图像处理的一些基本操作

使用python，opencv库，numpy库
上一篇，简单介绍图像
用到的一些基本操作

此篇介绍一些图像处理常用的基础操作

像素处理

使用Numpy库中的函数zeros()可以生成一个元素值都是0的数组，并可以直接使用数组的索引对其进行访问、修改。

灰度图像：

import cv2
import numpy as np
img = np.zeros((256, 256))  # 生成256x256的零二维矩阵
print(img)  # 会在控制台显示这个零矩阵
cv2.imshow("black", img)  #显示创建好的灰度图像，我们知道，0表示黑色，255是白色
print(img[20, 20])  # 读取灰度图像[20，20]位置处的像素点的值
img[20, 20] = 255  # 修改该像素点，使其成为白色
cv2.imshow("the modified", img)  # 显示修改后的灰度图像
cv2.waitKey()  
cv2.destroyAllWindows()  # 随意按键盘使图像销毁

零矩阵在控制台显示如下：

256x256

读取的[20,20]位置的值为0，就不放图了。
原图和修改一个点的图如下，白色与黑色对比还是很明显的，不过我还是圈出来了：）

黑色

修改一个点

彩色图像：
RGB模式的彩色图像在读入OpenCV内进行处理时，会按照行方向依次读取该RGB图像的B通道、G通道、R通道的像素点，并将像素点以行为单位存储在ndarray的列中。
例如，有一幅大小为R行×C列的原始RGB图像，其在OpenCV内以BGR模式的三维数组形式存储，如图：

RBG图像以三维数组存储形式

如果我们要访问一个像素点，用img[0，0，0]来表示即可，前两个索引与灰度图像一样，表示行列，第三个索引表示通道，0就是B通道。其他操作与灰度图像相同。

我们还可以使用numpy.array访问像素，numpy.array提供了item()和itemset()函数来访问和修改像素值，而且这两个函数都是经过优化处理的，能够更大幅度地提高处理效率。在访问及修改像素点的值时，利用numpy.array提供的函数比直接使用索引要快得多，同时，这两个函数的可读性也更好。
格式为：

item(行，列)
itemset(索引值，新值)

使用方式：

import numpy as np
img = (此处省略，可以创建随机的灰度图像或者彩色，总是img变量就是一个图像矩阵)

# 如果是灰度图像
img.item(100, 100)  # 读取一个点
img.itemset((100,100), 255)  # 为该点赋新值

# 如果是彩色图像
img.item(100, 100, 0)  # 对比灰度图像，需要再加一个通道索引
img.itemset((100, 100, 0), 255)  # 赋值时也一样需要加通道

感兴趣区域（ROI）

在图像处理过程中，我们可能会对图像的某一个特定区域感兴趣，该区域被称为感兴趣区域（Region of Interest, ROI）。在设定感兴趣区域ROI后，就可以对该区域进行整体操作。例如，将一个感兴趣区域A赋值给变量B后，可以将该变量B赋值给另外一个区域C，从而达到在区域C内复制区域A的目的。

举个列子
获取堡垒的头部
原图是这样的

堡垒

取其头部：

import cv2
Bastion = cv2.imread("Bastion.jpg", -1)  # -1是保持原图格式不变的一个数值
head = Bastion[120:350, 150:350]  # 就是这个代码，一看就懂了吧
cv2.imshow("head", head)
cv2.waitKey()
cv2.destroyAllWindows()

其实也就是截取一部分：

同样的，如果我们给头部位置赋值，那么头部就变成其他样子了，相当于打码了吧....（留个括号位置，之后学习学习好玩的马赛克）

通道操作

在图像处理过程中，可以根据需要对通道进行拆分和合并。在OpenCV中，既可以通过索引的方式拆分通道，也可以通过函数的方式拆分通道。
1．通过索引拆分

b = img[:, :, 0]  # 获取图像B通道
g = img[:, :, 1]
r = omg[:, :, 2]

2．通过函数拆分
函数cv2.split()能够拆分图像的通道。

b, g, r = cv2.split(img)

#下面这个和上面是一样的
b = cv2.split(img)[0]
g = cv2.split(img)[1]
e = cv2.split(img)[2]

通道合并
合并是拆分的逆过程，可以把三个通道的灰度图像合成一副彩色图像。函数cv2.merge()可以实现图像通道的合并。

img = cv2.merge([b, g, r])

比如我们把堡垒图像的三个通道拆分，然后换个顺序再合并一下，看看是什么样子。

import cv2
Bastion = cv2.imread("Bastion.jpg", -1)
b, g, r = cv2.split(Bastion)  # 通道拆分
Bastion_modified = cv2.merge([g, b, r])  # 通道顺序改变，再合成
cv2.imshow("original", Bastion)
cv2.imshow("b", b)
cv2.imshow("g", g)
cv2.imshow("r", r)
cv2.imshow("modified", Bastion_modified)
cv2.waitKey()
cv2.destroyAllWindows()

原图上面已经有了，不贴了。
B通道：

B通道

G通道：

G通道

R通道：

R通道

改变通道顺序合成的图像：

可以看到，图像发生了变化。

获取图像属性

图像属性，例如大小、类型。
常用属性

shape：如果是彩色图像，则返回包含行数、列数、通道数的数组；如果是二值图像或者灰度图像，则仅返回行数和列数。通过该属性的返回值是否包含通道数，可以判断一幅图像是灰度图像（或二值图像）还是彩色图像。
size：返回图像的像素数目。其值为“行×列×通道数”，灰度图像或者二值图像的通道数为1。
dtype：返回图像的数据类型。

这些方法直接使用即可：

img.shape  # 返回（行数，列数，通道数） 例如 （256，256，3） 灰度则为（256，256）
img.size  # 返回 行数*列数*通道数  例如 65536 
img.dtype  # 返回类型  例如uint8

参考:
《OpenCV轻松入门：面向python》

图像处理的一些基本操作