OpenCV之Python学习笔记（1）（2）： 图像的载入、显示和保存 图像元素的访问、通道分离与合并

OpenCV之Python学习笔记

一直都在用Python+OpenCV做一些算法的原型。本来想留下发布一些文章的，可是整理一下就有点无奈了，都是写零散不成系统的小片段。现在看到一本国外的新书《OpenCV Computer Vision with Python》，于是就看一遍，顺便把自己掌握的东西整合一下，写成学习笔记了。更需要的朋友参考。

阅读须知：

        本文不是纯粹的译文，只是比较贴近原文的笔记；
        请设法购买到出版社出版的书，支持正版。

       从书名就能看出来本书是介绍在Python中使用OpenCV，全书分为5章，两个附录：

• 第一章OpenCV设置，介绍如何在Windows、Mac和Ubuntu上设置Pyhton、OpenCV和相关库的环境。还讨论了OpenCV社区、OpenCV文档以及官方的示例代码。
• 第二章处理文件、摄像头和GUI，讨论OpenCV的I/O功能，接着使用面向对象的设计编写一个主应用程序，用于显示摄像头实时场景、处理键盘输入、将摄像头写入视频文件和静态图像文件。
• 第三章图像过滤，介绍使用OpenCV、NumPy和SciPy来编写图像过滤器。过滤器可用于线性颜色操作、曲线颜色操作、模糊化、锐化和寻找边缘。本章修改第一章的主程序，将过滤器应用到实时摄像头场景中。
• 第四章使用Haar Cascades追踪人脸，本章将编写一个层次化的人脸追踪器，使用OpenCV定位图像中的脸部、眼睛、鼻子和嘴巴。同时还编写了用于复制和改变图像中某块区域的大小。同样，本章也将修改之前的主应用程序，让其可以用于找到并处理摄像头场景中的人脸。
• 第五章检测前景/背景区域和深度。通过本章将了解有关OpenCV（在OpenNI和SensorKinect的支持下）从深度摄像头中获得的数据类型的信息。接着编写一些函数，使用这些数据对前景区域施加一些限制效果。最后将这些函数整合到主程序中，使得在处理人脸之前先进行细化操作。
• 附录A，与Pygame整合。修改主程序，用Pygame替换OpenCV来处理特定的I/O事件。（Pygame提供了更多样的事件处理函数。）
• 附录B，为自定义目标生成Haar Cascades，允许我们检测一系列的OpenCV工具，来对任何类型的目标或模式构建跟踪器，而不仅仅是人脸。

本书第一章是介绍在不同操作系统上对OpenCV、Python及相关库的配置，这里就不介绍了。下一篇文章将直接从第二章开始介绍。

OpenCV Python教程（1、图像的载入、显示和保存）

本文是OpenCV  2 Computer Vision Application Programming Cookbook读书笔记的第一篇。在笔记中将以Python语言改写每章的代码。

PythonOpenCV的配置这里就不介绍了。

注意，现在OpenCV for Python就是通过NumPy进行绑定的。所以在使用时必须掌握一些NumPy的相关知识！

图像就是一个矩阵，在OpenCV for Python中，图像就是NumPy中的数组！

如果读取图像首先要导入OpenCV包，方法为：

[python]  view plain  copy

1. import cv2  

读取并显示图像

在Python中不需要声明变量，所以也就不需要C++中的cv::Mat xxxxx了。只需这样：

[python]  view plain  copy

1. img = cv2.imread("D:\cat.jpg")  

OpenCV目前支持读取bmp、jpg、png、tiff等常用格式。更详细的请参考OpenCV的参考文档。

接着创建一个窗口

[python]  view plain  copy

1. cv2.namedWindow("Image")  

然后在窗口中显示图像

[python]  view plain  copy

1. cv2.imshow("Image", img)  

最后还要添上一句：

[python]  view plain  copy

1. cv2.waitKey (0)  

如果不添最后一句，在IDLE中执行窗口直接无响应。在命令行中执行的话，则是一闪而过。

完整的程序为：

[python]  view plain  copy

1. import cv2   
2.   
3. img = cv2.imread("D:\\cat.jpg")   
4. cv2.namedWindow("Image")   
5. cv2.imshow("Image", img)   
6. cv2.waitKey (0)  
7. cv2.destroyAllWindows()  

最后释放窗口是个好习惯！

创建/复制图像

新的OpenCV的接口中没有CreateImage接口。即没有cv2.CreateImage这样的函数。如果要创建图像，需要使用numpy的函数（现在使用OpenCV-Python绑定，numpy是必装的）。如下：

[python]  view plain  copy

1. emptyImage = np.zeros(img.shape, np.uint8)  

在新的OpenCV-Python绑定中，图像使用NumPy数组的属性来表示图像的尺寸和通道信息。如果输出img.shape，将得到(500, 375, 3)，这里是以OpenCV自带的cat.jpg为示例。最后的3表示这是一个RGB图像。

也可以复制原有的图像来获得一副新图像。

[python]  view plain  copy

1. emptyImage2 = img.copy();  

如果不怕麻烦，还可以用cvtColor获得原图像的副本。

[python]  view plain  copy

1. emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
2. #emptyImage3[...]=0  

后面的emptyImage3[...]=0是将其转成空白的黑色图像。

保存图像 

保存图像很简单，直接用cv2.imwrite即可。

cv2.imwrite("D:\\cat2.jpg", img)

第一个参数是保存的路径及文件名，第二个是图像矩阵。其中，imwrite()有个可选的第三个参数，如下：

cv2.imwrite("D:\\cat2.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 5])

第三个参数针对特定的格式： 对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95。 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int。下面是以不同质量存储的两幅图：

对于PNG，第三个参数表示的是压缩级别。cv2.IMWRITE_PNG_COMPRESSION，从0到9,压缩级别越高，图像尺寸越小。默认级别为3：

[python]  view plain  copy

1. cv2.imwrite("./cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0])   
2. cv2.imwrite("./cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])  

保存的图像尺寸如下：

还有一种支持的图像，一般不常用。

完整的代码为：

[python]  view plain  copy

1. import cv2  
2. import numpy as np  
3.   
4. img = cv2.imread("./cat.jpg")  
5. emptyImage = np.zeros(img.shape, np.uint8)  
6.   
7. emptyImage2 = img.copy()  
8.   
9. emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
10. #emptyImage3[...]=0  
11.   
12. cv2.imshow("EmptyImage", emptyImage)  
13. cv2.imshow("Image", img)  
14. cv2.imshow("EmptyImage2", emptyImage2)  
15. cv2.imshow("EmptyImage3", emptyImage3)  
16. cv2.imwrite("./cat2.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 5])  
17. cv2.imwrite("./cat3.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 100])  
18. cv2.imwrite("./cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0])  
19. cv2.imwrite("./cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])  
20. cv2.waitKey (0)  
21. cv2.destroyAllWindows()  

参考资料：
《OpenCV References Manuel》
《OpenCV  2 Computer Vision Application Programming Cookbook》
《OpenCV Computer Vision with Python》

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()  

from: http://blog.csdn.net/sunny2038/article/category/904451