OpenCV-Python(9):图像基础操作

学习目标

获取图像像素并修改像素值

获取图像属性

图像ROI

拆分及合并图像通道

图像边缘扩充

学习目标

获取像素值并修改
获取图像的属性(信息)
图像的ROI获取
图像通道拆分及合并
图像扩边

获取图像像素并修改像素值

几乎所有这些操作与Numpy 的关系要比与OpenCV 的关系更加紧密，因此熟练Numpy 可以帮助我们写出性能更好的代码。通常可以根据像素的行和列的坐标获取他的像素值。对BGR 图像而言，返回值分别为B、G、R 的值。对灰度图像而言，会返回他的灰度值(亮度),下面代码展示如何获取图像的像素：

# 导入必要的库
import cv2
import numpy as np# 根据图片路径读入图像
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')# 获取某一位置三通道像素的值
px=img[100,100]
print (px)# 获取某一位置蓝色通道的值
blue=img[100,100,0]
print (blue)# 结果展示
## [57 63 68]
## 57

可以使用以下方式修改像素值：

img[100,100]=[255,255,255]
print (img[100,100])
# 结果如下
## [255 255 255]

警告:Numpy 是经过优化了的快速矩阵运算的软件包。所以我不推荐逐个获取像素值并修改，这样会很慢，能有矩阵运算就不要用循环。

注意：上面提到的方法通常用来选取矩阵的一个区域，比如图像前5行的后3列。对于获取每一个像素值，也可使用Numpy 的array.item() 和array.itemset() 会更好。但是返回值是标量。如果你想获得所有B、G、R 的值，你可以使用array.item() 分割他们。

获取像素值及修改的更好方法如下：

import cv2
import numpy as npimg=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')print (img.item(10,10,2))
img.itemset((10,10,2),100)
print (img.item(10,10,2))
## 50
## 100

获取图像属性

图像的属性值一般包括以下内容：

尺寸：图像的尺寸指的是图像的宽度和高度，通常用像素（pixel）表示。例如，一个图像的尺寸可以为640x480，表示宽度为640像素，高度为480像素。
通道数：彩色图像通常由红、绿、蓝三个通道组成，每个通道表示一种颜色分量。灰度图像只有一个通道，表示图像的亮度。通道数可以用来区分彩色图像和灰度图像。
数据类型：图像的像素值可以用不同的数据类型来表示，例如无符号整数（unsigned integer）或浮点数（float）。常见的数据类型有8位无符号整数（uint8）、16位无符号整数（uint16）、32位浮点数（float32）等。
像素值范围：图像的像素值范围取决于数据类型，例如8位无符号整数的像素值范围为0-255，16位无符号整数的像素值范围为0-65535。像素值范围可以用来判断图像的亮度级别。
位深度：图像的位深度指的是每个像素所占用的比特数。例如，8位图像的位深度为8，表示每个像素由8个比特表示。位深度可以影响图像的色彩精度和灰度级别。
颜色空间：彩色图像可以使用不同的颜色空间来表示颜色信息，常见的颜色空间有RGB、HSV、Lab等。不同的颜色空间可以表示不同的颜色分量，例如RGB颜色空间使用红、绿、蓝三个分量表示颜色。

以上是图像的一些常见属性值，不同的图像处理库可能会提供更多的属性信息。在进行图像处理时，对这些属性值的理解和操作是非常重要的。下面介绍OpenCV中常见的图像属性处理，包括:行、列、通道、图像数据类型、图像素数目等。
img.shape 可以获取图像的形状。他的返回回值是一个包含行数、列数、通道数的元组。

print (img.shape)
## (280, 450, 3)

注意:如果图像是灰度图,返回值仅有行数和列数。所以通过检查这个函数返回值就可以知道加载的是灰度图还是彩色图。

img.size 可以返回图像的像素数目。

print (img.size)
## 378000

img.dtype 返回的是图像的数据类型.

print (img.dtype)
## uint8

注意:在除虫(debug)时img.dtype 非常重要。因为在OpenCVPython代码中经常出现数据类型的不一致。

图像ROI

有时你需要对一幅图像的特定区域进行操作。例如我们要检测一副图像中眼睛的位置，我们应先应先在图像中找到脸，再在脸的区域中找眼睛，而不是直接在一幅图像中搜索，这样会提高程序的准确性和性能。ROI 也是使用Numpy 索引来获得的。现在我们􄦸选择择球的部分并把他拷贝到图像的其他区域。

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
ball=img[280:340,330:390]
img[273:333,100:160]=bal

拆分及合并图像通道

有时我们需要对BGR 三个通道分别进行操作。这时你就需要把BGR 拆分成单个通道。有时你需要把独立通道的图片合并成一个BGR 图像。你可以这样做：

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
b,g,r=cv2.split(img)
img=cv2.merge(b,g,r)

或者这样：

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
b=img[:,:,0]

假如你想使所有像素的红色通道值都为0，你不必先拆分再赋值。你可以直接使用Numpy 索引会更快。

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
img[:,:,2]=0

警告：cv2.split() 是一个比较耗时的操作。只有真正需要时才用它，能用Numpy 索引就尽量用。

图像边缘扩充

如果你想在图像周围创建一个边，就像相框一样，你可以使用cv2.copyMakeBorder()函数。这经常在卷积运算或0 填充时被用到。cv2.copyMakeBorder()函数是OpenCV中用于在图像周围创建边框的函数。该函数可以用于在图像的上、下、左、右四个方向上添加指定大小和类型的边框。

函数的语法如下：

dst = cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

参数说明：

src：输入图像，可以是任意尺寸和通道数的图像。
top：顶部边框的大小，以像素为单位。
bottom：底部边框的大小，以像素为单位。
left：左侧边框的大小，以像素为单位。
right：右侧边框的大小，以像素为单位。
borderType：边框类型，可以是以下值之一：
- cv2.BORDER_CONSTANT：常数边框，边框像素值为指定的value。
- cv2.BORDER_REPLICATE：复制边框，边框像素值为最边缘像素的值。
- cv2.BORDER_REFLECT：反射边框，边框像素值沿边界反射。
- cv2.BORDER_REFLECT_101：反射边框，边框像素值沿边界反射，但是排除边界像素。
- cv2.BORDER_WRAP：环绕边框，边框像素值沿边界环绕。
value：当borderType为cv2.BORDER_CONSTANT时，用于指定边框像素值的常数。

函数返回的是添加了边框的图像。为了更好的理􄎒􄦈几种类型􄖦看下􅄑的演示程序：

import cv2
import numpy as np
from matplotlib import pyplot as plt
BLUE=[255,0,0]
img1=cv2.imread('intro.png')
replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)
constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_CONSTANT,value=BLUE)
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')
plt.show()