【python-opencv】图像的基本操作

1、访问和修改像素值

加载彩色图像：

import numpy as np
import cv2 as cv
image=cv.imread("dog2.jpg",1)

谷歌colab上显示图像：

from google.colab.patches import cv2_imshow
cv2_imshow(image)

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=image[100,100]

array([193, 200, 215], dtype=uint8)

blue=image[100,100,0]

193

你可以用相同的方式修改像素值。

image[100,100]=[255,255,255]

array([255, 255, 255], dtype=uint8)

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：

image.item(100,100,2)

255

img.itemset((10,10,2),100)

2、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。、

（1）图像的形状：image.shape

（2）像素总数：image.size

（3）图像的数据类型：image.dtype

3、图像的感兴趣区域

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，我要选择球并将其复制到图像中的另一个区域：

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

4、拆分和合并通道

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(image)
image=cv.merge(b,g,r)

要么

b=image[:,:,0]

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。

5、为图像设置边框（也就是padding操作）

如果要在图像周围创建边框（如相框），则可以使用cv.copyMakeBorder()。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 numpy as np
from matplotlib import pyplot as plt
BLUE = [255,0,0]
img1 = cv.imread('opencv-logo.png')
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)
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()

请参阅下面的结果。（图像与matplotlib一起显示。因此红色和蓝色通道将互换）：

参考：http://woshicver.com/FourthSection/3_1_%E5%9B%BE%E5%83%8F%E7%9A%84%E5%9F%BA%E6%9C%AC%E6%93%8D%E4%BD%9C/