第六节：图像基本操作-像素级操作-CSDN博客

本文链接：https://blog.csdn.net/2501_91516851/article/details/147733055

一、数字图像处理基础

1.1 图像数字化原理

数字图像本质上是二维离散信号，由按矩阵排列的像素点构成。每个像素点的数值代表特定位置的亮度或色彩信息...

1.2 OpenCV核心数据结构

import cv2
import numpy as np

# 读取图像文件
img = cv2.imread('image.jpg')

# 获取图像属性
print(f"图像尺寸：{img.shape}")
print(f"数据类型：{img.dtype}")
print(f"总像素数：{img.size}")

二、图像基础操作实践

2.1 图像输入输出

# 读取图像（支持JPG/PNG/BMP等格式）
img = cv2.imread('input.jpg', cv2.IMREAD_COLOR)

# 保存处理结果
cv2.imwrite('output.png', img)

# 图像显示
cv2.imshow('Preview', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 颜色空间转换

# BGR转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR转HSV颜色空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 恢复颜色空间
bgr = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

三、像素级操作核心技术

3.1 像素访问方法对比

方法一：直接数组访问（推荐）

# 访问(100,50)位置像素的BGR值
px = img[100, 50]
print(f"B:{px[0]}, G:{px[1]}, R:{px[2]}")

# 修改像素颜色
img[100, 50] = [255, 255, 255]

方法二：numpy优化访问

# 高效区域操作
roi = img[200:300, 100:300]
roi[:,:,0] = 0  # 蓝色通道置零

# 整体通道操作
img[:,:,2] = cv2.add(img[:,:,2], 50)  # 红色通道增强

3.2 像素遍历优化方案

方案一：Python循环遍历（教学演示）

height, width = img.shape[:2]

for y in range(height):
    for x in range(width):
        # 灰度图处理
        if len(img.shape) == 2:
            img[y,x] = 255 - img[y,x]
        # 彩色图处理
        else:
            img[y,x] = [255 - val for val in img[y,x]]

方案二：向量化运算（生产环境推荐）

# 图像反色处理（更高效）
inverted = cv2.bitwise_not(img)

# 亮度调整
brightened = cv2.add(img, 50)

# 对比度增强
contrast = cv2.multiply(img, 1.5)

3.3 阈值处理技术

# 全局阈值
_, thresh1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 自适应阈值
thresh2 = cv2.adaptiveThreshold(gray, 255, 
                               cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                               cv2.THRESH_BINARY, 11, 2)

# Otsu自动阈值
_, thresh3 = cv2.threshold(gray, 0, 255,
                          cv2.THRESH_BINARY+cv2.THRESH_OTSU)

四、实战应用案例

4.1 颜色通道分离与合成

# 通道分离
b, g, r = cv2.split(img)

# 创建纯色背景
zero_channel = np.zeros_like(b)
red_img = cv2.merge([zero_channel, zero_channel, r])

# 通道重组
merged = cv2.merge([b+50, g-20, r*2])  # 调整各通道强度

4.2 图像蒙版操作

# 创建圆形蒙版
mask = np.zeros(img.shape[:2], dtype=np.uint8)
cv2.circle(mask, (300,200), 150, 255, -1)

# 应用蒙版
masked_img = cv2.bitwise_and(img, img, mask=mask)

4.3 像素统计与分析

# 像素值统计
print(f"最大亮度：{np.max(gray)}")
print(f"平均亮度：{np.mean(gray):.2f}")
print(f"亮度标准差：{np.std(gray):.2f}")

# 直方图分析
hist = cv2.calcHist([gray], [0], None, [256], [0,256])

五、性能优化技巧

5.1 访问速度对比测试

方法	1000x1000图像耗时
Python循环	850ms
Numpy向量化	2.5ms
OpenCV内置函数	0.8ms

5.2 内存优化策略

使用恰当的数据类型：uint8节省内存空间
避免不必要的拷贝：使用copy()显式复制
及时释放资源：del操作配合垃圾回收

六、扩展应用方向

6.1 图像滤波基础

# 高斯模糊
blurred = cv2.GaussianBlur(img, (5,5), 0)

# 中值滤波
median = cv2.medianBlur(img, 5)

# 自定义卷积核
kernel = np.array([[0, -1, 0],
                   [-1, 5, -1],
                   [0, -1, 0]])
sharpened = cv2.filter2D(img, -1, kernel)

6.2 边缘检测实现

# Canny边缘检测
edges = cv2.Canny(img, 100, 200)

# Sobel算子
sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)