Η OpenCV(Open-source Computer Vision) είναι μία βιβλιοθήκη που περιέχει συναρτήσεις, οι οποίες στοχεύουν στη δημιουργία εφαρμογών όρασης υπολογιστών σε πραγματικό χρόνο. Αρχικά αναπτύχθηκε από την Intel, αλλά στη συνέχεια υποστηρήχθηκε από την Willow Garage. Η βιβλιοθήκη μπορεί να χρησιμοποιηθεί σε όλα τα λειτουργικά συστήματα (Windows, Linux, Mac) και μπορεί να χρησιμοποιηθεί δωρεάν, έχοντας άδεια τύπου BSD.

Επίσης η OpenCV υποστηρίζει συστήματα Deep Learning, όπως είναι το TensorFlow, Torch/Pytorch και Caffe.

Όπως και με κάθε άλλη γλώσσα προγραμματισμού, έτσι και με τις βιβλιοθήκες, η διαδικασία εκμάθησης πρέπει να ακολουθεί κάποια στάδια. Το κλασικό Hello World που μαθαίνει κανείς σε μία γλώσσα προγραμματισμού, στην OpenCV θεωρείται η διαδικασία Ανοίγματος Εκόνας - Μικρή Επεξεργασία - Εξαγωγή Εικόνας. Όλα τα παραδείγματα της ενότητας αυτής, θα ακολουθήσουν αυτή τη δομή. Η επεξεργασία μπορεί να είναι από την αλλαγή φωτεινότητας της εικόνας, μέχρι την επεξεργασία της εικόνας χρησιμοποιώντας κάποιο φίλτρο.

Ας ξεκινήσουμε λοιπόν.

  import os
  import cv2 as cv
  import numpy as np
  import datetime as dt
  
  imgFileFormats = (".jpg", ".jpeg", ".png", ".tif", ".tiff")
  
  def checkImgFileType(src: str):
      typeIMG = None
      for f in imgFileFormats:
          if f in src:
              typeIMG = f
      return typeIMG
  
  def brightnessContrastChange(src: str, contrastVal=1.0, brightnessVal=0.0, exportFolderPath=None, exportImageName=None):
      print("\n\n")
      print(str(dt.datetime.now()) + " : Read image file at %s" % src)
      img = cv.imread(src)  # Read the image file at path src
  
      # Check if image was opened correctly
      if img is None:
          print(str(dt.datetime.now()) + "  : Error: Cannot read image at path %s" % src)
          return False, None
  
      newImg = np.zeros(img.shape, img.dtype)  # Create a new image to store the new values
  
      # Do the operation newImg(i,j) = contrastVal * img(i,j) + brightnessVal
      # Instead of these 'for' loops we could have used simply:
      # newImg = cv.convertScaleAbs(image, alpha=contrastVal, beta=brightnessVal)
      # I prefer this method, cause it shows how to access the points of the image directly. This method can be used
      # if someone wants to write his own image manipulate functions
      for y in range(img.shape[0]):
          for x in range(img.shape[1]):
              for c in range(img.shape[2]):
                  newImg[y, x, c] = np.clip(contrastVal * img[y, x, c] + brightnessVal, 0, 255)
  
      # newImg = cv.convertScaleAbs(image, alpha=contrastVal, beta=brightnessVal)
  
      if exportFolderPath is not None:  # Check if an export path has need set
          if exportImageName is None:  # Check if user has not specify a name
              exportImageName = os.path.splitext(os.path.basename(src))[0]  # Take the name of original image
              exportImageName = exportImageName + "_brightnessContrastChange"  # Set new name
              imgTypeFormat = os.path.splitext(os.path.basename(src))[1]  # Take original image format
          else:
              imgTypeFormat = checkImgFileType(exportImageName)  # Find the input format first
              exportImageName = os.path.splitext(os.path.basename(exportImageName))[0]  # Take new name
              if imgTypeFormat is None:  # If user hasn't specify a type then export image as JPG
                  imgTypeFormat = ".jpg"
          exportAt = exportFolderPath+exportImageName+imgTypeFormat
          print(str(dt.datetime.now()) + " : Write image file at %s" % exportAt)
          cv.imwrite(exportAt, newImg)  # Export image
  
      return True, newImg  # Return True for success and the newImg