目录

学习目标

获取图像像素并修改像素值

获取图像属性 

图像ROI

拆分及合并图像通道

图像边缘扩充

---

学习目标

• 获取像素值并修改
• 获取图像的属性(信息)
• 图像的ROI获取
• 图像通道拆分及合并
• 图像扩边

获取图像像素并修改像素值

        几乎所有这些操作与Numpy 的关系要比与OpenCV 的关系更加紧密，因此熟练Numpy 可以帮助我们写出性能更好的代码。通常可以根据像素的行和列的坐标获取他的像素值。对BGR 图像而言，返回值分别为B、G、R 的值。对灰度图像而言，会返回他的灰度值(亮度),下面代码展示如何获取图像的像素：

# 导入必要的库
import cv2
import numpy as np

# 根据图片路径读入图像
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')

# 获取某一位置三通道像素的值
px=img[100,100]
print (px)

# 获取某一位置蓝色通道的值
blue=img[100,100,0]
print (blue)


# 结果展示
## [57 63 68]
## 57

可以使用以下方式修改像素值：

img[100,100]=[255,255,255]
print (img[100,100])
# 结果如下
## [255 255 255]

 警告:Numpy 是经过优化了的快速矩阵运算的软件包。所以我不推荐逐个获取像素值并修改，这样会很慢，能有矩阵运算就不要用循环。

注意：上面提到的方法通常用来选取矩阵的一个区域，比如图像前5行的后3列。对于获取每一个像素值，也可使用Numpy 的array.item() 和array.itemset() 会更好。但是返回值是标量。如果你想获得所有B、G、R 的值，你可以使用array.item() 分割他们。

获取像素值及修改的更好方法如下：

import cv2
import numpy as np

img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')

print (img.item(10,10,2))
img.itemset((10,10,2),100)
print (img.item(10,10,2))
## 50
## 100

获取图像属性 

        图像的属性值一般包括以下内容：

1. 尺寸：图像的尺寸指的是图像的宽度和高度，通常用像素（pixel）表示。例如，一个图像的尺寸可以为640x480，表示宽度为640像素，高度为480像素。
2. 通道数：彩色图像通常由红、绿、蓝三个通道组成，每个通道表示一种颜色分量。灰度图像只有一个通道，表示图像的亮度。通道数可以用来区分彩色图像和灰度图像。
3. 数据类型：图像的像素值可以用不同的数据类型来表示，例如无符号整数（unsigned integer）或浮点数（float）。常见的数据类型有8位无符号整数（uint8）、16位无符号整数（uint16）、32位浮点数（float32）等。
4. 像素值范围：图像的像素值范围取决于数据类型，例如8位无符号整数的像素值范围为0-255，16位无符号整数的像素值范围为0-65535。像素值范围可以用来判断图像的亮度级别。
5. 位深度：图像的位深度指的是每个像素所占用的比特数。例如，8位图像的位深度为8，表示每个像素由8个比特表示。位深度可以影响图像的色彩精度和灰度级别。
6. 颜色空间：彩色图像可以使用不同的颜色空间来表示颜色信息，常见的颜色空间有RGB、HSV、Lab等。不同的颜色空间可以表示不同的颜色分量，例如RGB颜色空间使用红、绿、蓝三个分量表示颜色。

        以上是图像的一些常见属性值，不同的图像处理库可能会提供更多的属性信息。在进行图像处理时，对这些属性值的理解和操作是非常重要的。下面介绍OpenCV中常见的图像属性处理，包括:行、列、通道、图像数据类型、图像素数目等。
img.shape 可以获取图像的形状。他的返回回值是一个包含行数、列数、通道数的元组。

print (img.shape)
## (280, 450, 3)

 注意:如果图像是灰度图,返回值仅有行数和列数。所以通过检查这个函数返回值就可以知道加载的 是灰度图还是彩色图。

 img.size 可以返回图像的像素数目。

print (img.size)
## 378000

img.dtype 返回的是图像的数据类型. 

print (img.dtype)
## uint8

注意:在除虫(debug)时img.dtype 非常重要。因为在OpenCVPython代码中经常出现数据类型的不一致。

图像ROI

        有时你需要对一幅图像的特定区域进行操作。例如我们要检测一副图像中眼睛的位置，我们应先应先在图像中找到脸，再在脸的区域中找眼睛，而不是直接在一幅图像中搜索，这样会提高程序的准确性和性能。ROI 也是使用Numpy 索引来获得的。现在我们􄦸选择择球的部分并把他拷贝到图像的其他区域。

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
ball=img[280:340,330:390]
img[273:333,100:160]=bal

拆分及合并图像通道

        有时我们需要对BGR 三个通道分别进行操作。这时你就需要把BGR 拆分成单个通道。有时你需要把独立通道的图片合并成一个BGR 图像。你可以这样做：

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
b,g,r=cv2.split(img)
img=cv2.merge(b,g,r)

或者这样：

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
b=img[:,:,0]

 假如你想使所有像素的红色通道值都为0，你不必先拆分再赋值。你可以直接使用Numpy 索引会更快。

import cv2
import numpy as np
img=cv2.imread('/home/duan/workspace/opencv/images/roi.jpg')
img[:,:,2]=0

 警告：cv2.split() 是一个比较耗时的操作。只有真正需要时才用它，能用Numpy 索引就尽量用。

图像边缘扩充

        如果你想在图像周围创建一个边，就像相框一样，你可以使用cv2.copyMakeBorder()函数。这经常在卷积运算或0 填充时被用到。cv2.copyMakeBorder()函数是OpenCV中用于在图像周围创建边框的函数。该函数可以用于在图像的上、下、左、右四个方向上添加指定大小和类型的边框。

函数的语法如下：

dst = cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

参数说明：

• src：输入图像，可以是任意尺寸和通道数的图像。
• top：顶部边框的大小，以像素为单位。
• bottom：底部边框的大小，以像素为单位。
• left：左侧边框的大小，以像素为单位。
• right：右侧边框的大小，以像素为单位。
• borderType：边框类型，可以是以下值之一：
  • cv2.BORDER_CONSTANT：常数边框，边框像素值为指定的value。
  • cv2.BORDER_REPLICATE：复制边框，边框像素值为最边缘像素的值。
  • cv2.BORDER_REFLECT：反射边框，边框像素值沿边界反射。
  • cv2.BORDER_REFLECT_101：反射边框，边框像素值沿边界反射，但是排除边界像素。
  • cv2.BORDER_WRAP：环绕边框，边框像素值沿边界环绕。
• value：当borderType为cv2.BORDER_CONSTANT时，用于指定边框像素值的常数。

函数返回的是添加了边框的图像。为了更好的理􄎒􄦈几种类型􄖦看下􅄑的演示程序：

import cv2
import numpy as np
from matplotlib import pyplot as plt
BLUE=[255,0,0]
img1=cv2.imread('intro.png')
replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)
constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.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()