智能制造与工业软件 / 系统课时

用 Python 跑通 OpenCV

用 Python 跑通 OpenCV

从一个空目录搭建 Python 3.12 图像实验环境,安装固定版本的 OpenCV 4.x 与 NumPy。随后生成测试图,完成图像读取、像素检查、标记绘制和 PNG 保存,确保整个实验不依赖相机或外部素材。

学习目标

  • 为项目创建独立的 Python 3.12 虚拟环境,并锁定 OpenCV、NumPy 版本。
  • 理解图像数组的行列与 BGR 通道顺序,完成读写和像素访问。
  • 根据运行输出与文件结果,定位解释器、路径和依赖问题。

创建独立的 Python 环境

先安装 Python 3.12,并确认它可从命令行调用。每个实验项目单独使用 .venv,避免全局包与其他工程冲突。

Windows PowerShell 执行:

powershell
mkdir vision-lab
cd vision-lab
py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python --version

预期结果:最后一条命令显示 Python 3.12.x(补丁版本可能不同),命令提示符通常出现 (.venv)。

macOS 或 Linux 使用:

bash
mkdir vision-lab && cd vision-lab
python3.12 -m venv .venv
source .venv/bin/activate
python --version

预期结果:同样显示 Python 3.12 的版本号;后续命令均在 vision-lab 目录与已激活的环境中执行。若 PowerShell 禁止运行激活脚本,可在当前终端执行 Set-ExecutionPolicy -Scope Process RemoteSigned 后重试;此设置仅作用于当前进程。

安装并记录依赖

这里选用适配 Python 3.12 的 opencv-python==4.11.0.86 与 numpy==2.2.6,固定版本便于复现实验。opencv-python 是安装包名,代码里的导入名是 cv2。

bash
python -m pip install "opencv-python==4.11.0.86" "numpy==2.2.6"
python -m pip check
python -m pip freeze > requirements.txt

预期输出:安装无错误时,pip check 显示:

text
No broken requirements found.

项目根目录会生成 requirements.txt,其中包含这两个包的确切版本。另一台安装了 Python 3.12 的机器创建虚拟环境后,可运行 python -m pip install -r requirements.txt 恢复依赖。不要在同一环境中混装 opencv-python 和 opencv-python-headless,两者都提供 cv2 模块。

运行读图、访问像素和保存实验

在项目根目录创建 demo.py,写入完整代码。程序先生成一张 160×120 的无损彩色图,再从磁盘读回;因此不需要预先准备图片。所有路径都相对于脚本位置构造,避免从不同终端目录运行时找错文件。

python
from pathlib import Path

import cv2
import numpy as np

root = Path(__file__).resolve().parent
data = root / "data"
outputs = root / "outputs"
data.mkdir(exist_ok=True)
outputs.mkdir(exist_ok=True)

# 创建可重复验证的绿色测试区域,色彩采用 BGR 顺序。
sample = np.zeros((120, 160, 3), dtype=np.uint8)
sample[20:80, 30:100] = (0, 255, 0)
source = data / "input.png"
if not cv2.imwrite(str(source), sample):
    raise OSError("测试图写入失败")

# 先检查读取结果,再访问 [行, 列] 位置的像素。
image = cv2.imread(str(source), cv2.IMREAD_COLOR)
if image is None:
    raise FileNotFoundError(f"无法读取图像: {source}")

print("OpenCV:", cv2.__version__)
print("NumPy:", np.__version__)
print("shape:", image.shape)
print("dtype:", image.dtype)
print("pixel:", image[30, 40].tolist())

# 在副本上绘制红框,保留原始图用于复核。
marked = image.copy()
cv2.rectangle(marked, (25, 15), (105, 85), (0, 0, 255), 2)
target = outputs / "result.png"
if not cv2.imwrite(str(target), marked):
    raise OSError("结果图写入失败")
print("saved:", target.relative_to(root).as_posix())

预期结果:保存代码后,在已激活的虚拟环境中执行 python demo.py,终端应显示:

text
OpenCV: 4.11.0
NumPy: 2.2.6
shape: (120, 160, 3)
dtype: uint8
pixel: [0, 255, 0]
saved: outputs/result.png

shape 按高度、宽度、通道数排列,即高 120、宽 160、3 个颜色通道;image[30, 40] 访问第 30 行、第 40 列,位于绿色区域。OpenCV 默认使用 BGR 而不是 RGB,因此 (0, 0, 255) 会画出红框。dtype=uint8 表示每个通道取值为 0~255。

验收结果与排查失败

使用文件管理器打开 data/input.png 与 outputs/result.png:前者应为黑底绿色矩形,后者应额外出现一圈红色框线。两幅图片都应为 160×120 像素。这个检查同时覆盖 NumPy 数组构造、PNG 编解码、读取和结果写入。

遇到失败时,按现象处理:

  • 出现 ModuleNotFoundError: No module named 'cv2':先确认已激活 .venv;执行 python -m pip show opencv-python,确保包安装在当前解释器下,而不是系统 Python。
  • cv2.imread() 返回 None:检查文件是否存在且为可识别的图像。对真实产线图片优先使用由脚本位置计算出的绝对路径,不要仅凭运行终端的当前目录猜测路径。
  • 输出颜色颠倒:先确认是否把 RGB 数值直接传给 OpenCV;从 RGB 转为 BGR 时使用 cv2.cvtColor(rgb, cv2.COLOR_RGB2BGR)。
  • cv2.imwrite() 返回 False:检查目标目录是否存在、路径是否可写,以及扩展名是否为受支持格式。本示例已主动建目录并检测写入结果。

到这里验收的是本地图像处理软件链路,并不意味着工业相机的曝光、触发、镜头或照明已通过验证。后续只需把 data/input.png 换成真实采集图,便可沿用相同的检查方法。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用 Python 跑通 OpenCV

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通