openCV-Task02:005-008 图像色彩空间转换；图像对象的创建与赋值；图像像素的读写操作；图像算术操作

目录

005：图像色彩空间转换

5.1常见色彩空间：

5.2代码实现：

    5.3 运行结果：

006：图像对象的创建与赋值

      6.1图像对象属性

6.2OpenCV-Python支持的数据类型

6.3.numpy常用函数

6.4代码实现

6.4.1创建array数组

6.4.2创建纯色背景

 6.4.3指定位置颜色

 007.图像像素的读写操作

7.1图像像素

7.2像素遍历

7.3像素读写

7.3.1读写像素，彩色图像：

7.3.2读写像素，灰度图像：

7.4代码实现

 008.图像算术操作

8.1算术操作

8.2代码实现

8.2.1加和代码演示

 8.2.2Mask代码演示

---

005：图像色彩空间转换

人眼可见光区域：380-780

5.1常见色彩空间：

HSV RGB Ycrcb

色彩空	取值范围	优点
HSV	H：0~180，SV：0~255	对计算机友好，区分各种色彩
RGB	0~255（uint8）	设备独立， 计算机显示器的标准支持色彩系统
Ycrcb	0~255	Y分量表示信息，CrCb可以被压缩

从一个色彩空间转换到另外一个色彩空间

信息传递与损失

过程可逆与不可逆

5.2代码实现：

image = cv.imread("F:\Python\OpenCV\data\lena.jpg")
cv.imshow("lena",image)

hsv = cv.cvtColor(image,cv.COLOR_BGR2HSV)
ycrcb = cv.cvtColor(image,cv.COLOR_BGR2YCrCb)
cv.imshow("hsv",hsv)
cv.imshow("ycrcb",ycrcb)

cv.waitKey(0)
cv.destroyAllWindows()

    5.3 运行结果：

006：图像对象的创建与赋值

      6.1图像对象属性

• 图像形状 image.shape（h,w,c）

• 图像数据类型 image.dtype

6.2OpenCV-Python支持的数据类型

np.uint8

np.float32

np.int32

np.int64

6.3.numpy常用函数

numpy.array        创建一个array型的数组

numpy.zeros        创建一个指定大小全零的数组

numpy.zeros_like 创建一个与指定array大小相同的全零数组

numpy.asarray      把非array类型的数组转换为array型

numpy.copy           复制一个数组

numpy.reshape       把数组reshape为指定大小的数组

6.4代码实现

6.4.1创建array数组

m1 = np.array([[2,3],[4,5]],dtype=np.uint8)
print(m1)

m2 = np.ones((4,4,3),dtype=np.uint8)
print(m2)

m2[:] = (255,0,0)
print(m2)

m3 = np.zeros((4,4,3),dtype=np.uint8)
print(m3)

6.4.2创建纯色背景

image = np.zeros((512,512,3),dtype=np.uint8)
image[:] = (255,0,0) # 纯蓝色图片
cv.imshow('image1',image)
image[:] = (0,255,0) # 纯绿色图片
cv.imshow('image2',image)
image[:] = (0,0,255) # 纯红色图片
cv.imshow('image3',image)

运行结果

 6.4.3指定位置颜色

image[0:255] = (0,0,255) # 上半部分红色
image[256:512] = (0,0,0) # 上半部分黑色
cv.imshow('image4',image)
image[:,0:255,:] = (0,0,255) # 左半部分红色
image[:,256:512,:] = (0,0,0) # 右半部分黑色
cv.imshow('image5',image)

cv.waitKey(0)
cv.destroyAllWindows()

运行结果

 007.图像像素的读写操作

7.1图像像素

 100万像素相当于1024x868的分辨率

7.2像素遍历

灰色图像素排列

彩色图像素排列

像素遍历本质就是numpy数组访问

假设变量image

获取图像维度信息: image.shape

图像访问像素: image[row, col]

图像赋值像素: image[row, col] = (b,g,r)

7.3像素读写

7.3.1读写像素，彩色图像：

b, g, r = image[row, col ]

image[row, col ] = (255-b, 255-g, 255-r)

7.3.2读写像素，灰度图像：

pv = image[row, col ]

image[row, col ] = 255-pv

7.4代码实现

image = cv.imread("F:\Python\OpenCV\data\lena.jpg")
cv.imshow("lena", image)
h, w, c = image.shape  # 512x512x3
for row in range(h):
    for col in range(w):
        b,g,r = image[row, col]
        image[row, col] = (255-b,255-g,255-r)
cv.imshow("visited",image)
cv.waitKey(0)
cv.destroyAllWindows()

  运行结果

 008.图像算术操作

8.1算术操作

加法	cv.add(src1, src2[, dst [, mask[, dtype ]]]) -> dst
减法	cv.subtract (src1,src2[, dst [,mask[, dtype ]]])-> dst
乘法	cv.multiply (src1,src2[, dst [,scale[, dtype ]]])-> dst
除法	cv.divide (src1, src2[, dst [, scale[, dtype ]]])-> dst

src1 & src2 表示图像

加法，保证不越界： saturate(src1 + src2)-》0~255

注意： mask参数：遮掩指定位置，然后对未遮掩位置进行算术运算。

例如：cv.add (src1, src2[, dst [, mask[, dtype ]]]) -> dst

8.2代码实现

8.2.1加和代码演示

# 将原始图像与洋红色图片进行加和
image1 = cv.imread('F:\Python\OpenCV\data\girl.jpg')
image2 = np.zeros_like(image1)
image2[:,:] = (110,0,250)

cv.imshow("img1",image1)
cv.imshow("img2",image2)

added = cv.add(image1,image2)
cv.imshow("added",added)

cv.waitKey(0)
cv.destroyAllWindows()

运行结果

 8.2.2Mask代码演示

m1 = np.array([[1,2,3,4],[1,2,3,4],[1,2,3,4],[1,2,3,4]],dtype=np.uint8)
m2 = np.array([[4,4,4,4],[5,5,5,5],[4,4,4,4],[5,5,5,5]],dtype=np.uint8)
mask = np.zeros((4,4),dtype=np.uint8)
mask[1:3,1:3] = 1
print("m1:\n",m1)
print("m2:\n",m2)
print("mask:\n",mask)
dst1 = cv.add(m1,m2,mask=mask)
dst2 = cv.add(m1,m2)
print("dst1:\n",dst1)
print("dst2:\n",dst2)

可以对比出mask和没有进行mask的结果是不同的

 

 图片示例：

image1 = cv.imread('F:\Python\OpenCV\data\girl.jpg')
h,w,c = image1.shape
image2 = np.zeros_like(image1)
image2[:,:] = (110,0,250)
mask = np.zeros((h,w),dtype=np.uint8)
mask[100:400,100:400]=1
cv.imshow("img1",image1)
cv.imshow("img2",image2)
added = cv.add(image1,image2,mask=mask)
cv.imshow("added",added)
cv.waitKey(0)
cv.destroyAllWindows()

 运行结果为：

 第二节课的内容总结完毕！