系列文章目录

第一章 图像本质及基础操作

---

---

前言

本章主要讲述数字图像的本质及一些基础操作和一些基础知识。

---

一、数字图像的本质

数字图像的本质总而言之 言而总之就是由数字构成，其中数字的含义是亮度

对于一个简单的灰度图来说图像就是由一个矩阵所构成，每个矩阵中的元素都表示由黑到白的一个量化，每个元素常用8位二进制表示，十进制范围为0~255
灰度图：
放大：由灰度点所组成
量化矩阵：注意数字图像的原点位于左上角，其中正x轴向下延伸，正y轴向右延伸

对于一个RGB的彩色图来讲，图像由三个矩阵“叠加”而成，或者称之为由三维矩阵构成，其中每个像素由红绿蓝三种光混合而成，因此RGB称为数字图像的三原色。

不同于小时候学的绘画的三原色—红黄蓝，因为他们表现颜色的方式不太一样，图画的三原色是一种减色原理，数字图像的显色原理是一种加色原理，具体可百度。

二、图像基础理论

1.色彩空间

1.1 RGB模型

根据光学的三原色而来，图像中的一个像素点由一个数组 [R,G,B] 构成，一般该数组的类型为一个字节的无符号整型

**而在OpenCV中，采用的是反人类的 [B, G, R]

1.2 HSV模型

HSV模型的像素点也是通过一个三维向量进行表示：

• Hue：色相，将所有颜色通过一个数值进行表示
• Saturation：饱和度，颜色与白色的混合程度
• Value：明度， 颜色的明亮程度

RGB模型可转到HSV模型，具体可参考网上，有具体的公式。

1.3 HSL模型

整个形式和HSV类似

• Hue:色相， 与HSV类似
• Saturation：饱和度，颜色的稀释程度
• Lightness/Brightness:被灯光照的的亮度

比较：

	色相	饱和度	明亮度
HSV	所有颜色	色相中混入白色的量	色相中混入黑色的量
HSL	所有颜色	色相被稀释的程度	拿灯光照射的情况，没光线就黑，强烈光线就白

1.4 YUV模型

• 作用：可以对色彩空间进行压缩，说人话就是缩减了用来表示像素颜色的数据量，这就使得该模型在图像、视频压缩上应用广泛。
• 思想：由于人眼对颜色的感知能力较弱，反而对光影关系（黑白图）更为敏感。所以，在YUV模型中，精确保留了图片的黑白关系，而对颜色信息进行了部分删除。
• 通道：
  • Y：该通道存储的是黑白关系，即灰度图
  • UV：这两个通道存储了颜色信息。在对图片颜色时，首先就会对这两个通道的颜色数据进行丢弃。
• 色彩空间压缩：设有4个像素，每个像素都要3个通道值表示颜色，一个通道为一个字节，那么所有数据一共就有4 × 3 ×1 B = 12 B。现在通过YUV模型对图片进行压缩，丢掉一半的颜色信息，Y通道全部保留4 × 1B = 4B， UV通道丢弃一半就是4 × 2 × 1 B / 2 = 4B，最后数据大小就为4B + 4B = 8B。
• 采样方式： 对于Y全部保留， 对UV进行不同程度的取舍
• RGB与YUV转换：
  $$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.187& -0.3313& 0.5\\ 0.5& -0.4187& -0.0813\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}0\\ 128\\ 128\end{array}\right]$$

1.5 灰度图

灰度图是指一幅图像中每个像素点的亮度只有一个值，而没有颜色信息的图像。通常将灰度值从0~255之间的整数表示，灰度值越大，表示像素越亮，反之则越暗。灰度图常用于图像处理、计算机视觉、医学图像、机器人控制等领域。

1.6 OpenCV中色彩空间转换

import cv2

# 读入一张RGB图像
img = cv2.imread('image.jpg')

# 将RGB图像转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 将灰度图像转换为RGB图像
rgb_img = cv2.cvtColor(gray_img, cv2.COLOR_GRAY2BGR)

其中，第一个参数是要转换的图像，第二个参数是转换类型。可以使用cv2.COLOR_前缀下的常量来表示不同的色彩空间。例如，BGR转换为灰度图使用cv2.COLOR_BGR2GRAY，灰度图转换为RGB图像使用cv2.COLOR_GRAY2BGR。

除了常用的色彩空间转换之外，还可以使用cv2.cvtColor()函数将HSV、YUV等颜色空间相互转换。

2.图片的存储

• Python实现：读取的图片类型为**<class ‘numpy.ndarray’>**, 即图片其实是一个数据
  • uint8： 一字节的无符号整数
  • 数据维度： 三维，【高度像素下标，宽度像素下标，RGB值】
• C++底层实现： Python的OpenCV其实就是对C++的版本进行了再次封装实现。在C++中采用数据结构Mat来对图片进行存储。

class CV EXPORTS Mat{
 public:
     int dims;//维数
     int roWs,cols;//行列数
     unsigned char * data;//存储数据的指针
     int* refcount;//引用计数
    ........
}

从Mat中可以看出，图片数据其实存放在unsigned char *指针指向的一片内存中，也就是说图片数据与Mat类型是分开存放的，这就存在深浅拷贝问题。而Numpy也很好的将该结构继承了下来。

• Numpy深浅拷贝：
  NumPy的深浅拷贝和Python的深浅拷贝类似，同样也会涉及到数据的内存管理问题。

首先，NumPy的浅拷贝操作可以使用数组的view()方法。view()方法创建一个新的数组对象，与原始数组共享相同的数据缓冲区，但视图对象本身是新的。改变视图对象的形状或维度会更改原始数组的形状或维度。下面是一个使用view()方法的例子：

import numpy as np

# 创建原始的NumPy数组
a = np.array([[1, 2, 3], [4, 5, 6]])

# 使用view()方法创建视图数组
b = a.view()

# 改变视图数组的形状
b.shape = (3,2)

# 查看原始数组和视图数组
print(a)    # 输出 [[1, 2], [3, 4], [5, 6]]
print(b)    # 输出 [[1, 2], [3, 4], [5, 6]]

在上述例子中，通过view()方法创建了视图数组b，原始数组a和视图数组b共享数据缓冲区，因此b的形状的更改也会影响到a的形状。

其次，NumPy的深拷贝操作需要使用copy()方法。与Python的深拷贝类似，copy()方法将复制原始数组及其数据缓冲区，并创建一个新的数组对象，这个新的数组对象是完全独立于原始数组的。下面是一个使用copy()方法的例子：

import numpy as np

# 创建原始的NumPy数组
a = np.array([[1, 2, 3], [4, 5, 6]])

# 使用copy()方法创建深拷贝数组
b = a.copy()

# 改变深拷贝数组的值
b[0,0] = 7

# 查看原始数组和深拷贝数组
print(a)    # 输出 [[1, 2, 3], [4, 5, 6]]
print(b)    # 输出 [[7, 2, 3], [4, 5, 6]]

在上述例子中，使用copy()方法创建了深拷贝数组b，并将b的第一个元素修改为7，而原始数组a并没有受到影响。

需要注意的是，在使用NumPy进行数组操作时，浅拷贝和深拷贝的使用方法与传统的Python列表有所不同。建议在具体使用时，根据需求选择合适的拷贝方式。

3.图像参数

• 像素： 图片中的一个颜色块
• 颜色通道： 表示一个像素（颜色）的向量的分量，一个分量就是一个颜色通道，例如RGB模型，像素的组成就为 【R, G, B】 , 这就有三个颜色通道
• 位深： 一个颜色通道值由几位二进制数表示
• 像素块坐标： 图片的左上角为坐标原点，一个坐标对应一个像素
• 分辨率： 图像像素的宽度 ×图像像素的高度

三、图像的基础操作及OpenCV画图

1.图像的基础操作

1.1 OpenCV 窗口界面

OpenCV中有关界面的一些函数：

# 导入 OpenCV
import cv2

# 创建窗口，
cv2.namedWindow('window',cv2.WINDOW_NORMAL)

cv2.namedWindow(winname, flags)
其中：

• winname 参数是要创建的窗口的名称，类型为字符串；
• flags 参数是窗口的属性标志，类型为整数。默认值为cv2.WINDOW_AUTOSIZE，表示窗口大小自动调整为显示的图像大小。也可以设置为 cv2.WINDOW_NORMAL，表示可以重新调整窗口大小。

# 更改窗口：window_autosize，设置大小无用
cv2.resizeWindow('window',width=800,height=600)

# 展示窗口、图片等
cv2.imshow('window',0)

# 等待按键
# 1. 将窗口堵塞。等带按键、并会返回按键的ASCII码
# 2. 可以设置等待的时间，单位 ms
# 3. 等待时间为 0 ，则为一直等待 
key = cv2.waitKey(0)

# ord()：获取字符的ASCII码
# key & 0xFF：将 int 类型的低字节给提去出来，因为ASCII码为一字节
if key & 0xFF == ord('q'):
    # 销毁窗口
    cv2.destroyAllWindows()

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。