OpenCV 圖像處理中的九個驚艷 Python 應用實例

作者：手把手PythonAI編程 2024-12-31 12:00:00

本文我們就來探索OpenCV在Python中的九個驚艷應用實例，從基礎到進階，一步步帶你領略圖像處理的魅力。

在這個數字化時代，圖像處理技術無處不在，從社交媒體上的美顏濾鏡到自動駕駛汽車的路況識別，都離不開強大的圖像處理庫。OpenCV，作為計算機視覺領域的領頭羊，提供了豐富的工具集，讓Python開發者能夠輕松實現各種圖像處理任務。今天，我們就來探索OpenCV在Python中的9個驚艷應用實例，從基礎到進階，一步步帶你領略圖像處理的魅力。

1. 圖像讀取與顯示

這是圖像處理的第一步，也是最簡單的一步。使用OpenCV讀取圖像并顯示它。

import cv2

# 讀取圖像
image = cv2.imread('example.jpg')

# 顯示圖像
cv2.imshow('Image', image)
cv2.waitKey(0)  # 等待按鍵
cv2.destroyAllWindows()  # 關閉所有窗口

2. 圖像灰度化

將彩色圖像轉換為灰度圖像，是圖像處理中常見的預處理步驟。

# 將圖像轉換為灰度圖
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 顯示灰度圖
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 圖像邊緣檢測

使用Canny邊緣檢測算法，可以突出圖像中的邊緣信息。

# 使用Canny算法進行邊緣檢測
edges = cv2.Canny(gray_image, 100, 200)

# 顯示邊緣檢測結果
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 圖像模糊

通過高斯模糊，可以減少圖像噪聲，使圖像變得平滑。

# 應用高斯模糊
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# 顯示模糊后的圖像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. 圖像旋轉

對圖像進行旋轉，可以調整圖像的視角。

# 獲取圖像尺寸
(h, w) = image.shape[:2]

# 計算中心
center = (w // 2, h // 2)

# 定義旋轉矩陣
M = cv2.getRotationMatrix2D(center, 45, 1.0)

# 執行旋轉
rotated_image = cv2.warpAffine(image, M, (w, h))

# 顯示旋轉后的圖像
cv2.imshow('Rotated Image', rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 圖像縮放

調整圖像的大小，以適應不同的顯示需求。

# 將圖像縮放為原尺寸的50%
scaled_image = cv2.resize(image, (0, 0), fx=0.5, fy=0.5)

# 顯示縮放后的圖像
cv2.imshow('Scaled Image', scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

7. 圖像裁剪

裁剪圖像的一部分，提取感興趣的區域。

# 定義裁剪區域
crop_area = image[100:400, 100:400]

# 顯示裁剪后的圖像
cv2.imshow('Cropped Image', crop_area)
cv2.waitKey(0)
cv2.destroyAllWindows()

8. 人臉檢測

使用OpenCV的Haar級聯分類器進行人臉檢測。

# 加載預訓練的Haar級聯分類器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 檢測人臉
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# 在檢測到的人臉周圍繪制矩形框
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)

# 顯示結果
cv2.imshow('Face Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

9. 圖像拼接

將多張圖像拼接成一張大圖。

# 讀取兩張圖像
image1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')

# 獲取圖像尺寸
(h1, w1) = image1.shape[:2]
(h2, w2) = image2.shape[:2]

# 創建拼接后的圖像
result = np.hstack((image1, image2))

# 顯示拼接結果
cv2.imshow('Stitched Image', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

實戰案例：人臉美顏濾鏡

假設我們要為一個社交媒體應用開發一個人臉美顏濾鏡功能。首先，我們使用Haar級聯分類器檢測人臉，然后對檢測到的人臉區域應用高斯模糊和亮度調整，達到美顏效果。

import cv2
import numpy as np

# 加載預訓練的Haar級聯分類器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 讀取圖像
image = cv2.imread('selfie.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 檢測人臉
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# 對檢測到的人臉進行美顏處理
for (x, y, w, h) in faces:
    face = image[y:y+h, x:x+w]
    face_blurred = cv2.GaussianBlur(face, (21, 21), 0)
    face_brightened = cv2.convertScaleAbs(face_blurred, alpha=1.5, beta=0)
    image[y:y+h, x:x+w] = face_brightened

# 顯示結果
cv2.imshow('Beautified Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在這個案例中，我們首先檢測圖像中的人臉，然后對人臉區域進行高斯模糊處理以減少皮膚瑕疵，并通過亮度調整使膚色更加明亮，從而達到美顏效果。這個實戰案例展示了OpenCV在圖像處理中的強大功能和廣泛應用。

通過這篇文章，我們介紹了OpenCV在Python中的9個驚艷應用實例，從基礎的圖像讀取與顯示，到進階的人臉檢測和美顏濾鏡。每個實例都提供了詳細的代碼示例和解釋，幫助初學者逐步掌握圖像處理的核心技術。

責任編輯：趙寧寧來源：手把手PythonAI編程