opencv学习1：图像处理入门

要学习机器视觉或计算机视觉，首先要明白什么是数字图像。在这里对数字图像做一个简单的说明，以方便大家了解具体做图像处理是在做什么。
所谓数字图像，顾名思义，就是用数字表示的图像。怎么用数字来表示图像呢？你所看到的电脑或手机上的图像具有各种色彩，形状。那么，它们在计算机里面是怎么表示的呢？计算机只认识“0”和“1”。其实不管什么图像，对计算机而言就是一堆数字。

图1 黑白图像
比如图1，我们看到的是黑白图像，其实在计算机里面就只有“0”和“1”，其中“0”表示黑色，“1”表示白色。

图2 灰度图像
图2是一张灰度图像，这个灰度图像就类似于我们早期的黑白电视的图像，在计算机内也是一堆数字，对于灰度图而言，数字不只是“0”和“1”，而是“0”到“255”之间的任意数字。其中“0”表示黑色，“255”表示白色，中间的数字依次表示黑色到白色之间的过渡。数字在计算机里面是用二进制表示的，灰度图像从“0”到“255”之间的每个数字表示像素值，每个像素值以二进制方式存储在计算机里面。如果我们用数字的方式来看上面的图像，就类似于下面这一堆数字:

图3 灰度图的数字表示
所以，我们说数字图像处理，因为图像在计算机里面就是一堆数字，我们处理的是具体的数字。显然，这一堆数字看起来就像是二维矩阵。所以，用二维矩阵来存储图像数据非常合理。同时，很多人一看到这对数字，就感觉与线性代数中学的矩阵知识有关，就会想到用矩阵的知识来处理图像。学习数字图像处理与数学有很大关系。但是，图像处理不仅仅是矩阵的知识，也包括很多别的方面的数学知识，比如概率论。即使最简单的高等数学中学的知识，也有很多应用在数字图像处理中，比如求导数来提取边界。简单的说，数字图像处理就是对这些数字进行数学运算，然后得到我们相应的特征信息。至于用到哪些数学知识，就看你自己的本事了。

图4 彩色图像

图5 彩色图像的数字表示
图4和图5是24位彩色图像以及数字表示，彩色图像在计算机里面采用RGB三种颜色表示，现实世界中的各种颜色，可以用RGB三种颜色的不同组合来模拟。每种颜色有“0”到“255”种，RGB三种颜色就可以组合成各种不同的颜色。看起来与我们在现实世界上看到的各种彩色图像一样。
上面介绍了灰度图和彩色图，平时我们说的8位灰度图，24位彩色图是指图像的位数。8位图像是指图像每个像素在计算机中所占的二进制位数。24位表示每个像素值占24位。RGB三个颜色通道每个颜色占8位。

图6 像素值的二进制表示
图6 是8位灰度图像中一个像素值的二进制表示，其实8位图像的像素值是索引值，对于灰度图而言，RGB三个颜色通道在每个像素值上是相同的，所有，我们只需要存储一个值就可以，这样可以节省存储空间，由于RGB三个通道的值相同，因此，索引值也就是具体的像素值。除了8位，24位之外，还有一种16位彩色图像，这种彩色图像每个像素值用16位来表示，RGB三个通道中每个通道不是8位来表示的，具体如下图

图7 16位图像的存储方式
图只表示是了一种16位图像的存储方式，每种颜色占5位，最高位空着，用“0”表示。称为555格式，16位图像的颜色值需要进行变换，这种图像称为高彩色，或叫增强型16位色，或64K色。这种图像处理起来比较麻烦，现在感觉使用也不多了。
24位图像每个像素24位，占据三个字节，每个字节表示RGB的每个分量，真彩色，颜色级有2^24种，完全可以表示真实世界中的颜色。

图8 24位图像的存储方式
所谓数字图像处理，就是对这些数字进行运算，然后得出我们想要的特征。8位灰度图像占用的计算机存储空间小，数据量也小，运算速度快。因此，在实际应用中，常采集这种灰度图来进行特征检测。一般如果需要通过颜色来区分特征才使用24位彩色图。
在OpenCV中，采用Mat数据类型来表示图像数据。读出来的图像可以存储在Mat类型中，是一个二维矩阵数据。
比如，采用下面这种方式，就可以读取一张图像到Mat数据类型中。
c++代码：
Mat ReadImage=imread(“E:/pcbData/01_missing_hole_01.jpg”,1);
python代码：
ReadImage=cv2.imread(“E:/pcbData/01_missing_hole_01.jpg”,1)
可以输出Mat数据到控制台观察图像对应的像素值。最终显示效果如下：