OpenCV（开源计算机视觉库）是一个强大的图像处理和计算机视觉库，它广泛应用于图像分析、机器学习、深度学习等领域。在Python中，OpenCV利用NumPy的ndarray数据结构进行图像处理，使得处理图像变得更加方便高效。下面我们将深入探讨基于ndarray的OpenCV基本操作。
1. **导入OpenCV与NumPy**
在Python环境中，首先我们需要导入OpenCV库（cv2）和NumPy库（numpy），这两个库是进行图像处理的基础。通常，我们会这样导入：
```python
import cv2
import numpy as np
```
2. **读取与显示图像**
使用`cv2.imread()`函数可以读取图像文件，返回一个ndarray对象。例如：
```python
img = cv2.imread('image.jpg')
```
要显示图像，可以使用`cv2.imshow()`函数：
```python
cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
其中，`cv2.waitKey(0)`会等待用户按键，而`cv2.destroyAllWindows()`则会关闭所有窗口。
3. **图像的基本属性**
图像的形状可以通过ndarray的shape属性获取，它包含行数、列数和通道数（通常为3，对应RGB颜色）。例如：
```python
rows, cols, channels = img.shape
print('Rows:', rows, 'Cols:', cols, 'Channels:', channels)
```
4. **图像的颜色空间转换**
OpenCV支持多种颜色空间之间的转换，如BGR到灰度、HSV等。例如，将BGR图像转换为灰度：
```python
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
```
5. **图像的复制与切片**
使用ndarray的切片操作可以对图像进行部分处理或复制。例如，获取图像左上角的一小块：
```python
cropped_img = img[0:100, 0:100]
```
6. **图像的运算**
对图像进行算术运算，如加法、减法、乘法等，可以对像素值进行操作。例如，将图像与另一个图像相加：
```python
result = img + other_img
```
7. **图像的滤波与平滑**
OpenCV提供了多种滤波器，如高斯模糊、均值滤波等。例如，应用高斯模糊：
```python
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)
```
8. **边缘检测**
边缘检测是图像处理中的重要步骤，OpenCV提供了Canny、Sobel、Laplacian等多种方法。例如，使用Canny检测边缘：
```python
edges = cv2.Canny(img, 100, 200)
```
9. **轮廓检测**
通过膨胀、腐蚀等形态学操作，可以找到图像中的轮廓。例如，检测并绘制轮廓：
```python
contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
cv2.drawContours(img, [contour], -1, (0, 255, 0), 2)
```
10. **图像的缩放与旋转**
可以使用`cv2.resize()`函数来改变图像尺寸，使用`cv2.getRotationMatrix2D()`和`cv2.warpAffine()`进行图像旋转。例如，旋转图像90度：
```python
rot_mat = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1)
rotated_img = cv2.warpAffine(img, rot_mat, (cols, rows))
```
以上只是OpenCV基于ndarray操作的一部分，实际上还有更多高级功能，如特征匹配、物体检测、视频处理等。通过熟练掌握这些基本操作，你可以构建出复杂的计算机视觉系统，解决实际问题。不断学习和实践，你将在OpenCV的世界中游刃有余。
