python图像处理基本操作(opecv)

1.图像的基本概念：

1. 图像包括 分辨率： 图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点
   • 分辨率越高，图像越清晰。例如1920*1080。1920表示水平分辨率，1080表示垂直分辨率
   • 图像分辨率和像素的关系是：分辨率=画面水平方向的像素值 * 画面垂直方向的像素值
2. 深度：存储每个像素所用到的位数（bit）
   • 位图（2值图）。每个像素用0或1表示，所以只用一个有效位。
   • 灰度图。每个像素用0-255表示,0表示最黑，255表示最亮。因为2^8=256，所以需要8个有效位表示，也就是一个字节表示。
   • RGB图。RGB图像同样也是用8位，一个字节表示。那和灰度图有什么不同呢？灰度图的通道只有1个，但是RGB有3个，也就是相当于3个灰度图的叠加。那怎么显示颜色呢。有调色板，也就是每个像素存储的只是调色板的位置信息，调色板是各种颜色。
3. 通道：通道表示每个点能存放多少个数，例如RGB彩色图像中每个像素点存放三个值，即3通道的，灰度图就是1个数，也就是1通道。
4. python 对 image的参数读取

import cv2
image=cv2.imread("D:/shape.bmp")
print(image.shape[0])
print(image.shape[1])
print(image.shape[2])
image_copy=image[:2]   //复制相同分辨率和通道的图片
结果
300
200
3
其中shape.bmp是一张水平200像素，垂直300像素的彩色图

2. 图像的基本操作

1 通道拆分和合并：cv.spilt()和cv.merge()

import numpy as np;
import cv2;             #导入opencv模块
 
image=cv2.imread("/home/zje/Pictures/lena.jpeg");#读取要处理的图片
B,G,R = cv2.split(image);                       #分离出图片的B，R，G颜色通道
cv2.imshow("RED",R);                            #显示三通道的值都为R值时d图片
cv2.imshow("GREEN",G);                          #显示三通道的值都为G值时d图片
cv2.imshow("BLUE",B);                           #显示三通道的值都为B值时d图片
cv2.waitKey(0);                                 #不让程序突然结束

import numpy as np;
import cv2;             #导入opencv模块
 
image=cv2.imread("/home/zje/Pictures/lena.jpeg");#读取要处理的图片
B,G,R = cv2.split(image);                       #分离出图片的B，R，G颜色通道
zeros = np.zeros(image.shape[:2],dtype="uint8");#创建与image相同大小的零矩阵
cv2.imshow("BLUE",cv2.merge([B,zeros,zeros]));#显示 （B，0，0）图像
cv2.imshow("GREEN",cv2.merge([zeros,G,zeros]));#显示（0，G，0）图像
cv2.imshow("RED",cv2.merge([zeros,zeros,R]));#显示（0，0，R）图像
cv2.waitKey(0);

2.图像的融合：cv.addWeighted

addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None):
src1 – first input array. 【第一张图片】
alpha – weight of the first array elements. 【第一张图片的权重】
src2 – second input array of the same size and channel number as src1. 【与第一张大小和通道数相同的图片】
beta – weight of the second array elements. 【第二张图片的权重】
gamma – scalar added to each sum.【加到每个总和上的标量，相当于调亮度】
dst – output array that has the same size and number of channels as the input arrays.【输出，python中可以直接将dst放在前面作为输出】

3 图像的裁剪和缩放：image[x:y,w:m] cv.resize

• image[x:y,w:m]截取image的[x:y,w:m]的像素点
• cv.resize：缩小或者放大函数至某一个大小
• 下边的函数裁剪后然后进行缩放，变成256*128大小的图片。

img = cv.resize(img[:300, 10:280], (256, 128))

4 图像的灰度转换：cv.cvtColor

• cvtColor(src,dst,code,dstCn) ===> (原图像，输出图像，color转化代码，输出通道)

 cvtColor(img, img, COLOR_BGR2Luv);
 或者:
 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
 将图片由RGB转化为灰度图像

5 图像的二值化： cv.threshold

• src：源图像，可以为8位的灰度图，也可以为32位的彩色图像。（两者由区别）
  dst：输出图像
  thresh：阈值(当高于阈值的时候，像素点直接为1，否则为0)
  maxval：dst图像中最大值
  type：阈值类型
• threshold_type=CV_THRESH_BINARY:如果 src(x,y)>threshold ,dst(x,y) = max_value; 否则,dst（x,y）=0; threshold_type=CV_THRESH_BINARY_INV:如果 src(x,y)>threshold,dst(x,y) = 0; 否则,dst(x,y) = max_value. threshold_type=CV_THRESH_TRUNC:如果 src(x,y)>threshold，dst(x,y) = max_value; 否则dst(x,y) = src(x,y). threshold_type=CV_THRESH_TOZERO:如果src(x,y)>threshold，dst(x,y) = src(x,y) ; 否则 dst(x,y) = 0。 threshold_type=CV_THRESH_TOZERO_INV:如果 src(x,y)>threshold，dst(x,y) = 0 ; 否则dst(x,y) = src(x,y).

et, drawn_label = cv.threshold(drawn_label, 50, 255, cv.THRESH_BINARY)

6 遍历图像的每一个像素

         for x in range(img.shape[0]):  # 图片的高
             for y in range(img.shape[1]):  # 图片的宽
                 px = img[x, y]
                 if px[0]>120 and px[1]>120 and px[2]>120:
                     px[0] = 130
                     px[1] = 130
                     px[2] = 130