Python图像处理：cv2与PIL应用与OCR示例

本文将深入探讨Python中常用的图像处理库——OpenCV（cv2）和PIL（Python Imaging Library）的功能及其在实际应用中的操作。首先，我们来概述一下这两者在图像处理中的地位和应用场景。 1. **图片基本操作** - **灰度转换**：通过PIL库的`Image.open()`函数加载图片后，使用`convert("L")`方法将其转换为灰度图像。灰度图像只包含黑白两种颜色，这对于许多计算机视觉任务如图像分类、特征提取等非常有用。 - **底片模式**：通过将图片转为二值（黑色和白色）再反转颜色，模拟底片效果。这可以通过将像素值与255相减并保持为整数类型来实现。 2. **滤波器应用** OpenCV中的`filter`模块提供了对图像进行各种滤波处理的方法，如`ImageFilter.CONTOUR`用于边缘检测，这对于轮廓分析、物体识别等场景很有帮助。 3. **OpenCV基础操作** - 使用`cv2.imread()`函数读取图像，并设置参数`0`以指定为灰度模式。`cv.imshow()`用于显示图像，`cv.waitKey(0)`等待用户按键，`cv.destroyAllWindows()`关闭所有窗口。另外，还展示了如何用`cv.imwrite()`保存处理后的图像。 - 通过`cv2`库，还可以获取图片的属性，如形状（shape）、大小（size）以及数据类型（dtype）。 4. **图片缩放** 通过`cv2.resize()`函数，可以调整图像的尺寸。该函数接受一个参数`None`表示根据原始图像的比例进行缩放，另一个参数可以是自定义的目标尺寸。 5. **OCR（光学字符识别）** 文章提到使用传统的机器学习方法（SVM和KNN）进行手写数字识别，而非深度学习的卷积神经网络。尽管这些方法在识别精度上可能不及深度学习，但它们在某些特定场景下仍具有实用价值，特别是当数据集较小或者对模型复杂度有特殊要求时。 本文主要介绍了如何利用Python的PIL和OpenCV库进行基本的图像处理操作，包括灰度转换、滤波、图像显示、属性获取、缩放以及一个基于传统算法的OCR示例。对于任何想要入门或提高图像处理技能的开发者来说，这些操作是不可或缺的基础。