Дата публикации: 18.10.2025

Обработка изображений с помощью OpenCV на Python

Содержимое статьи:

Введение
OpenCV (Open Source Computer Vision Library) — это библиотека, предназначенная для обработки и анализа изображений и видео. На языке Python она становится мощным инструментом для разработки приложений компьютерного зрения. В статье рассматриваются основные этапы работы с изображениями с помощью OpenCV, начиная от загрузки файла и заканчивая применением различных фильтров и преобразований.
Основные возможности OpenCV
Загрузка и отображение изображений
Изменение размеров и формата изображений
Применение фильтров и фильтрованных преобразований
Детекция границ и контуров
Обнаружение объектов и цветовых сегментаций
Работа с видео и видеофайлами
Загрузка и отображение изображений
Для загрузки изображения используют функцию cv2.imread(). Аргумент — путь к файлу. Например:

import cv2

image = cv2.imread('path/to/image.jpg')

cv2.imshow('Loaded Image', image)

cv2.waitKey(0)

cv2.destroyAllWindows()

Отображение позволяет визуализировать результат обработки.
Изменение размеров изображений
Для изменения размера применяют cv2.resize(). В качестве параметров указывают изображение и желаемые размеры:

resized_image = cv2.resize(image, (width, height))

Это удобно для стандартизации изображений перед дальнейшей обработкой.
Работа с цветами
OpenCV использует цветовую модель BGR по умолчанию. Для преобразования между цветами используют функции:
cv2.cvtColor() — смена цветовой модели
Примеры: BGR в grayscale, BGR в HSV

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

Применение фильтров
OpenCV включает множество фильтров:
Гауссов фильтр для сглаживания
Шумоподавление
Размытие по Гауссу, медианное размытие
Пример:

blurred = cv2.GaussianBlur(image, (5, 5), 0)

Обнаружение границ
Для поиска границ используют алгоритм Кеннена-Ли:

edges = cv2.Canny(gray_image, threshold1=50, threshold2=150)

Это помогает выявлять контуры объектов на изображении.
Обнаружение и работа с контуром
Обнаружение контуров — важный этап для выделения объектов:

contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(image, contours, -1, (0,255,0), 3)

Цветовая сегментация
Используют маски и цветовые диапазоны для выделения объектов по цвету. Например, выделение красного:

mask = cv2.inRange(hsv_image, lower_red, upper_red)

result = cv2.bitwise_and(image, image, mask=mask)

Обработка видео
OpenCV позволяет работать не только с изображениями, но и с видео:

cap = cv2.VideoCapture('video.mp4')

while cap.isOpened():

ret, frame = cap.read()

if not ret:

break

# обработка кадра

cv2.imshow('Video Frame', frame)

if cv2.waitKey(1) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

Заключение
OpenCV — универсальный инструмент для обработки изображений и видео на Python. Его возможности позволяют выполнять широкий спектр задач — от простых операций до сложных алгоритмов компьютерного зрения.
FAQ
1. Какие требования к системе для работы с OpenCV на Python?
OpenCV совместим с Windows, macOS, Linux. Требуется Python 3.x и установка библиотеки через pip (pip install opencv-python).
2. Можно ли использовать OpenCV без знаний программирования?
Большинство функций требуют базовых навыков программирования. Есть графические интерфейсы и платформы, облегчающие работу с изображениями, но для полного контроля знания Python необходимы.
3. Какой формат изображений поддерживается?
OpenCV поддерживает большинство распространенных форматов, включая JPEG, PNG, BMP, TIFF.
4. Можно ли обрабатывать видео в реальном времени?
Да, OpenCV позволяет обрабатывать видео в реальном времени через подключение веб-камеры или потоков.
5. Какие алгоритмы машинного обучения интегрированы в OpenCV?
OpenCV включает различные модели и инструменты для классификации, обнаружения объектов, распознавания лиц и других задач, а также позволяет использовать обученные модели сторонних разработчиков.