图像像素的访问、通道的合并与分离

（一）像素访问

在第一篇博客中，向大家介绍了，所谓的图像在计算机看来就是一个矩阵，对于RGB图像矩阵一共有三层，分别代表着RGB通道，矩阵中每一个数的大小代表着不同通道的亮度，范围在0~255之间。

访问图像的像素，就如同对矩阵元素的访问，很好理解。

print(img[0][0][0])

输出为：

34

也可以对所读取的图像矩阵的像素进行赋值

for i in range(400):for j in range(400):for k in range(3):img[i][j][k] = 255

显示图像为：

可以看到上图左上角形成了400x400像素的白色区域。

利用这个图像矩阵的特点，我们还可以做一些有趣的事情。比如说，椒盐现象。

我们需要先写一个椒盐函数，将我们想要的像素随机的分布在图像上。

def salt(img, numbers):for x in range(numbers):i = np.random.randint(img.shape[0])j = np.random.randint(img.shape[1])for k in range(3):img[i][j][k] = 255return img

嘿嘿，先来上1000个点！

img = salt(img, 1000)

图像显示为：

（二）通道分离

对于RGB图像，拥有RGB三原色通道，从矩阵的角度来讲，可以理解为三层矩阵，也就是三维的矩阵，每一层代表着一个通道。将图片进行通道分离可以使用OpenCV里的split函数，也可以通过numpy库对图像矩阵进行直接操作。图像展示的是不同通道的256级灰度图。

b, g, r = cv2.split(img)cv2.namedWindow('Blue')
cv2.imshow('Blue', b)
cv2.waitKey(0)cv2.namedWindow('Green')
cv2.imshow('Green', g)
cv2.waitKey(0)cv2.namedWindow('Red')
cv2.imshow('Red', r)
cv2.waitKey(0)

如果单独保留一个通道，并且令其它通道的图像矩阵的值全为零，将会变得更加好看，特意找了一个小的图片，避免篇幅过长。

img = cv2.imread('tongren.jpg')
b, g, r = cv2.split(img)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
cv2.namedWindow('Blue')
cv2.imshow('Blue', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 1] = g
cv2.namedWindow('Green')
cv2.imshow('Green', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 2] = r
cv2.namedWindow('Red')
cv2.imshow('Red', pic)
cv2.waitKey(0)cv2.destroyAllWindows()

也可以任选两个通道进行拼接。

pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
pic[:, :, 1] = g
cv2.namedWindow('Blue-Green')
cv2.imshow('Blue-Green', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
pic[:, :, 2] = r
cv2.namedWindow('Blue-Red')
cv2.imshow('Blue-Red', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 1] = g
pic[:, :, 2] = r
cv2.namedWindow('Green-Red')
cv2.imshow('Green-Red', pic)
cv2.waitKey(0)cv2.destroyAllWindows()

（三）通道合并

通道合并经常用的有两种方法

第一个是：OpenCV中自带的函数megre

megre = cv2.merge([b, g, r])

第二个是：numpy模块中的dstack，深度拼接函数

dstack = np.dstack([b, g, r])

但这两种拼接方式是不一样的，这一点一定要注意。pandas中也有对矩阵的拼接操作也可实现np.dstack()相同的效果，这里就不介绍了。