OpenCV-Python学习之图像基础(一)基础操作

图像像素、属性获取：

　　OpenCV读取图像后，可以通过图像的像素坐标来对图像像素值进行访问。我们知道OpenCV读取彩色图像的通道顺序为BGR排序：

获取图像坐标(100, 100)的像素值：

import cv2

img = cv2.imread('./data/messi5.jpg')

# get the value from coordinate
pixel_value = img[100, 100]
print('---------print the pixel_value---------')
print(pixel_value)

只获取图像坐标(100, 100) $b$通道的像素值：

# accessing only the blue pixel
pixel_blue = img[100, 100, 0]

print('---------print the pixel_blue---------')
print(pixel_blue)

$g$、$r$通道获取类似，分别为$img[100,100,1]$和$img[100,100,2]$。

当然，可以修改图像的像素值：

# modify the pixel values
img[100, 100] = [255, 255, 255]
print('---------modify the pixel_blue---------')
print(img[100, 100])

　　读取单独像素时，采用OpenCV函数坐标形式获取较慢，推荐使用Numpy中的item()与itemset()函数来对图像像素进行相关的操作比较快速。

pixel_blue = img.item(100, 100, 2)

print('---------print the pixel_blue---------')
print(pixel_blue)

img.itemset((100, 100, 2), 250)
print('---------modify the pixel_blue---------')
print(img.item(100, 100, 2))

获取图像的宽、高、深度、像素值类型属性：

$$img.shape\to （height、width、depth）$$

print(img.shape) # img.shape --> (height, width, depth)

如果是灰度图像，img.shape只返回图像的宽、高，因此可以用此方法来鉴别加载的图像是灰度图像还是彩色图像。

$$img.dtype\to （像素值类型）$$

$$img.size\to （height\ast width\ast channels）获取图像所有的个数$$

图像ROI区域操作：

　　ROI区域是你需要处理特定区域的图像，例如图像中检测眼睛，可以采取的策略是先进行行人检测，在行人检测的基础上进行人脸检测，在人脸检测的区域的搜索眼睛。通过缩小感兴趣区域从而提高准确性。ROI区域的获取在OpenCV-Python中通过Numpy数组赋予坐标即可获取：

import cv2

img = cv2.imread('./data/messi5.jpg')

ball = img[280:340, 330:390]
img[273:333, 100:160] = ball

cv2.imshow('roi', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

看一下对特定ROI区域增加一个足球覆盖：

图像通道分离、合并操作：

　　彩色图像通常是3通道，cv2.split()函数就是将彩色图像的通道进行分开，cv2.merge()就是将分离后的通道合并在一起。

# image channels split
b, g, r = cv2.split(img)
# image merge
img_m = cv2.merge((b,g,r))

　　当然，此处多啰嗦一下：OpenCV中cv2.split()函数耗时较大，建议对图像像素值操作、或者对通道分离后处理尽量使用Numpy来进行处理。例如获取img的各个通道：

b = img[:, :, 0]
g = img[:, :, 1]
r = img[:, :, 2]

OpenCV的cv2.split()函数与Numpy耗时分别为：

'''
OpenCV cv2.split() time:  0.000354
Numpy array time:  4.7e-05
'''

彩色图像b、g、r通道图：

图像Padding方法(数据增广函数)：

　　cv2.copyMakeBorder()函数功能强大，刚刚接触到此函数是由于深度学习里面针对数据增广操作，该函数主要功能是能够对图像周围进行扩充。

def copyMakeBorder(src, top, bottom, left, right, borderType, dst=None, value=None): 

参数解析：

src:  #输入图像；
top, bottom, left, right:  #边界框宽度，以对应方向像素数为单位；
borderType: #边界填充方式，目前支持如下几种；
     cv2.BORDER_CONSTANT # 添加一个固定的彩色边框，该值应该作为下一个参数给出。
     cv2.BORDER_REFLECT  # 边框将边界像素镜像反射，就像这个示例： fedcba | abcdefgh | hgfedcbaabcdef 
     cv2.BORDER_REFLECT_101 & cv2.BORDER_DEFAULT : 
     # OpenCV默认的边界处理方式，同上，只是轻微的改变，填充示例如下：gfedcb| abcdefgh | gfedcba
     cv2.BORDER_REPLICATE  # 最后一个元素值被复制，就像如下示例：aaaaaa | abcdefgh | hhhhhhh
     cv2.BORDER_WARP # 无法解释，填充方式如下： cdefgh | abcdefgh | abcdefg
value: #当borderType类型为cv2.BORDER_CONSTANT时候，填充的像素值参数；

参数top & bottom & left & right 位置图像显示：

如上图所示：蓝色区域为函数cv2.copyMakeBorder()填充的结果，绿色为原始图像，那么参数top & bottom & left & right 对应的大小位置如上图所示。

示例代码：

import cv2
from matplotlib import pyplot as plt

BLUE = [0, 0, 255]

img1 = cv2.imread('./data/opencv_logo.png')

replicate  = cv2.copyMakeBorder(img1, 20, 10, 10, 10, cv2.BORDER_REPLICATE)
reflect    = cv2.copyMakeBorder(img1, 10, 10, 50, 10, cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1, 10, 5, 10, 10, cv2.BORDER_REFLECT_101)
wrap       = cv2.copyMakeBorder(img1, 10, 10, 10, 40, cv2.BORDER_WRAP)
constant   = cv2.copyMakeBorder(img1, 30, 20, 50, 60, cv2.BORDER_CONSTANT, value=BLUE)

plt.subplot(231),plt.imshow(img1,'gray'), plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'), plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'), plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'), plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'), plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'), plt.title('CONSTANT')

plt.show()

实验图像边界填充结果：

参考

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_core/py_basic_ops/py_basic_ops.html