OpenCV-Python学习 ＜二＞ 图像像素存储和处理

像素是图像构成的基本单位，需要清晰的了解其在opencv-python的ndarray中如何存储以及如何处理的。

在opencv-python中，通常使用numpy的ndarray来存储图片数据。cv2.imread()的返回值的数据类型即为: <class 'numpy.ndarray'>

那具体是怎么存储的呢？ ndarray的各个维度和图片的长宽，BGR等是如何对应的？下面就谈一谈。

1. 像素的存储方式：

1.1：灰度图：

opencv中最小的数据类型是无符号8位数。灰度图中每个像素使用8位存储空间。取值范围0-255.

import cv2

data = cv2.imread("images/test1.webp", cv2.IMREAD_GRAYSCALE)
print("type is:",type(data))
print("Shape:", data.shape)

cv2.imshow("RGB", data)

cv2.waitKey()
cv2.destroyAllWindows()

type is: <class 'numpy.ndarray'>
Shape: (576, 1024)

获取指定图片数据，图像转变为单通道灰度图片。

可以看到，imread()返回的ndarray的shape是(576, 1024)。即(行数，列数)

这个ndarray的每个元素，就是某个像素的灰度值。

例如：

data[0][100] = 255   或者：

data[0,100] = 255

就是把第0行，第100列那个点的像素值修改为白色。

data[30] =255

则表示把第30行全变为白色。（使用到广播）

2. BGR图片：

BGR格式中，每个像素点则需要3个uint8来表示。

import cv2

#data = cv2.imread("images/test1.webp", cv2.IMREAD_GRAYSCALE)
data = cv2.imread("images/test1.webp", cv2.IMREAD_COLOR)
print("type is:",type(data))
print("Shape:", data.shape)
cv2.imshow("RGB", data)

cv2.waitKey()
cv2.destroyAllWindows()

type is: <class 'numpy.ndarray'>
Shape: (576, 1024, 3)

所以ndarray是3个维度，分别为：（行数，列数，颜色通道）。

因为OpenCV使用BGR顺序，所以颜色顺序是B, G, R.

所以，data[0,1, 2]所代表的是第0行，第一列中的R 通道。

若第0行，30列的像素点为绿色：则其值应该为：[0, 255, 0]

img[0,30] 的值为[0, 255, 0]

img[0,30,0]的值为0 (B通道)

img[0,30,1]的值为255 (G通道)

img[0,30,2]的值为0 (R通道)

2. 像素的访问和修改方法：

2.1：利用numpy.arary的索引方式访问：

import cv2


#data = cv2.imread("images/test1.webp", cv2.IMREAD_GRAYSCALE)
data = cv2.imread("images/test1.webp", cv2.IMREAD_COLOR)
print("type is:",type(data))
print("Shape:", data.shape)
for i in range(data.shape[1]):
   data[30,i] = 255
data[50] =255

print("data[30,0] is:", data[30,0])
print("data[50,0,0] B is:", data[50,0,0])
print("data[50,0,1] G is:", data[50,0,1])
print("data[50,0,2] R is:", data[50,0,1])
cv2.imshow("RGB", data)

cv2.waitKey()
cv2.destroyAllWindows()

type is: <class 'numpy.ndarray'>
Shape: (576, 1024, 3)
data[30,0] is: [255 255 255]
data[50,0,0] B is: 255
data[50,0,1] G is: 255
data[50,0,2] R is: 255

说明：

data[30,i] 代表第30行的第i个元素。每个元素为：[BGR].

data[50, 0, 0]表示第50行第0列的B通道

data[50, 0, 1]表示第50行第0列的G通道

data[50, 0, 2]表示第50行第0列的R通道

即把第三十行的所有元素修改为白色：[255, 255, 255]

把第五十行的所有元素修改为白色。

2.2：使用numpy.array的item()和itemset()访问和设置：

可以使用numpy的item()和itemset()函数访问和修改像素值。这两个函数都是经过优化处理的，能够更大幅度的提高处理效率，比使用索引快的多。

2.2.1: 灰度图的访问和修改：

#像素的访问2
data = cv2.imread("images/test1.webp", cv2.IMREAD_GRAYSCALE)
print("Type is: {}. sharp is:{}".format(type(data), data.shape))
for i in range(data.shape[1]):
   data.itemset((50,i), 255)
cv2.imshow("Demo", data)
print("data[50,0] is:", data.item(50,0))

cv2.waitKey()
cv2.destroyAllWindows()

对于灰度图，因为data的shape是二维array.  所以：

data.item(行数，列数) 获取指像素(行列指定)的值。

data.itemset((行数，列数)， val) 把val值赋予指定行数和列数的像素。

2.2.2: BGR图像的访问和修改：

#像素的访问3--BGR
data = cv2.imread("images/test1.webp", cv2.IMREAD_COLOR)
print("data type:{}. shape is:{}".format(type(data), data.shape))

cv2.imshow("Before", data)

for i in range(data.shape[1]):
   #for j in range(3):
   data.itemset((50, i,0), 0)

cv2.imshow("After B=0", data)

for i in range(data.shape[1]):
   #for j in range(3):
   data.itemset((50, i,1), 0)

cv2.imshow("After B,G=0", data)

for i in range(data.shape[1]):
   #for j in range(3):
   data.itemset((50, i,2), 0)

cv2.imshow("After B,G,R=0", data)

for i in range(data.shape[1]):
   for j in range(3):
      data.itemset((50, i, j), 255)
cv2.imshow("After B,G,R=255", data)

cv2.waitKey()
cv2.destroyAllWindows()

因为BGR图像是三维ndarray. [行，列，颜色通道]。 所以data.item(行，列，通道)

data.itemset((行，列，通道)， val).

3. ROI区域数据的访问和修改：

在图像处理过程中，我们可能会需要对一块特定区域（Region of Interest）感兴趣.

要获取这块区域的数据。 opencv-python利用了numpy array的切片来做此动作。

data_des = cv2.imread("images/test1.webp", cv2.IMREAD_GRAYSCALE)
data_src = cv2.imread("images/test2.png", cv2.IMREAD_GRAYSCALE)
print("src file. data type:{}. data shape:{}".format(type(data_src), data_src.shape))
print("des file. data type:{}. data shape:{}".format(type(data_des), data_des.shape))
cv2.imshow("Src Before", data_src)
cv2.imshow("des Before", data_des)

rect_roi = data_src[300:400, 600:800]
cv2.imshow("Rect ROI", rect_roi)

data_des[200:200+rect_roi.shape[0], 400:400+rect_roi.shape[1]] = rect_roi
cv2.imshow("des after", data_des)

利用numpy的切片获取其中一部分数据的访问权。

4. BGR图像通道操作：

4.1：通道拆分：

在RGB图像中，一张图像是由R，G，B三个通道构成的。OpenCV中，通道是B,G,R顺序存储的。

若要拆分成三个通道可以有两种方法：

4.1.1：利用numpy array的索引：

b = img[:,:,0]

g = img[:,:,1]

r = img[:,:,2]

#通道拆分：
image_src = cv2.imread("images/test1.webp", cv2.IMREAD_COLOR)
b = image_src[:, :, 0]
g = image_src[:, :, 1]
r = image_src[:, :, 2]

print("b , g, r shape: {} {} {}".format(b.shape, g.shape, r.shape))

cv2.imshow("Orz", image_src)
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)

image_src[:, :, 0] = 0
image_src[:, :, 1] = 0
cv2.imshow("After", image_src)

cv2.waitKey()
cv2.destroyAllWindows()

可以看到，拆分后，每份数据均为：（行x列）

若把B通道，G通道均值0. 则只剩下R通道的数据，所以变红色。

4.1.2：通过函数拆分：

使用cv2.split()

b,g,r = cv2.split(image)

#通道拆分2：
image_src = cv2.imread("images/test2.png", cv2.IMREAD_COLOR)
cv2.imshow("Before", image_src)
b,g,r = cv2.split(image_src)
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)

b1 = cv2.split(image_src)[0]
g1 = cv2.split(image_src)[1]
r1 = cv2.split(image_src)[2]

cv2.waitKey()
cv2.destroyAllWindows()

注意：有两个方式。

b,g,r = cv2.split(image_src)

b1 = cv2.split(image_src)[0]

g1 = cv2.split(image_src)[1]

r1 = cv2.split(image_src)[2]

两种方式等价。

4.2：通道合并：

通道合并是通道拆分的逆过程。

使用cv2.merge([b,g,r])

#通道合并
image_src = cv2.imread("images/test1.webp", cv2.IMREAD_COLOR)
cv2.imshow("Before", image_src)
b,g,r = cv2.split(image_src)
bgr = cv2.merge([b,g,r])

cv2.imshow("BGR", bgr)

rgb = cv2.merge([r,g,b])
cv2.imshow("RGB", rgb)

cv2.waitKey()
cv2.destroyAllWindows()

可以看到，把三个通道的数据，合并成BGR顺序的和RGB顺序的。

5. 图片的拷贝：

ndarray如果只是赋值，则其实另一个ndarray和src ndarray是同一份内存。

所以若需要copy.

img_copy = img_src.copy()