实验2.3  使用 OpenCV 显示和调整图像窗口大小

        在图像处理和计算机视觉领域，OpenCV 是一个非常强大的工具库。它提供了丰富的功能，用于图像读取、处理和显示。今天，我们将通过一个简单的示例来展示如何使用 OpenCV 显示图像，并调整显示窗口的大小。

1. 准备工作：在开始之前，请确保你已经安装了 OpenCV 库。如果你还没有安装，可以通过以下命令进行安装：

 pip install opencv-python 

        此外，你需要准备一张图像文件（如 001.bmp），并将其放置在你的代码运行目录下，或者指定正确的文件路径。

2. 代码解析： 以下是我们的示例代码：

import cv2
img=cv2.imread('001.bmp')
cv2.imshow('001',img)

# 设置窗口大小为宽800像素，高600像素
cv2.resizeWindow('001', 800, 600)

cv2.waitKey(0)

实验2.4  使用 Matplotlib 显示图像：一个简单的入门示例。

        在数据分析和可视化领域，Matplotlib 是一个非常强大的工具。它不仅可以用于绘制图表，还可以用来显示图像。今天，我们将通过一个简单的示例来展示如何使用 Matplotlib 读取和显示图像。

1. 为什么选择 Matplotlib？

        Matplotlib 是一个广泛使用的 Python 绘图库，它提供了丰富的功能来创建各种图表和图形。除了用于数据可视化，Matplotlib 还可以用来处理和显示图像。与 OpenCV 不同，Matplotlib 更注重图像的显示和注释，而不是图像处理本身。如果你只需要简单地显示图像并进行一些基本的注释，Matplotlib 是一个非常好的选择。

2. 代码解析：以下是我们的示例代码：

import matplotlib.pyplot as plt
img=plt.imread('001.bmp')
plt.imshow(img)
plt.title('001')
plt.show()

3. 运行结果：

        当你运行这段代码时，你会看到一个窗口，其中显示了你的图像，并且窗口标题为 "001"。Matplotlib 会自动调整窗口大小以适应图像的分辨率，因此你不需要手动设置窗口大小。

4. Matplotlib 与 OpenCV 的区别

        如果你熟悉 OpenCV，可能会注意到 Matplotlib 和 OpenCV 在显示图像时有一些不同： 图像颜色通道：OpenCV 默认使用 BGR 格式，而 Matplotlib 使用 RGB 格式。因此，如果你直接用 Matplotlib 显示 OpenCV 读取的图像，可能会发现颜色不正确。 功能定位：OpenCV 更适合进行复杂的图像处理（如边缘检测、特征提取等），而 Matplotlib 更适合用于图像的显示和注释。 

实验2.5  使用 Matplotlib 进行简单图像处理与对比显示

        我们将通过一个简单的示例来展示如何使用 Matplotlib 对图像进行处理，并将处理前后的图像进行对比显示。

1. Matplotlib 在图像处理中的作用

        Matplotlib 是一个广泛使用的 Python 绘图库，主要用于数据可视化。然而，它也可以用来处理和显示图像。虽然 Matplotlib 的图像处理功能不如 OpenCV 那样强大，但它非常适合进行简单的图像操作（如像素值调整、颜色变换等），并且可以方便地将处理结果展示出来。

2. 代码解析 以下是我们的示例代码： 

import matplotlib.pyplot as plt
img=plt.imread('001.bmp')
img1=img+10
plt.subplot(121)
plt.imshow(img)
plt.title('original')
plt.subplot(122)
plt.imshow(img1)
plt.title('processed')
plt.show()

3. 运行结果

        当你运行这段代码时，你会看到一个窗口，其中包含两个子图： 左侧是原始图像（Original），显示了未经过处理的图像内容。 右侧是处理后的图像（Processed），显示了像素值增加 10 后的效果。 通过对比这两个子图，你可以直观地看到简单图像处理的效果。

4. 图像处理的更多可能性

        虽然这个示例只是简单地将像素值增加了10，但 Matplotlib 支持更多类型的图像处理操作，例如： 调整颜色通道：通过操作 NumPy 数组，可以分别调整图像的 R、G、B 通道。 图像裁剪：通过切片操作，可以裁剪图像的特定区域。 添加注释和标记：使用 Matplotlib 的绘图功能，在图像上添加文本、箭头或其他图形元素。 

实验2.6  结合 OpenCV 和 Matplotlib：正确显示图像色彩

        我们将通过一个简单的示例来展示如何结合使用这两个库，并解决一个常见的问题：色彩空间的转换。

1. OpenCV 与 Matplotlib 的色彩空间差异

        在开始之前，我们需要了解一个重要的概念：色彩空间。色彩空间定义了图像中颜色的表示方式。OpenCV 和 Matplotlib 在处理图像时使用了不同的色彩空间：

• OpenCV 使用 BGR（蓝-绿-红） 色彩空间。这是 OpenCV 的默认设置，因为 BGR 格式在某些硬件和图像处理算法中更高效。

• Matplotlib 使用 RGB（红-绿-蓝） 色彩空间。这是大多数图像显示工具（如浏览器、图像编辑软件）使用的标准色彩空间。

        如果你直接将 OpenCV 读取的图像传递给 Matplotlib 显示，你会发现颜色看起来不对——这是因为 Matplotlib 会将 BGR 格式的图像误认为是 RGB 格式，从而导致颜色顺序错误。

2. 代码解析：以下是我们的示例代码，它展示了如何正确地将 OpenCV 读取的图像显示在 Matplotlib 中：

import cv2
import matplotlib.pyplot as plt
img=cv2.imread('001.bmp')
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#opencv的通道顺序为BGR,matpltlib的通道顺序为RGB
plt.imshow(img)
plt.title('001')
plt.show()

3. 运行结果

        当你运行这段代码时，你会看到一个窗口，其中显示了图像 001.bmp 的正确颜色。如果没有色彩空间转换，图像的颜色会看起来不自然，甚至可能完全错误。

4. 为什么色彩空间转换很重要？

        色彩空间转换是图像处理中的一个重要步骤，尤其是在涉及多个图像处理库时。不同的库可能使用不同的色彩空间，如果不进行正确的转换，可能会导致以下问题： 颜色错误：图像的颜色可能会完全错误，甚至看起来像是“负片”。 算法失效：某些图像处理算法（如颜色分割、特征提取）可能依赖于正确的色彩空间。 显示问题：在显示图像时，错误的色彩空间会导致图像看起来不自然。 通过使用 OpenCV 的 cv2.cvtColor() 函数，我们可以轻松地在不同的色彩空间之间进行转换，从而确保图像在不同库之间的一致性。 

实验2.7  使用 OpenCV 捕获摄像头视频流并保存图像

        我们将通过一个简单的示例来展示如何使用 OpenCV 捕获摄像头视频流，实时显示视频帧，并在程序结束时保存最后一帧图像。

1. OpenCV 的 VideoCapture 功能

        OpenCV 提供了 cv2.VideoCapture 类，用于捕获视频流。它可以读取本地视频文件，也可以直接从摄像头获取实时视频流。通过简单的几行代码，我们就可以实现视频的捕获、显示和处理。

2. 代码解析 以下是我们的示例代码：

import cv2
capture=cv2.VideoCapture(0)
#参数0为笔记本摄像头，也可以写入读取的视频路径（参考实验一的三种方法）
#capture=cv2.VideoCapture('sea.avi)

#设置屏幕分辨率(非必要，如果没有这两行，就默认本机电脑自身camera的分辨率）
# capture.set(cv2.CAP_PROP_FRAME_WIDTH,640)
# capture.set(cv2.CAP_PROP_FRAME_HEIGHT,480)

while (True):
    #获取视频的返回值 ref 和视频中的每一帧 frame
    ref, frame = capture.read()
    cv2.imshow("captureSrc", frame)  # 等待100ms显示图像，若过程中按“Esc”或者视频到最后一帧退出
    if cv2.waitKey() == 27:
          capture.release()
          break

cv2.imwrite('img.jpg', frame)#后一帧彩色图像保存到硬盘

3. 运行结果

        当你运行这段代码时，你会看到一个窗口，实时显示摄像头捕获的视频流。按下 Esc 键后，程序将关闭窗口并保存最后一帧图像为 img.jpg。

4. 实用场景

        这个简单的示例在实际应用中非常有用，例如： 实时视频监控：捕获摄像头视频流并进行实时处理。 图像采集：快速采集摄像头的图像并保存。 视频处理：读取本地视频文件并进行帧处理。