【总结】OpenCV-Python常用API（五）—— 图像矩阵处理（3）

1. 多通道图像拆分

1.1 函数简述和原型

该函数用于拆分图像的各个通道，结果是一个包含图像所有通道的列表。比如一个BGR彩色图像有三个通道，那么拆分后就返回一个包含蓝色、绿色、红色色彩分量的列表。应注意此时里列表中每个元素只是各个色彩的分量，分别只是一个二维矩阵（即单通道图像），因此如果直接显示出来仍然是灰度图像，越白的地方表示该色彩分量越大。注意及时是单通道灰度图像，返回值仍是一个列表，只是里面只有一个元素。官方文档：https://docs.opencv.org/3.4.2/d2/de8/group__core__array.html#ga0547c7fed86152d7e9d0096029c8518a

mv = cv2.split(m)

1.2 参数

• m：要拆分的图像数据；

1.3 返回值

• mv：list类型，其中元素的数量即为图像的通道数，每个元素即为图像单个通道的分量数据，顺序与图像的色彩空间排序一致；

1.4 用法举例

img = cv2.imread(r'.\image.jpg', cv2.IMREAD_COLOR)

# 直接利用Python的序列解包特性获取不同色彩通道的分量矩阵
b, g, r = cv2.split(img)

2. 多通道图像融合

2.1 函数简述和原型

该函数用于将多个单通道分量融合形成多通道图像，作用与split函数相反。官方文档：https://docs.opencv.org/3.4.2/d2/de8/group__core__array.html#ga7d7b4d6c6ee504b30a20b1680029c7b4

dst = cv2.merge(mv)

2.2 参数

• mv：list类型，每个元素为要进行融合的各个通道，融合后的通道顺序与列表中相同；

2.3 返回值

• dst：融合后的多通道图像；

2.4 用法举例

此处展示一个将某张BGR彩色图片拆分，并将各个色彩分量融合展示的例子。注意由于拆分后的各色彩分量仍是单通道灰度图像，故为了将各个颜色分量展示为彩色，将其分别与一个同样大小的纯黑色图像矩阵融合，形成三个BGR彩色图像展示：

img = cv2.imread(r'.\image.jpg', cv2.IMREAD_COLOR)

# 拆分图像各个通道分量，注意此时返回的各个分量仍是单通道灰度图像
b, g, r = cv2.split(img)

# 将各个通道分别与纯黑色矩阵融合
black = np.zeros_like(b)
b = cv2.merge((b, black.copy(), black.copy()))
g = cv2.merge((black.copy(), g, black.copy()))
r = cv2.merge((black.copy(), black.copy(), r))

# 彩色展示三个色彩分量
cv2.imshow('b', b)
cv2.imshow('g', g)
cv2.imshow('r', r)

2.5 实例展示

上述代码生成的图像如下：

3. 图像范围选择

3.1 函数简述和原型

该函数用于选择图像矩阵中的值在某个范围内的所有像素，返回一个二值化的矩阵，大小与原图像一致，原图中像素在指定范围内，返回矩阵中对应位置的值为255（白色），否则为0（黑色）。官方文档：https://docs.opencv.org/3.4.2/d2/de8/group__core__array.html#ga48af0ab51e36436c5d04340e036ce981

dst = cv2.inRange(src, lowerb, upperb)

3.2 参数

• src：要进行范围选择的图像数据；
• lowerb：范围选择的下限（选择时包含该值），选择单通道灰度图像时是一个值；选择多通道彩色图像时，则是一个n元组或1*n的ndarray，n即为通道数量；
• upperb：范围选择的上限（选择时包含该值），类型与范围选择下限一致；

3.3 返回值

• dst：返回大小与原图一致的二值化矩阵，原图某像素的值在所有通道上均满足范围要求，返回矩阵在该处的值才为255，否则即为0；

3.4 用法举例

此处展示一个各种OpenCV教程均会提到的一个例子，就是对彩色图像在HSV色彩空间上进行颜色范围的选择。HSV色彩空间就是在色调（H）、饱和度（S）、明度（V）三个角度定义一个彩色图像。

色调就是将颜色用0-360°的角度度量：红色为0°、绿色为120°、蓝色为240°。但由于OpenCV中存储图像的数据类型为uint8，对应的颜色角度均是除以2保存的，故H通道的值在0-180之间。饱和度在0-255之间，体现了颜色的浓淡，值越小颜色越淡（越接近白色）。明度在0-255之间，体现了颜色的明暗，值越小颜色越暗（越接近黑色）。

下面就是一个在伊布图像中选择紫色部分的例子：

img = cv2.imread(r'.\image.jpg', cv2.IMREAD_COLOR)

# 转换为HSV色彩空间以便进行颜色选择
imgHSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 根据颜色范围进行筛选
# 紫色大概为300°，即H在150左右；
# 饱和度不能太低，否则就是白色；
# 明度不能太低，否则就是黑色
lower_purple = (130, 60, 60)
upper_purple = (160, 255, 255)
mask = cv2.inRange(imgHSV, lower_purple, upper_purple)
cv2.imshow("Mask", mask)

# 范围选择返回的二值化图像可以作为掩模，按位与提取原图中的紫色部分
purple_part = cv2.bitwise_and(img, img, mask=mask)
cv2.imshow("Purple Region", purple_part)

3.5 实例展示

上述代码生成的图像如下：

4. 小结

OpenCV提供的关于图像矩阵的操作还有很多，比如寻找矩阵中最大值cv2.max、最小值cv2.min，计算矩阵所有元素的和cv2.sum等等。但个人认为由于图像的矩阵数据就是numpy.ndarray类型，因此很多矩阵操作使用numpy库的函数灵活度更高、效率也更高。至于numpy对矩阵的各种操作就直接去numpy官网查询API就好了。