFF == ord('q'):break
图片灰度化
下面的代码是能够将图片灰度化。cvtcolor()函数，cvt是convert（转换）的缩写，简单理解这个函数为将图像从一个颜色空间转换为另一个颜色空间。
import cv2img = cv2.imread("sources/lena.webp")#灰度化处理imgGray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)cv2.imshow("Gray Image",imgGray)cv2.waitKey(0)
这是灰度化处理之后的图像
图像模糊化处理
GaussianBlur函数，高斯滤波（平滑处理、图像降噪）处理。void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT);
src指的是输入图像；dst为目标图像；ksize，高斯内核的大小；sigmaX，表示高斯核函数在X方向的的标准偏差；sigmaY，表示高斯核函数在Y方向的的标准偏差；
import cv2img = cv2.imread("sources/lena.webp")#灰度化处理imgGray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#高斯滤波处理imgBlur = cv2.GaussianBlur(imgGray,(7,7),0)cv2.imshow("Gray Image",imgGray)cv2.imshow("Blur Image",imgBlur)cv2.waitKey(0)
处理之后的图像对比
图像边缘化处理
需要注意的是，边缘检测只能对灰度图像进行处理，并且在进行边缘化处理之前，要先进行降噪，否则效果会很差。这里用到的是canny函数，一种非常重要的算法,这是坎尼在1986年写的一篇论文里仔细论述的。他给出了判断边缘提取方法性能的指标。而坎尼算子也是图像处理领域里的标准方法，也可以说是默认的方法。
import cv2img = cv2.imread("sources/lena.webp")#灰度化处理imgGray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#高斯滤波处理imgBlur = cv2.GaussianBlur(imgGray,(7,7),0)#图像边缘化处理imgCanny = cv2.Canny(img,100,100)cv2.imshow("Gray Image",imgGray)cv2.imshow("Blur Image",imgBlur)cv2.imshow("Canny Image",imgCanny)cv2.waitKey(0)
图像膨胀和腐蚀
这里导入了numpy库，没下的宝宝们记得去下载哦。在文件-settings--project：python project--project interprete里的+号，搜索numpy下载就可以啦。然后定义核：kenel
图像膨胀的详细说明可以看这个链接，说的很好理解。主要就是更好的区分主题和背景数字图像处理---通俗理解腐蚀与膨胀_alw_123的博客-CSDN博客_图像腐蚀和膨胀的作用
import cv2import numpy as npimg = cv2.imread("sources/lena.webp")kenel = np.ones((5,5),np.uint8)#灰度化处理imgGray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#高斯滤波处理imgBlur = cv2.GaussianBlur(imgGray,(7,7),0)#图像边缘化处理imgCanny = cv2.Canny(img,100,100)#图像膨胀imgDialation = cv2.dilate(imgCanny,kenel,iterations=1)cv2.imshow("Gray Image",imgGray)cv2.imshow("Blur Image",imgBlur)cv2.imshow("Canny Image",imgCanny)cv2.imshow("Dialation Image",imgDialation)cv2.waitKey(0)
以下是图像膨胀和侵蚀后的图片，可以看出图像更加纯净了
opencv+python实战日记 入门篇（一）车牌识别 捕捉录像 图片灰度化 图像模糊化处理 图像边缘化处理 图像膨胀和腐蚀
