单张图片和多张图片的RGB通道在python（numpy）中的数据构成

1） 单张图片

该文将尽可能简短的描述基于numpy，在python中使用skimage的io或PIL或其他方法读取图片后GRB数据的结构与呈现方式。

我们肉眼看到的图片无非两种（灰色和彩色），而通过编程语言转换为电脑能认识的模样也就是数字了。这些数字决定了在电脑中它是彩色还是灰色，对于彩色图片决定的方式就是——颜色通道，而最常见的就是RGB三通道了，顾名思义RGB三色通道就是指由R、G、B三个通道组成的。

这里需要说明的一点就是RGB三色道分别对应三个矩阵，而这三个矩阵都是数字向量构成的矩阵，并不代表颜色的意思（矩阵能代表颜色吗？），这里比较贴切可以理解为调色板，例如当该矩阵的某个位置的数值较大，则表示该处对应调色板使用的颜色就越”白/浅“，而越小则对应调色板使用颜色越“黑/深”。8bit的图像，对应的矩阵元素取值为0-255（也可以使用0-1表示），这里我们主要理解数据，对于图像的理解下面给出链接。

看一张图片：

这是一张彩色图片，现在通过skimage的io方法读取该图片后在numpy中呈现的数据格式如下：

通过shape得到图形形状（287,496,3），其中287表示行，496表示列，3表示分量（即三个通道分量），是不是有点蒙，下面正是本文要讲的重点，如何理解上面读取出来的数据格式？

首先我们应该按 列 来看，可以看到有3列 （即190 48 64对应往下的3列），这便是RGB对应的 3 个通道，从头到尾的一列数据构成了一个通道分量，共三个：

 然后再来理解287，从上图中可以看到有很多的 [ 符号，其实按层次来分也就三层，这里的287表示共有287个中间层的矩阵：

最后再来看496，这个数字从哪来？上面的287个矩阵中每一个矩阵的每一列都有496个元素（数字），虽然这些数字是按照行来分块，但实际上列之间的元素才有关联，每一列的元素组合成行，构成了该通道矩阵的一行数据：

下面来看看将上面的整体矩阵分解为三个通道后的模样，做个对比是不是清楚很多了。

上面的三个通道为相同的矩阵大小，而后将三者按照通道顺序排列重叠后构成了RGB彩色图片，当然顺序有可能不是RBG，例如opencv转换后为BGR。

以上为彩色图片在numpy中解析后的理解介绍，下面是部分代码：
 

from skimage import io
 
path_c = r"G:\c.png"
color = io.imread(path_c)
print(color,color.shape)
 
# R
print(color[:,:,0],color[:,:,0].shape)
# G
print(color[:,:,1],color[:,:,1].shape)
# B
print(color[:,:,2],color[:,:,2].shape)
 
fig,axes = plt.subplots(1,3,figsize=(12,7))
axes[0].imshow(color[:,:,0])
axes[0].set_title('R')
axes[1].imshow(color[:,:,1])
axes[1].set_title('G')
axes[2].imshow(color[:,:,2])
axes[2].set_title('B')
 
plt.show()

2） 多张图片

同样道理：

该数组共50张图片，每个图片64*64*3.

显示均是以列的形式显示，三列，n多个矩阵从上到下串起来。

 

下图表示：第一张图片通道0，1，2的第一行，从上到下，共64个元素(即64列)。

 

 

下图表示第50张图片的三个通道的第64行，从上到下64个元素。