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。
|
1
2
3
|
|
1
2
3
4
5
6
7
|
>>> 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
|
1
2
3
|
>>> 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
|
1
2
3
4
5
6
7
|
# 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)
|
1
2
|
>>> print( img.shape )
(342, 548, 3)
|
读取像素大小， 行 列 通道数
|
1
2
|
>>> print( img.size )
562248
|
像素数据类型
|
1
2
|
>>> 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
|
1
2
3
4
5
6
7
8
|
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
|
1
2
|
>>> b,g,r = cv2.split(img)
>>> img = cv2.merge((b,g,r))
|
或者
|
1
|
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
|
1
2
3
4
5
6
7
8
9
10
11
|
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
)
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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
|
1
2
3
4
5
6
|
>>> 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
|
1
2
3
4
5
6
7
|
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
|
1
2
3
4
5
6
|
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。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.zoucz.com/blog/2019/03/07/50ef43b0-40a5-11e9-9947-3d7b79f522a2/