OpenCV Python教程（2、图像元素的访问、通道分离与合并）

OpenCV Python教程之图像元素的访问、通道分离与合并

转载请详细注明原作者及出处，谢谢！

访问像素

像素的访问和访问numpy中ndarray的方法完全一样，灰度图为：

[python] view plain copy

1. img[j,i] = 255  

其中j，i分别表示图像的行和列。对于BGR图像，为：

[python] view plain copy

1. img[j,i,0]= 255  
2. img[j,i,1]= 255  
3. img[j,i,2]= 255  

第三个数表示通道。

下面通过对图像添加人工的椒盐现象来进一步说明OpenCV Python中需要注意的一些问题。完整代码如下：

[python] view plain copy

1. import cv2  
2. import numpy as np  
3.   
4. def salt(img, n):  
5.     for k in range(n):  
6.         i = int(np.random.random() * img.shape[1]);  
7.         j = int(np.random.random() * img.shape[0]);  
8.         if img.ndim == 2:   
9.             img[j,i] = 255  
10.         elif img.ndim == 3:   
11.             img[j,i,0]= 255  
12.             img[j,i,1]= 255  
13.             img[j,i,2]= 255  
14.     return img  
15.   
16. if __name__ == '__main__':  
17.     img = cv2.imread("图像路径")  
18.     saltImage = salt(img, 500)  
19.     cv2.imshow("Salt", saltImage)  
20.     cv2.waitKey(0)  
21.     cv2.destroyAllWindows()  

处理后能得到类似下面这样带有模拟椒盐现象的图片：

上面的代码需要注意几点：

1、与C++不同，在Python中灰度图的img.ndim = 2，而C++中灰度图图像的通道数img.channel() =1

2、为什么使用np.random.random()？
这里使用了numpy的随机数，Python自身也有一个随机数生成函数。这里只是一种习惯，np.random模块中拥有更多的方法，而Python自带的random只是一个轻量级的模块。不过需要注意的是np.random.seed()不是线程安全的，而Python自带的random.seed()是线程安全的。如果使用随机数时需要用到多线程，建议使用Python自带的random()和random.seed()，或者构建一个本地的np.random.Random类的实例。

分离、合并通道

由于OpenCV Python和NumPy结合的很紧，所以即可以使用OpenCV自带的split函数，也可以直接操作numpy数组来分离通道。直接法为：

[python] view plain copy

1. import cv2  
2. import numpy as np  
3.   
4. img = cv2.imread("D:/cat.jpg")  
5. b, g, r = cv2.split(img)  
6. cv2.imshow("Blue", r)  
7. cv2.imshow("Red", g)  
8. cv2.imshow("Green", b)  
9. cv2.waitKey(0)  
10. cv2.destroyAllWindows()  

其中split返回RGB三个通道，如果只想返回其中一个通道，可以这样：

[python] view plain copy

1. b = cv2.split(img)[0]  
2. g = cv2.split(img)[1]  
3. r = cv2.split(img)[2]  

最后的索引指出所需要的通道。

也可以直接操作NumPy数组来达到这一目的：

[python] view plain copy

1. import cv2  
2. import numpy as np  
3.   
4. img = cv2.imread("D:/cat.jpg")  
5.   
6. b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
7. g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
8. r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
9.   
10. b[:,:] = img[:,:,0]  
11. g[:,:] = img[:,:,1]  
12. r[:,:] = img[:,:,2]  
13.   
14. cv2.imshow("Blue", r)  
15. cv2.imshow("Red", g)  
16. cv2.imshow("Green", b)  
17. cv2.waitKey(0)  
18. cv2.destroyAllWindows()  

注意先要开辟一个相同大小的图片出来。这是由于numpy中数组的复制有些需要注意的地方，具体事例如下：

[python] view plain copy

1. >>> c= np.zeros(img.shape, dtype=img.dtype)  
2. >>> c[:,:,:] = img[:,:,:]  
3. >>> d[:,:,:] = img[:,:,:]  
4. >>> c is a  
5. False  
6. >>> d is a  
7. False  
8. >>> c.base is a  
9. False  
10. >>> d.base is a #注意这里！！！  
11. True  

这里，d只是a的镜像，具体请参考《NumPy简明教程（二，数组3）》中的“复制和镜像”一节。

通道合并

同样，通道合并也有两种方法。第一种是OpenCV自带的merge函数，如下：

[python] view plain copy

1. merged = cv2.merge([b,g,r]) #前面分离出来的三个通道  

接着是NumPy的方法：

[python] view plain copy

1. mergedByNp = np.dstack([b,g,r])   

注意：这里只是演示，实际使用时请用OpenCV自带的merge函数！用NumPy组合的结果不能在OpenCV中其他函数使用，因为其组合方式与OpenCV自带的不一样，如下：

[python] view plain copy

1. merged = cv2.merge([b,g,r])  
2. print "Merge by OpenCV"   
3. print merged.strides  
4.   
5. mergedByNp = np.dstack([b,g,r])   
6. print "Merge by NumPy "   
7. print mergedByNp.strides  

结果为：

[python] view plain copy

1. Merge by OpenCV  
2. (1125, 3, 1)  
3. Merge by NumPy  
4. (1, 500, 187500)  

NumPy数组的strides属性表示的是在每个维数上以字节计算的步长。这怎么理解呢，看下面这个简单点的例子：

[python] view plain copy

1. >>> a = np.arange(6)  
2. >>> a  
3. array([0, 1, 2, 3, 4, 5])  
4. >>> a.strides  
5. (4,)  

a数组中每个元素都是NumPy中的整数类型，占4个字节，所以第一维中相邻元素之间的步长为4（个字节）。

同样，2维数组如下：

[python] view plain copy

1. >>> b = np.arange(12).reshape(3,4)  
2. >>> b  
3. array([[ 0,  1,  2,  3],  
4.        [ 4,  5,  6,  7],  
5.        [ 8,  9, 10, 11]])  
6. >>> b.strides  
7. (16, 4)  

从里面开始看，里面是一个4个元素的一维整数数组，所以步长应该为4。外面是一个含有3个元素，每个元素的长度是4×4=16。所以步长为16。

下面来看下3维数组：

[python] view plain copy

1. >>> c = np.arange(27).reshape(3,3,3)  

其结果为：

[python] view plain copy

1. array([[[ 0,  1,  2],  
2.         [ 3,  4,  5],  
3.         [ 6,  7,  8]],  
4.   
5.        [[ 9, 10, 11],  
6.         [12, 13, 14],  
7.         [15, 16, 17]],  
8.   
9.        [[18, 19, 20],  
10.         [21, 22, 23],  
11.         [24, 25, 26]]])  

根据前面了解的，推断下这个数组的步长。从里面开始算，应该为（3×4×3，3×4，4）。验证一下：

[python] view plain copy

1. >>> c.strides  
2. (36, 12, 4)  

完整的代码为：

[python] view plain copy

1. import cv2  
2. import numpy as np  
3.   
4. img = cv2.imread("D:/cat.jpg")  
5.   
6. b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
7. g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
8. r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)  
9.   
10. b[:,:] = img[:,:,0]  
11. g[:,:] = img[:,:,1]  
12. r[:,:] = img[:,:,2]  
13.   
14. merged = cv2.merge([b,g,r])  
15. print "Merge by OpenCV"   
16. print merged.strides  
17. print merged  
18.   
19. mergedByNp = np.dstack([b,g,r])   
20. print "Merge by NumPy "   
21. print mergedByNp.strides  
22. print mergedByNp  
23.   
24. cv2.imshow("Merged", merged)  
25. cv2.imshow("MergedByNp", merged)  
26. cv2.imshow("Blue", b)  
27. cv2.imshow("Red", r)  
28. cv2.imshow("Green", g)  
29. cv2.waitKey(0)  
30. cv2.destroyAllWindows()  

未完待续...

转载请详细注明原作者及出处，谢谢！