OpenCV Python基础-图像元素的访问、通道分离与合并(1)

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：

img[j,i] = 255
其中j，i分别表示图像的行和列。对于BGR图像，为：
img[j,i,0]= 255
img[j,i,1]= 255
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：

import cv2
import numpy as np
 
def salt(img, n):
    for k in range(n):
        i = int(np.random.random() * img.shape[1]);
        j = int(np.random.random() * img.shape[0]);
        if img.ndim == 2: 
            img[j,i] = 255
        elif img.ndim == 3: 
            img[j,i,0]= 255
            img[j,i,1]= 255
            img[j,i,2]= 255
    return img
 
if __name__ == '__main__':
    img = cv2.imread("图像路径")
    saltImage = salt(img, 500)
    cv2.imshow("Salt", saltImage)
    cv2.waitKey(0)
    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：

import cv2
import numpy as np
 
img = cv2.imread("D:/cat.jpg")
b, g, r = cv2.split(img)
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
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：
b = cv2.split(img)[0]
g = cv2.split(img)[1]
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：

import cv2
import numpy as np
 
img = cv2.imread("D:/cat.jpg")
 
b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
 
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
 
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
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：
>>> c= np.zeros(img.shape, dtype=img.dtype)
>>> c[:,:,:] = img[:,:,:]
>>> d[:,:,:] = img[:,:,:]
>>> c is a
False
>>> d is a
False
>>> c.base is a
False
>>> d.base is a #注意这里！！！
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：

merged = cv2.merge([b,g,r]) #前面分离出来的三个通道
接着是NumPy的方法：
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：
merged = cv2.merge([b,g,r])
print "Merge by OpenCV" 
print merged.strides
 
mergedByNp = np.dstack([b,g,r]) 
print "Merge by NumPy " 
print mergedByNp.strides
结果为：
Merge by OpenCV
(1125, 3, 1)
Merge by NumPy
(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：
>>> a = np.arange(6)
>>> a
array([0, 1, 2, 3, 4, 5])
>>> a.strides
(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：

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

>>> c = np.arange(27).reshape(3,3,3)
其结果为：
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],
 
       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],
 
       [[18, 19, 20],
        [21, 22, 23],
        [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：
>>> c.strides
(36, 12, 4)

链接：https://blog.csdn.net/sunny2038/article/details/9080047