1. 像素基本操作
1.1 读取、修改像素
可以通过[行，列]坐标来访问像素点数据，对于多通道数据，返回一个数组，包含所有通道的值，对于单通道数据（如gray），返回指定坐标的值，也可以通过 [行，列，通道index] 来访问某坐标某通道的值。
>>> import cv2
>>> import numpy as np
>>> img = cv2.imread('messi5.jpg')
>>> px = img[100,100] >>> print( px ) [157 166 200] # accessing only blue pixel >>> blue = img[100,100,0] >>> print( blue ) 157
可以直接通过坐标修改像素值
>>> img[100,100] = [255,255,255] >>> print( img[100,100] ) [255 255 255]
然而直接像上面这样去读取、修改每个像素的值，效率是比较低的，可以使用下面的方法，效率是更高的
# accessing RED value >>> img.item(10,10,2) 59 # modifying RED value >>> img.itemset((10,10,2),100) >>> img.item(10,10,2) 100
1.2 读取图像属性
读取图像尺寸，返回一个元组 (行，列，通道数)
>>> print( img.shape ) (342, 548, 3)
读取像素大小， 行 列 通道数
>>> print( img.size ) 562248
像素数据类型
>>> print( img.dtype ) uint8
1.3 图像ROI操作
可以直接编辑像素区域，例如把图像左下角50*50的像素复制到左上角
import cv2
import numpy as np
img = cv2.imread("test.jpg")
print(img.shape)
roiTest = img[475:525, 0:50]
img[0:50, 0:50] = roiTest
cv2.imshow("image",img)
cv2.waitKey(0)
1.4 分割、合并通道
有些情况下需要对图像的某一通道数据进行操作，此时会用到分割、合并通道数据
>>> b,g,r = cv2.split(img) >>> img = cv2.merge((b,g,r))
或者
b = img[:,:,0]
假设想编辑红色通道的数据，全部设置为0，不需要这样分割后编辑， img[:,:,2] = 0 这样即可。cv2.split操作是一个很耗时的操作，可以用numpy索引替代的操作，尽量用numpy索引来做。
1.4 生成图像边框
使用 cv2.copyMakeBorder 函数可添加图像边框，支持多种边框算法
void cv::copyMakeBorder ( InputArray src, //原图 //目标图(cpp版本中，若传入此数据且选BORDER_TRANSPARENT，则此数据被top/bottom/left/right切出来的roi部分不会被做任何修改，此图像大小=dst.rows+top+bottom，dst.cols+left+right) OutputArray dst, int top, //top/left/bottom/right 四个方向上的边框像素 int bottom, int left, int right, int borderType, //边框类型见下图 const Scalar & value = Scalar() //边框类型为BORDER_CONSTANT时的边框像素 )
BLUE = [255, 0, 0]
img1 = cv2.imread("test.jpg")
replicate = cv2.copyMakeBorder(img1, 100, 100, 100, 100, cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1, 100, 100, 100, 100, cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1, 100, 100, 100, 100, cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1, 100, 100, 100, 100, cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img1, 100, 100, 100, 100, cv2.BORDER_CONSTANT, value=BLUE)
print(img1.shape, reflect.shape)
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()
上面的例子可以比较直观的看到各种border的效果，同时也能发现，python版的api与cpp版本的相比，默认初始化了一块原始图尺寸+各方向边框尺寸的图像内存，作为内置的dst参数。
输出尺寸：(525, 700, 3) (725, 900, 3)
2. 图像的基本算术操作
2.1 图像相加
图像相加，两个图像应该有相同的shape，或者图像和一个标量相加，或者图像和一个与其通道数相同的一维数组相加。
opencv的相加与numpy相加时，在超出数据类型范围时的处理不同
>>> x = np.uint8([250]) >>> y = np.uint8([10]) >>> print( cv2.add(x,y) ) # 250+10 = 260 => 255 [[255]] >>> print( x+y ) # 250+10 = 260 % 256 = 4 [4]
cpp版本的api还支持mask等参数
void cv::add ( InputArray src1, InputArray src2, OutputArray dst, InputArray mask = noArray(), int dtype = -1 )
2.2 图像混合
opencv通过 cv::addWeighted 函数提供了将两个图像混合在一起的方法
dst=α⋅img1+β⋅img2+γ
img1 = cv2.imread('ml.png')
img2 = cv2.imread('opencv-logo.png')
dst = cv2.addWeighted(img1,0.7,img2,0.3,0)
cv2.imshow('dst',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
通过cv2.seamlessClone函数还能做更精细的图像局部融合。
到此这篇关于opencv与numpy的图像基本操作就介绍到这了。如同未曾开始的故事，就被作者手中的笔生生刻下了结局。早安！更多相关opencv与numpy的图像基本操作内容请查看相关栏目，小编编辑不易，再次感谢大家的支持！
