4. OpenCV基础与环境搭建

OpenCV 是工业视觉绕不开的基础库。我入行那会儿，OpenCV 2.x 刚流行，现在都 4.x 了。但说实话，核心的东西没怎么变——Mat 结构、色彩空间、读写显示，这些基本功打扎实了，后面做缺陷检测才能顺手。

这一章，咱们就把环境搭好，把几个最常用的操作捋一遍。别小看这些基础，我在产线上见过不少问题，最后查出来都是色彩空间搞错了，或者 Mat 数据没理解透。

4.1 OpenCV的安装与配置

安装其实很简单，但有几个坑要注意。我个人习惯用 pip 安装，省事。

核心命令：

# 基础版（CPU 推理够用）
pip install opencv-python

# 扩展版（包含 contrib 模块，比如特征匹配、aruco）
pip install opencv-contrib-python

我的建议：工业场景下，除非你需要 SIFT/SURF 这类专利算法，否则装基础版就行。扩展版包更大，但很多模块你用不上。

验证安装是否成功，跑一行代码：

import cv2
print(cv2.__version__)  # 输出类似 '4.8.0'

如果报错，多半是环境变量问题。我曾经在 Windows 上折腾了半天，最后发现是 Anaconda 环境没切对。嗯，这里要注意——用虚拟环境管理项目，别一股脑装到 base 里。

操作系统 推荐安装方式 注意事项
Windows pip install opencv-python 确保 Visual C++ 运行库已安装
Linux (Ubuntu) sudo apt install python3-opencv 或 pip 安装，注意系统 Python 版本
macOS brew install opencv 或 pip 安装，M1/M2 芯片注意架构

4.2 核心数据结构：Mat

Mat 是 OpenCV 的灵魂。说白了，它就是一张图片在内存里的表示方式——一个多维数组。

你想想看，一张 640×480 的灰度图，就是 640 列、480 行、每个像素一个值（0~255）。彩色图呢？多了一个通道——BGR（注意，不是 RGB）。

Mat 的核心属性：

  • rows / cols：行数（高度）和列数（宽度）
  • channels()：通道数，灰度图是 1，彩色图是 3
  • depth()：像素深度，常见 CV_8U（8位无符号）
  • data：指向像素数据的指针

我在项目中遇到过一个问题：用 OpenCV 读图后直接传给深度学习模型，结果模型报错。查了半天，发现 Mat 默认是 H×W×C 的 BGR 格式，而模型要的是 RGB。这就是典型的通道顺序没搞对。

import cv2
import numpy as np

# 创建一个 300x300 的红色图像（BGR 格式）
img = np.zeros((300, 300, 3), dtype=np.uint8)
img[:, :] = (0, 0, 255)  # BGR 顺序，红色是 (0,0,255)

# 查看 Mat 属性
print(f"形状: {img.shape}")       # (300, 300, 3)
print(f"通道数: {img.shape[2]}")  # 3
print(f"数据类型: {img.dtype}")   # uint8

避坑指南：OpenCV 的彩色图像通道顺序是 BGR，不是 RGB。用 matplotlib 显示时一定要转换，否则颜色会乱。我曾经因为这个被测试同事追着问了一下午……

4.3 图像读写与显示

读写图像是基本功，但工业场景下有些细节要注意。

4.3.1 读取图像

import cv2

# 读取图像（默认彩色模式）
img = cv2.imread('product.jpg')

# 读取为灰度图
img_gray = cv2.imread('product.jpg', cv2.IMREAD_GRAYSCALE)

# 读取为原始格式（包含 alpha 通道）
img_unchanged = cv2.imread('product.jpg', cv2.IMREAD_UNCHANGED)

经验之谈：工业相机拍出来的图，很多是 16 位深度或 TIFF 格式。用 cv2.IMREAD_UNCHANGED 可以保留原始位深，避免精度丢失。

4.3.2 显示图像

调试时经常要看图。OpenCV 的 imshow 很方便，但有个坑——必须配合 waitKey 才能正常显示。

cv2.imshow('Defect Detection', img)
cv2.waitKey(0)      # 等待按键
cv2.destroyAllWindows()

为什么非要加 waitKey？因为 imshow 只是把图像推送到窗口，真正绘制需要事件循环。不加的话，窗口一闪就没了。

4.3.3 保存图像

# 保存为 PNG（无损压缩）
cv2.imwrite('result.png', img)

# 保存为 JPEG（可调质量）
cv2.imwrite('result.jpg', img, [cv2.IMWRITE_JPEG_QUALITY, 95])

注意：保存路径不能有中文！OpenCV 底层用的是 C++ 的 imwrite，对 Unicode 支持不好。我曾经因为路径带中文，调试了半小时才发现是这个问题。

4.4 色彩空间转换

色彩空间转换是缺陷检测里最常用的操作之一。为什么？因为很多缺陷在 RGB 空间里不明显，但转到 HSV 或灰度空间就一目了然。

4.4.1 三种常用色彩空间

色彩空间 特点 工业应用场景
RGB 红绿蓝三通道，与人眼感知不完全一致 通用显示、深度学习输入
HSV 色调(H)、饱和度(S)、明度(V)，对光照变化鲁棒 颜色缺陷检测、物体分割
Gray 单通道灰度，计算量小 边缘检测、模板匹配、OCR

4.4.2 转换实战

import cv2

img = cv2.imread('defect_sample.jpg')

# BGR 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR 转 HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# HSV 转 BGR（还原）
bgr_back = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

核心要点：

  • OpenCV 的默认彩色空间是 BGR，不是 RGB
  • HSV 的 H 范围是 0~179，S 和 V 是 0~255
  • 灰度图只有一个通道，不能直接转回彩色

我举个实际例子。有一次做 PCB 焊点缺陷检测，焊点颜色偏暗，在 RGB 空间里很难分割。转到 HSV 后，用 H 通道就能轻松把焊点区域提取出来。这就是色彩空间转换的价值。

4.4.3 用 HSV 做颜色过滤

工业视觉里经常要提取特定颜色的区域。HSV 比 RGB 好使，因为 H 通道对光照变化不敏感。

import cv2
import numpy as np

img = cv2.imread('color_target.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义红色范围（H 在 0~10 和 160~180）
lower_red1 = np.array([0, 50, 50])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([160, 50, 50])
upper_red2 = np.array([180, 255, 255])

# 生成掩码
mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)

# 提取红色区域
result = cv2.bitwise_and(img, img, mask=mask)

经验分享：红色在 HSV 里比较特殊，它跨越了 0° 和 180° 两个区间。所以过滤红色时要用两个范围做或运算。我第一次做红色提取时只设了一个范围，结果漏了一半……

4.5 本章知识体系

下面这张图把本章的核心知识点串起来了。你可以把它当作一个快速索引。

第4章 知识体系：OpenCV基础与环境搭建 OpenCV 基础 安装与配置 Mat 数据结构 图像读写与显示 色彩空间转换 pip / conda 环境验证 rows/cols channels imread imwrite RGB HSV Gray cvtColor 工业应用提示 HSV 对光照变化鲁棒 灰度图计算量小 BGR 转 RGB 需注意

4.6 常见问题与避坑

  • 图像读取失败：检查路径、文件权限、格式支持。OpenCV 不支持 GIF 和部分 RAW 格式。
  • 显示窗口卡死：忘了加 waitKey()，或者循环里没调 waitKey(1)。
  • 颜色不对：99% 是 BGR 和 RGB 搞混了。用 cv2.cvtColor 转一下就好。
  • HSV 范围不对：OpenCV 的 H 范围是 0~179，不是 0~360。很多新手在这里翻车。

我曾经踩过的坑：有一次在产线上部署算法，发现同一张图在不同电脑上颜色不一样。查了半天，原来是其中一台电脑的 OpenCV 是用源码编译的，色彩空间默认值不一样。从那以后，我所有项目都固定 OpenCV 版本，用 pip 安装，避免编译参数差异。

好了，这一章的内容就到这里。环境搭好了，Mat 理解了，读写显示会了，色彩空间转换也练了——接下来就可以开始真正的工业视觉算法实战了。

← 上一章 📖 返回目录 下一章 →