OpenCV_007-OpenCV 中的图像基本操作

本文主要是介绍OpenCV_007-OpenCV 中的图像基本操作，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文主要内容来自于 OpenCV-Python 教程 的 核心操作 部分，这个部分的主要内容如下：

• 图像的基本操作

  学习读取和编辑像素值，使用图像 ROI 和其它的基本操作。

• 图像的算术运算

  对图像执行算术运算

• 性能测量和提升技术

  获得解决方案很重要。但是以最快的方式获得它更重要。学习检查代码的速度，优化代码等。

目标

学习：

• 访问像素值并修改它们
• 访问图像属性
• 设置感兴趣区域 (ROI)
• 分割和合并图像

本节中几乎所有的操作都主要与 Numpy 有关，而不是 OpenCV。使用 OpenCV 编写更好的优化的代码需要良好的 Numpy 知识。

访问及修改像素值

让我们先加载一幅彩色图像：

#!/use/bin/env pythonimport numpy as np
import cv2 as cvif __name__ == "__main__":cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")filepath = cv.samples.findFile("messi5.jpg")img = cv.imread(filepath)

我们可以根据像素点的行和列坐标访问像素的值。对于 BGR 图像，它返回一个蓝色、绿色和红色值的数组。对于灰度图像，只返回相应的亮度。

    px = img[100, 100]print(px)print(px.__class__.__name__)blue = img[100, 100, 0]print(blue)

这几行代码对应的输出如下：

[157 166 200]
ndarray
157

彩色图像像素点的值是由一个 Numpy 的 ndarray 表示的。我们还可以以相同的方式修改像素值。

    img[100, 100] = [255, 255, 255]print(img[100, 100])

这几行代码对应的输出如下：

[255 255 255]

警告
Numpy 是一个为快速数组计算高度优化的库。因此，简单地访问每个像素值并对其进行修改将非常缓慢，并且不鼓励这样做。

注意
上面的方法通常用于选择数组的一个区域，比如开始的 5 行和最后的 3 列。对于单独的像素访问，Numpy 数组方法，array.item() 和 array.itemset() 被认为是更好的选择。它们总是返回一个标量，然而，如果想要访问所有的 B，G，R 值，则将需要为每个值分别调用 array.item()。

更好的像素访问和编辑方法：

    # accessing RED valuered_value = img.item(10, 10, 2)print(red_value)# modifying RED valueimg.itemset((10, 10, 2), 100)red_value = img.item(10, 10, 2)print(red_value)

这几行代码对应的输出如下：

59
100

访问图像的属性

图像属性包括行数、列数和通道数；图像数据的类型；像素的个数等等。

一幅图像的形状可以通过 img.shape 访问。它返回行数、列数和通道数的元组（如果图像是彩色的）：

    print(img.shape)

这行代码对应的输出如下：

(342, 548, 3)

注意
如果图像是灰度图，则返回的元组只包含行数和列数，因而这是一种检查加载的图像是灰度图还是彩色图的好方法。

像素值的总个数通过 img.size 访问，它是行数、列数和通道数三者的乘积，而不是行数和列数两者的乘积：

    print(img.size)totoal_pixels = img.shape[0] * img.shape[1] * img.shape[2]print(totoal_pixels)

这几行代码对应的输出如下：

562248
562248

图像的数据类型通过 img.dtype 获取：

    print(img.dtype)

这行代码对应的输出如下：

uint8

注意
img.dtype 在调试时非常重要，因为 OpenCV-Python 代码中的大量错误都是由无效的数据类型引起的。

图像 ROI

有时，我们将不得不使用某些图像区域。对于图像中的眼睛检测，首先对整个图像进行人脸检测。当获得人脸时，我们只选择人脸区域并在其中搜索眼睛，而不是搜索整个图像。它提高了精度（因为眼睛总是在脸上：D）和性能（因为我们在一个更小的区域内搜索）。

使用 Numpy 索引再次获得 ROI。这里我们选择足球，并把它拷贝到图像的另一个区域：

    ball = img[280:340, 330:390]img[273:333, 100:160] = ball

上面方括号中逗号前面的数字表示选取的区域的行的范围，即区域的垂直方向的范围，后面的数字表示选取的区域的列的范围，即区域的水平方向的范围。检查结果如下：

分割和合并图像通道

有时我们需要分别处理一幅图像的 B，G，R 通道。在这种情况下，我们需要把 BGR 图像分割为单独的通道。在其它情况下，我们可能需要合并这些单独的通道，并创建 BGR 图像。我们可以通过以下方式简单地做到这一点：

    b, g, r = cv.split(img)img = cv.merge((b, r, g))

这里有意没有按照原来的数据格式合并数据，而是把所有像素点的绿色通道和红色通道的值做了交换。此外，分割获得的单个色彩通道的值可以作为一幅灰度图来绘制。

或者：

    b = img[:, :, 0]

假设我们想要把所有像素的红色通道值都设置为 0 —— 我们不需要先分割通道。Numpy 的索引更快：

    img[:, :, 2] = 0

警告
cv.split() 是一项代价高昂的操作（就时间而言）。因此只在需要的时候使用它。否则使用 Numpy 的索引。

为图像制作边框（填充）

如果要在图像周围创建边框，例如相框，可以使用 cv.copyMakeBorder()。 但它在卷积运算、零填充等方面有更多应用。此函数接收以下参数：

• src - 输入图像

• top，bottom，left，right - 相应方向上边框的以像素为单位的宽度。

• borderType - 定义了添加何种边框的标记。它可以是以下类型：

  • cv.BORDER_CONSTANT - 添加一个常量彩色边框。该值应该由下一个参数给出。
  • cv.BORDER_REFLECT - 边框将是边框元素的镜像，如下所示：fedcba|abcdefgh|hgfedcb
  • cv.BORDER_REFLECT_101 或 cv.BORDER_DEFAULT - 与上面的相同，但有一点轻微的改变：像这样：gfedcb|abcdefgh|gfedcba
  • cv.BORDER_REPLICATE - 最后一个元素在整个过程中被复制，像这样：aaaaaa|abcdefgh|hhhhhhh
  • cv.BORDER_WRAP - 无法解释，它看起来像这样：cdefgh|abcdefgh|abcdefg

• value - 如果边框类型是 cv.BORDER_CONSTANT 这个是边框的颜色

下面这段代码演示了所有这些边框类型，以使我们获得更好的理解。

def border_type():BLUE = [255, 0, 0]cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")filepath = cv.samples.findFile("opencv-logo.png")img1 = cv.imread(filepath)replicate = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REPLICATE)reflect = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REFLECT)reflect101 = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REFLECT_101)wrap = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_WRAP)constant = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_CONSTANT, value=BLUE)isolated = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_ISOLATED)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.subplots_adjust(wspace=0.4, hspace=0.4)plt.show()

这里用到的示例图像文件同样在 OpenCV 的示例数据中，因而先查找这个文件的完整路径并加载。图像由 matplotlib 显示。因而 RED 和 BLUE 通道将会被交换 。用 matplotlib 画图时，为了防止不同图之间相互遮盖，这里通过 plt.subplots_adjust(wspace=0.4, hspace=0.4) 对子图做了一些调整。

来看下最终的结果：

参考文档

Basic Operations on Images

Done.

这篇关于OpenCV_007-OpenCV 中的图像基本操作的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---