OpenCV实战教程 第一部门：根本入门

第一部门：根本入门

1. OpenCV简介

什么是OpenCV及其应用范畴

OpenCV（Open Source Computer Vision Library）是一个开源的盘算机视觉和呆板学习软件库，于1999年由Intel公司发起，如今由非营利构造OpenCV.org维护。OpenCV旨在提供一个共同的根本办法，加速盘算机视觉在贸易产物中的应用，并推动盘算机视觉研究的发展。
OpenCV的紧张特点：

• 完全开源和跨平台
  
• 支持C++、Python、Java等多种编程语言
  
• 包含高出2500个优化算法
  
• 环球拥有高出1800万下载量
  

紧张应用范畴：

• 工业主动化：缺陷检测、零件辨认、尺寸丈量
  
• 医疗影像：病变检测、医学图像分析
  
• 安防监控：人脸辨认、行为分析、车牌辨认
  
• 加强现实（AR）：实时图像处置处罚、特征追踪
  
• 主动驾驶：蹊径标记辨认、停滞物检测
  
• 呆板人导航：情况感知、路径规划
  
• 文档分析：OCR（光学字符辨认）、文本检测
  
• 人机交互：手势辨认、姿态检测
  
• 移动应用：照片处置处罚、实时滤镜
  

开辟情况搭建

Windows体系

安装Python和pip（如果尚未安装）

• 访问 Python官网，下载并安装最新版Python（保举Python 3.7以上版本）
  
• 安装时勾选"Add Python to PATH"选项
  
• 打开下令提示符，输入以下下令确认安装乐成：
  

1. [/code]
3. bash
4. [code]python --version
5. pip --version

复制代码

安装OpenCV

• 在下令提示符中运行以下下令：
  

1. [/code]
3. bash
4. [code]pip install opencv-python
5. pip install opencv-contrib-python  # 包含扩展模块

复制代码

安装IDE（保举）

• 下载并安装Visual Studio Code: Visual Studio Code - Code Editing. Redefined
  
• 安装Python扩展
  

MacOS体系

利用Homebrew安装Python（如果尚未安装）

• 安装Homebrew（如果尚未安装）：
  

1. [/code]
3. bash
4. [code]/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

复制代码

• 安装Python：
  

1. [/code]
3. bash
4. [code]brew install python

复制代码

安装OpenCV

1. [/code]
3. bash
4. [code]pip3 install opencv-python
5. pip3 install opencv-contrib-python  # 包含扩展模块

复制代码

安装IDE（保举）

• 下载并安装Visual Studio Code: Visual Studio Code - Code Editing. Redefined
  
• 安装Python扩展
  

Linux体系（Ubuntu示例）

安装Python和pip（如果尚未安装）

1. [/code]
3. bash
4. [code]sudo apt update
5. sudo apt install python3 python3-pip

复制代码

安装OpenCV依赖项

1. [/code]
3. bash
4. [code]sudo apt install libgl1-mesa-glx

复制代码

安装OpenCV

1. [/code]
3. bash
4. [code]pip3 install opencv-python
5. pip3 install opencv-contrib-python  # 包含扩展模块

复制代码

安装IDE（保举）

1. [/code]
3. bash
4. [code]sudo snap install code --classic  # 安装Visual Studio Code

复制代码

安装设置和第一个步伐"Hello OpenCV"

验证安装

创建一个Python文件，比方verify_opencv.py，输入以下代码：

1. [/code]
3. python
4. [code]import cv2
6. # 打印OpenCV版本
7. print(f"OpenCV 版本: {cv2.__version__}")
9. # 检查是否可以创建窗口
10. try:
11.     cv2.namedWindow("Test", cv2.WINDOW_NORMAL)
12.     cv2.destroyAllWindows()
13.     print("OpenCV GUI功能正常!")
14. except Exception as e:
15.     print(f"OpenCV GUI功能异常: {e}")

复制代码

运行此脚本验证OpenCV安装是否乐成。
第一个步伐："Hello OpenCV"

我们将创建一个简朴的步伐，实现以下功能：

• 读取一张图片
  
• 在图片上体现"Hello OpenCV"笔墨
  
• 体现图片
  
• 生存效果
  

创建一个Python文件，比方hello_opencv.py：

1. [/code]
3. python
4. [code]import cv2
5. import numpy as np
7. # 创建一个纯色背景图像（500x300的蓝色背景）
8. # OpenCV中颜色顺序是BGR（蓝、绿、红）而不是RGB
9. image = np.zeros((300, 500, 3), dtype=np.uint8)
10. image[:] = (255, 127, 0)  # 橙色背景
12. # 添加文字
13. text = "Hello OpenCV!"
14. font = cv2.FONT_HERSHEY_SIMPLEX
15. font_scale = 1.5
16. font_thickness = 3
17. text_color = (255, 255, 255)  # 白色文字
19. # 获取文本大小，以便居中
20. (text_width, text_height), baseline = cv2.getTextSize(text, font, font_scale, font_thickness)
21. x = (image.shape[1] - text_width) // 2  # 计算文本起始x坐标（居中）
22. y = (image.shape[0] + text_height) // 2  # 计算文本起始y坐标（居中）
24. # 在图像上绘制文本
25. cv2.putText(image, text, (x, y), font, font_scale, text_color, font_thickness)
27. # 在窗口中显示图像
28. window_name = "First OpenCV Program"
29. cv2.namedWindow(window_name)
30. cv2.imshow(window_name, image)
32. # 保存图像
33. cv2.imwrite("hello_opencv.jpg", image)
34. print("图像已保存为 'hello_opencv.jpg'")
36. # 等待直到按下任意键
37. print("按任意键关闭窗口...")
38. cv2.waitKey(0)
39. cv2.destroyAllWindows()

复制代码

代码讲解：

• import cv2：导入OpenCV库。
  
• import numpy as np：导入NumPy库，用于图像矩阵利用。
  
• image = np.zeros((300, 500, 3), dtype=np.uint8)：创建一个黑色图像，巨细为300x500像素，3个颜色通道。
  
• image[:] = (255, 127, 0)：将图像背景设为橙色。留意OpenCV中颜色序次是BGR（蓝、绿、红）。
  
• cv2.putText()：在图像上绘制笔墨。
  
• cv2.namedWindow()：创建一个定名窗口。
  
• cv2.imshow()：在窗口中体现图像。
  
• cv2.imwrite()：生存图像到文件。
  
• cv2.waitKey(0)：等候按键输入，参数0体现无穷等候。
  
• cv2.destroyAllWindows()：关闭全部窗口。
  

运行效果：

• 一个带有"Hello OpenCV!"笔墨的橙色窗口
  
• 天生的图像将生存为hello_opencv.jpg
  

这是你的第一个OpenCV步伐！恭喜！如今我们已经完成了OpenCV的安装和根本设置，接下来将深入学习图像根本知识。
2. 图像根本

图像的数字体现方式

在盘算机中，图像以二维或三维矩阵（数组）的情势存储：
灰度图像：

• 二维矩阵，每个元素代表一个像素
  
• 像素值范围通常为0-255（8位），0体现黑色，255体现白色
  
• 比方：100×100的灰度图像是一个100×100的二维矩阵
  

彩色图像：

• 三维矩阵，其中第三个维度体现颜色通道
  
• 常见的RGB图像有3个通道：红、绿、蓝
  
• 在OpenCV中，颜色通道序次为BGR（蓝、绿、红）
  
• 像素值范围通常为每通道0-255（8位）
  
• 比方：100×100的彩色RGB图像是一个100×100×3的三维矩阵
  

图像数据范例： 在OpenCV中，图像通常利用NumPy数组体现，常见的数据范例有：

• uint8：无符号8位整数（0-255），最常用
  
• float32：32位浮点数，用于高精度盘算
  
• float64：64位浮点数
  

让我们创建一个步伐来明确图像的数字体现：

1. [/code]
3. python
4. [code]import cv2
5. import numpy as np
6. import matplotlib.pyplot as plt
8. # 创建一个简单的灰度渐变图像
9. gradient = np.linspace(0, 255, 256, dtype=np.uint8)
10. gradient = np.tile(gradient, (100, 1))
12. # 创建一个简单的彩色图像
13. color_channels = np.zeros((100, 256, 3), dtype=np.uint8)
14. color_channels[:, :, 0] = np.linspace(0, 255, 256, dtype=np.uint8)  # 蓝色通道
15. color_channels[:, :, 1] = np.linspace(0, 255, 256, dtype=np.uint8)  # 绿色通道
16. color_channels[:, :, 2] = np.linspace(0, 255, 256, dtype=np.uint8)  # 红色通道
18. # 显示图像
19. plt.figure(figsize=(10, 6))
21. plt.subplot(2, 1, 1)
22. plt.title('灰度渐变图像')
23. plt.imshow(gradient, cmap='gray')
24. plt.axis('off')
26. plt.subplot(2, 1, 2)
27. plt.title('RGB渐变图像')
28. plt.imshow(cv2.cvtColor(color_channels, cv2.COLOR_BGR2RGB))  # 转换BGR为RGB用于正确显示
29. plt.axis('off')
31. plt.tight_layout()
32. plt.savefig('gradients.png')
33. plt.show()
35. # 打印图像形状和数据类型
36. print(f"灰度图像形状: {gradient.shape}, 数据类型: {gradient.dtype}")
37. print(f"彩色图像形状: {color_channels.shape}, 数据类型: {color_channels.dtype}")
39. # 查看特定位置的像素值
40. position = (50, 150)  # 第50行，第150列
41. print(f"灰度图像在位置{position}的像素值: {gradient[position]}")
42. print(f"彩色图像在位置{position}的像素值: {color_channels[position]}")

复制代码

代码讲解：

• 创建了一个灰度渐变图像（从黑到白）
  
• 创建了一个RGB渐变图像（从黑到白）
  
• 利用matplotlib体现这些图像
  
• 打印图像的外形和数据范例
  
• 检察特定位置的像素值
  

   留意：我们利用cv2.cvtColor()函数将BGR转换为RGB，由于OpenCV利用BGR序次，而matplotlib利用RGB序次。
  色彩空间（RGB、HSV、灰度图）

颜色空间是体现颜色的不同方法。最常见的色彩空间包括：
RGB（红-绿-蓝）：

• 最常见的色彩空间，利用红、绿、蓝三个通道的组合体现颜色
  
• 每个通道值范围为0-255（8位）
  
• 在OpenCV中，默认颜色序次是BGR而不是RGB
  

HSV（色调-饱和度-明度）：

• 色调(H)：颜色种类，范围0-179（在OpenCV中，对应0-360度）
  
• 饱和度(S)：颜色的纯度/鲜艳水平，范围0-255
  
• 明度(V)：颜色的亮度，范围0-255
  
• 比RGB更靠近人类感知颜色的方式
  
• 常用于颜色追踪和分割
  

灰度（Grayscale）：

• 单通道，只有亮度信息，没有颜色信息
  
• 值范围通常为0-255，0体现黑色，255体现白色
  
• 盘算量小，常用于不必要颜色信息的任务
  

让我们编写一个步伐来实现不同色彩空间的转换和比力：

1. [/code]
3. python
4. [code]import cv2
5. import numpy as np
6. import matplotlib.pyplot as plt
8. # 创建一个彩色测试图像（彩虹渐变）
9. def create_rainbow():
10.     # 创建一个大小为200x300的彩虹图像
11.     rainbow = np.zeros((200, 300, 3), dtype=np.uint8)
12.    
13.     # 为了简化，我们创建一个水平的彩虹渐变
14.     for i in range(300):
15.         # 将位置映射到0-360的色调值（对应OpenCV中的0-179）
16.         hue = int(i / 300 * 180)
17.         # 创建一个满饱和度、满亮度的HSV颜色
18.         rainbow_hsv = np.ones((200, 1, 3), dtype=np.uint8) * np.array([hue, 255, 255], dtype=np.uint8)
19.         # 转换为BGR
20.         rainbow[:, i:i+1] = cv2.cvtColor(rainbow_hsv, cv2.COLOR_HSV2BGR)
21.    
22.     return rainbow
24. # 创建彩虹图像
25. rainbow = create_rainbow()
27. # 转换为不同的色彩空间
28. rainbow_rgb = cv2.cvtColor(rainbow, cv2.COLOR_BGR2RGB)  # BGR到RGB
29. rainbow_hsv = cv2.cvtColor(rainbow, cv2.COLOR_BGR2HSV)  # BGR到HSV
30. rainbow_gray = cv2.cvtColor(rainbow, cv2.COLOR_BGR2GRAY)  # BGR到灰度
32. # 显示不同色彩空间的图像
33. plt.figure(figsize=(12, 10))
35. plt.subplot(4, 1, 1)
36. plt.title('原始图像 (BGR转RGB显示)')
37. plt.imshow(rainbow_rgb)
38. plt.axis('off')
40. plt.subplot(4, 1, 2)
41. plt.title('HSV色彩空间 - 色调(H)通道')
42. plt.imshow(rainbow_hsv[:, :, 0], cmap='hsv')
43. plt.axis('off')
45. plt.subplot(4, 1, 3)
46. plt.title('HSV色彩空间 - 饱和度(S)和亮度(V)通道')
47. plt.imshow(np.dstack([np.zeros_like(rainbow_hsv[:, :, 1]),
48.                       rainbow_hsv[:, :, 1],
49.                       rainbow_hsv[:, :, 2]]),
50.            cmap='gray')
51. plt.axis('off')
53. plt.subplot(4, 1, 4)
54. plt.title('灰度图像')
55. plt.imshow(rainbow_gray, cmap='gray')
56. plt.axis('off')
58. plt.tight_layout()
59. plt.savefig('color_spaces.png')
60. plt.show()
62. # 展示H、S、V三个独立通道
63. plt.figure(figsize=(12, 8))
65. plt.subplot(3, 1, 1)
66. plt.title('HSV - 色调(H)通道')
67. plt.imshow(rainbow_hsv[:, :, 0], cmap='hsv')
68. plt.axis('off')
70. plt.subplot(3, 1, 2)
71. plt.title('HSV - 饱和度(S)通道')
72. plt.imshow(rainbow_hsv[:, :, 1], cmap='gray')
73. plt.axis('off')
75. plt.subplot(3, 1, 3)
76. plt.title('HSV - 亮度(V)通道')
77. plt.imshow(rainbow_hsv[:, :, 2], cmap='gray')
78. plt.axis('off')
80. plt.tight_layout()
81. plt.savefig('hsv_channels.png')
82. plt.show()

复制代码

代码讲解：

• create_rainbow()函数创建了一个彩虹渐变图像，展示从红到紫的完备色彩范围
  
• 利用cv2.cvtColor()函数将图像从BGR转换到其他色彩空间
  
• 利用matplotlib体现不同色彩空间的图像和HSV的各个通道
  
• cv2.COLOR_BGR2RGB、cv2.COLOR_BGR2HSV、cv2.COLOR_BGR2GRAY是OpenCV中的色彩空间转换常量
  

OpenCV中常用的色彩空间转换常量：

• cv2.COLOR_BGR2RGB：BGR→RGB
  
• cv2.COLOR_RGB2BGR：RGB→BGR
  
• cv2.COLOR_BGR2GRAY：BGR→灰度
  
• cv2.COLOR_GRAY2BGR：灰度→BGR
  
• cv2.COLOR_BGR2HSV：BGR→HSV
  
• cv2.COLOR_HSV2BGR：HSV→BGR
  
• cv2.COLOR_BGR2Lab：BGR→Lab
  
• cv2.COLOR_Lab2BGR：Lab→BGR
  

图像读取、体现与生存

如今，让我们学习怎样利用OpenCV读取、体现和生存图像，这是盘算机视觉应用的根本利用。
图像读取

OpenCV提供了cv2.imread()函数来读取图像：

1. [/code]
3. python
4. [code]image = cv2.imread('path/to/image.jpg')

复制代码

imread()有两个参数：

• 文件路径
  
• 读取标记（可选），常用的有：
  
  
  
  • cv2.IMREAD_COLOR：以彩色模式读取图像（默认）
    
  • cv2.IMREAD_GRAYSCALE：以灰度模式读取图像
    
  • cv2.IMREAD_UNCHANGED：读取图像，包括alpha通道（如果有）
    
  
  

图像体现

OpenCV利用cv2.imshow()函数体现图像：

1. [/code]
3. python
4. [code]cv2.imshow('Window Name', image)
5. cv2.waitKey(0)  # 等待按键
6. cv2.destroyAllWindows()  # 关闭所有窗口

复制代码

图像生存

OpenCV利用cv2.imwrite()函数生存图像：

1. [/code]
3. python
4. [code]cv2.imwrite('output.jpg', image)

复制代码

让我们编写一个完备的步伐来演示这些利用：

1. [/code]
3. python
4. [code]import cv2
5. import os
6. import sys
8. def process_image(image_path):
9.     """读取、显示和保存图像的基本演示"""
10.    
11.     # 检查文件是否存在
12.     if not os.path.isfile(image_path):
13.         print(f"错误: 文件 '{image_path}' 不存在")
14.         return
15.    
16.     # 读取图像（以彩色模式）
17.     color_image = cv2.imread(image_path, cv2.IMREAD_COLOR)
18.     if color_image is None:
19.         print(f"错误: 无法读取图像 '{image_path}'")
20.         return
21.    
22.     # 读取图像（以灰度模式）
23.     gray_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
24.    
25.     # 获取图像信息
26.     height, width = color_image.shape[:2]
27.     channels = 1 if len(color_image.shape) == 2 else color_image.shape[2]
28.    
29.     # 打印图像信息
30.     print(f"图像信息:")
31.     print(f"- 路径: {image_path}")
32.     print(f"- 宽度 x 高度: {width} x {height} 像素")
33.     print(f"- 通道数: {channels}")
34.     print(f"- 数据类型: {color_image.dtype}")
35.     print(f"- 文件大小: {os.path.getsize(image_path) / 1024:.2f} KB")
36.    
37.     # 创建输出文件夹
38.     output_dir = "output"
39.     if not os.path.exists(output_dir):
40.         os.makedirs(output_dir)
41.    
42.     # 保存灰度图像
43.     gray_output_path = os.path.join(output_dir, "gray_" + os.path.basename(image_path))
44.     cv2.imwrite(gray_output_path, gray_image)
45.     print(f"灰度图像已保存到: {gray_output_path}")
46.    
47.     # 显示图像
48.     cv2.namedWindow("彩色图像", cv2.WINDOW_NORMAL)
49.     cv2.namedWindow("灰度图像", cv2.WINDOW_NORMAL)
50.    
51.     cv2.imshow("彩色图像", color_image)
52.     cv2.imshow("灰度图像", gray_image)
53.    
54.     print("按 'Esc' 键关闭窗口...")
55.     while True:
56.         key = cv2.waitKey(0) & 0xFF
57.         if key == 27:  # Esc键
58.             break
59.    
60.     cv2.destroyAllWindows()
62. if __name__ == "__main__":
63.     # 如果提供了命令行参数，使用它作为图像路径
64.     # 否则，使用默认图像
65.     if len(sys.argv) > 1:
66.         image_path = sys.argv[1]
67.     else:
68.         # 使用内置的示例图像或当前目录中的示例图像
69.         # 如果没有图像，将提示用户
70.         sample_images = ["sample.jpg", "test.jpg", "image.jpg"]
71.         found = False
72.         
73.         for img in sample_images:
74.             if os.path.isfile(img):
75.                 image_path = img
76.                 found = True
77.                 break
78.         
79.         if not found:
80.             print("请提供图像路径作为命令行参数，或确保当前目录有示例图像。")
81.             print("用法: python image_io.py <图像路径>")
82.             sys.exit(1)
83.    
84.     process_image(image_path)

复制代码

代码讲解：

• cv2.imread() 函数读取图像，可以选择彩色或灰度模式
  
• 我们获取并打印图像的根本信息（尺寸、通道数、数据范例等）
  
• cv2.imwrite() 函数将灰度图像生存到输出目次
  
• cv2.namedWindow() 创建窗口，指定 cv2.WINDOW_NORMAL 答应调整窗口巨细
  
• cv2.imshow() 在各自的窗口中体现彩色和灰度图像
  
• cv2.waitKey(0) 等候按键，& 0xFF 确保在不同平台上准确工作
  
• cv2.destroyAllWindows() 关闭全部OpenCV窗口
  

运行步伐：

• 将代码生存为 image_io.py
  
• 运行下令 python image_io.py path/to/your/image.jpg
  
• 如果没有提供图像路径，步伐将实验在当前目次中查找示例图像
  

实用本领：利用matplotlib体现图像

OpenCV的imshow()函数很强盛，但偶然利用matplotlib大概更方便，特别是当你想比力多个图像时：

1. [/code]
3. python
4. [code]import cv2
5. import matplotlib.pyplot as plt
7. # 读取图像
8. image = cv2.imread('path/to/image.jpg')
10. # 将BGR转换为RGB（matplotlib使用RGB顺序）
11. image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
13. # 使用matplotlib显示图像
14. plt.figure(figsize=(10, 8))
15. plt.imshow(image_rgb)
16. plt.title('使用Matplotlib显示图像')
17. plt.axis('off')  # 隐藏坐标轴
18. plt.show()

复制代码

3. 根本图像利用

像素访问与修改

在OpenCV中，图像被体现为NumPy数组，因此可以直接利用NumPy的索引利用来访问和修改像素值。
访问像素值

1. [/code]
3. python
4. [code]# 访问(y, x)位置的像素值（注意：先是y行，再是x列）
5. pixel = image[y, x]
7. # 对于灰度图像，pixel是一个标量
8. # 对于彩色图像，pixel是一个含有B,G,R值的数组

复制代码

修改像素值

1. [/code]
3. python
4. [code]# 修改(y, x)位置的像素值
5. image[y, x] = new_value
7. # 对于灰度图像，new_value是一个标量
8. # 对于彩色图像，new_value是[B, G, R]

复制代码

让我们编写一个步伐来演示像素访问和修改：

1. [/code]
3. python
4. [code]import cv2
5. import numpy as np
6. import matplotlib.pyplot as plt
8. # 创建一个简单的图像
9. def create_test_image():
10.     # 创建白色背景
11.     image = np.ones((300, 400, 3), dtype=np.uint8) * 255
12.    
13.     # 绘制一个蓝色矩形
14.     cv2.rectangle(image, (50, 50), (200, 150), (255, 0, 0), thickness=-1)
15.    
16.     # 绘制一个绿色圆形
17.     cv2.circle(image, (300, 150), 80, (0, 255, 0), thickness=-1)
18.    
19.     # 绘制红色文字
20.     font = cv2.FONT_HERSHEY_SIMPLEX
21.     cv2.putText(image, "OpenCV", (100, 250), font, 2, (0, 0, 255), 3)
22.    
23.     return image
25. # 创建测试图像
26. original_image = create_test_image()
28. # 复制原始图像以便修改
29. modified_image = original_image.copy()
31. # 1. 单个像素修改 - 创建一个小点
32. for i in range(-3, 4):
33.     for j in range(-3, 4):
34.         if i*i + j*j <= 9:  # 创建一个小圆点
35.             y, x = 150 + i, 250 + j
36.             modified_image[y, x] = [0, 0, 0]  # 黑色点
38. # 2. 区域修改 - 反转一个矩形区域内的颜色
39. x1, y1, x2, y2 = 100, 50, 150, 100
40. roi = modified_image[y1:y2, x1:x2]
41. modified_image[y1:y2, x1:x2] = 255 - roi
43. # 3. 像素值分析
44. # 获取某一点的像素值
45. pixel_point = (300, 150)  # x=300, y=150
46. pixel_value = original_image[pixel_point[1], pixel_point[0]]
47. print(f"点 {pixel_point} 处的像素值 (BGR): {pixel_value}")
49. # 获取某一区域的像素值统计
50. roi = original_image[50:100, 150:200]
51. mean_value = np.mean(roi, axis=(0, 1))
52. min_value = np.min(roi, axis=(0, 1))
53. max_value = np.max(roi, axis=(0, 1))
55. print(f"选定区域的平均像素值 (BGR): {mean_value}")
56. print(f"选定区域的最小像素值 (BGR): {min_value}")
57. print(f"选定区域的最大像素值 (BGR): {max_value}")
59. # 在图像上标记分析的位置
60. analysis_image = original_image.copy()
61. cv2.circle(analysis_image, pixel_point, 5, (0, 0, 0), -1)
62. cv2.rectangle(analysis_image, (150, 50), (200, 100), (0, 0, 0), 2)
64. # 显示结果
65. plt.figure(figsize=(15, 5))
67. plt.subplot(1, 3, 1)
68. plt.imshow(cv2.cvtColor(original_image, cv2.COLOR_BGR2RGB))
69. plt.title('原始图像')
70. plt.axis('off')
72. plt.subplot(1, 3, 2)
73. plt.imshow(cv2.cvtColor(modified_image,

复制代码