OpenCV竟然可以这样学！成神之路终将不远

Posted 2021-06-27 满目星辰wwq

 返回目录

6 图像的基本操作

6.1 目标

学会： - 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。

本节中的几乎所有操作都主要与Numpy相关，而不是与OpenCV相关。要使用OpenCV编写更好的优化代码，需要Numpy的丰富知识。

6.2 访问和修改像素值

让我们先加载彩色图像：

import numpy as np
import cv2 as cv

img = cv.imread('21.jpg')

运行结果如下：

你可以通过行和列坐标来访问像素值。对于 BGR 图像，它返回一个由蓝色、绿色和红色值组成的数组。对于灰度图像，只返回相应的灰度。

px = img[200, 200]  # [253 255 249]
print(px)
# 仅访问蓝色像素
blue = img[200, 200, 0]  # 后面0表示第几个通道，0、1、2分别代表B、G、R通道
print(blue)  # 253

可以用相同的方式修改像素值。

img[200, 200] = [0, 0, 0]
print(img[200, 200])  # [0 0 0]

警告：Numpy是用于快速数组计算的优化库。因此，简单地访问每个像素值并对其进行修改将非常缓慢，因此不建议使用。

注意：上面的方法通常用于选择数组的区域，例如前5行和后3列。对于单个像素访问，Numpy数组方法array.item()和array.itemset())被认为更好，但是它们始终返回标量。如果要访问所有B，G，R值，则需要分别调用所有的array.item()。

更好的像素访问和编辑方法：

# 访问RED值
r_begin = img.item(500, 500, 2)
print(r_begin)  # 143
# 修改RED值
img.itemset((500, 500, 2), 250)
r_modify = img.item(500, 500, 2)
print(r_modify)  # 250

6.3 访问图像属性

图像属性包括行数，列数和通道数，图像数据类型，像素数等。

图像的形状可通过img.shape 访问。它返回行，列和通道数的元组（如果图像是彩色的）：

imgInfo = img.shape
print(imgInfo)  # (1080, 1920, 3)

注意：如果图像是灰度的，则返回的元组仅包含行数和列数，因此这是检查加载的图像是灰度还是彩色的好方法。

像素总数可通过访问img.size ：

img_size = img.size
print(img_size)  # 6220800

图像数据类型通过img.dtype 获得：

img_dtype = img.dtype
print(img_dtype)  # uint8

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

6.4 图像感兴趣区域ROI

有时候，你不得不处理一些特定区域的图像。对于图像中的眼睛检测，首先对整个图像进行人脸检测。在获取人脸图像时，我们只选择人脸区域，搜索其中的眼睛，而不是搜索整个图像。它提高了准确性(因为眼睛总是在面部上:D )和性能(因为我们搜索的区域很小)。

使用Numpy索引再次获得ROI。在这里，我要选择美女并将其复制到图像中的另一个区域：

girl = img[0:1080, 1200:1900]
img[0:1080, 0:700] = girl

运行结果如下，我们的小姐姐变成了两个：

6.5 拆分和合并图像通道

有时你需要分别处理图像的B，G，R通道。在这种情况下，你需要将BGR图像拆分为单个通道。在其他情况下，你可能需要将这些单独的频道加入BGR图片。你可以通过以下方式简单地做到这一点：

b, g, r = cv.split(img)  # 用split拆分通道
img = cv.merge((b, g, r))  # 用merge合并通道

要么使用：

b = img[:, :, 0]  # 前面两个表示所有高和宽所组成的像素，0表示第一个通道B
g = img[:, :, 1]  # 1表示第二个通道G
r = img[:, :, 2]  # 2表示第三个通道R

假设你要将所有红色像素都设置为零，则无需先拆分通道。numpy索引更快：

img[:, :, 2] = 0  # 将R通道都设为0

运行结果如下：

警告：cv.split() 是一项耗时的操作（就时间而言）。因此，仅在必要时才这样做。否则请进行Numpy索引。

6.6 为图像设置边框（填充）

如果要在图像周围创建边框（如相框），则可以使用cv.copyMakeBorder() 。但是它在卷积运算，零填充等方面有更多应用。此函数采用以下参数：

• src - 输入图像
• top，bottom，left，right 边界宽度（以相应方向上的像素数为单位）
• borderType - 定义要添加哪种边框的标志。它可以是以下类型：
• cv.BORDER_CONSTANT - 添加恒定的彩色边框。该值应作为下一个参数给出。
• 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与上述相同，但略有变化，例如： gfedcb | abcdefgh | gfedcba
• cv.BORDER_REPLICATE最后一个元素被复制，像这样：aaaaaa | abcdefgh | hhhhhhh
• cv.BORDER_WRAP难以解释，它看起来像这样： cdefgh | abcdefgh | abcdefg
• value -边框的颜色，如果边框类型为cv.BORDER_CONSTANT

下面是一个示例代码，演示了所有这些边框类型，以便更好地理解：

import cv2 as cv
import matplotlib.pyplot as plt

RED = [255, 0, 0]

img = plt.imread('girl02/03.jpg')
constant = cv.copyMakeBorder(img, 88, 88, 88, 88, cv.BORDER_CONSTANT, value=RED)
reflect = cv.copyMakeBorder(img, 88, 88, 88, 88, cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img, 88, 88, 88, 88, cv.BORDER_REFLECT101)
replicate = cv.copyMakeBorder(img, 88, 88, 88, 88, cv.BORDER_REPLICATE)
warp = cv.copyMakeBorder(img, 88, 88, 88, 88, cv.BORDER_WRAP)

plt.subplot(231), plt.imshow(img, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(constant, 'gray'), plt.title('CONSTANT')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT101')
plt.subplot(235), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(236), plt.imshow(warp, 'gray'), plt.title('WARP')
plt.show()

运行结果如下。（因为opencv的接口使用BGR，而matplotlib.pyplot是RGB模式。因此红色和蓝色通道将互换）：