计算机视觉OpenCV之核心操作1

核心操作

1 修改并获取像素值

import cv2
img = cv2.imread('dog.jpg')
px = img[100,100]
img[100,100] = [255,255,255]
print(img[100,100])

2 获取图像属性

img.shape #图像形状
img.size #像素数目
img.dtype #图像的数据类型

3 图像ROI
拷贝图像的某部分区域到另一部分

ball = img[280:340, 330:390]
img[273:333, 100:160] = ball

拆分并合并图像通道

b, g, r = cv2.split(img) #或者b=img[:,:,0]
img = cv2.merge([b, g, r])

为图像扩边： cv2.copyMakeBorder()
使用 cv2.copyMakeBorder()函数。这经常在卷积运算或 0 填充时被用到。这个函数包括如下参数：
• src 输入图像
• top, bottom, left, right 对应边界的像素数目。
• borderType 要添加那种类型的边界，类型如下
– cv2.BORDER_CONSTANT 添加有颜色的常数值边界，还需要
下一个参数（value）。
– cv2.BORDER_REFLECT 边界元素的镜像。比如: fedcba|abcdefgh|hgfedcb
– cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT
跟上面一样，但稍作改动。例如: gfedcb|abcdefgh|gfedcba
– cv2.BORDER_REPLICATE 重复最后一个元素。例如: aaaaaa|
abcdefgh|hhhhhhh
– cv2.BORDER_WRAP 不知道怎么说了, 就像这样: cdefgh|
abcdefgh|abcdefg
• value 边界颜色，如果边界的类型是 cv2.BORDER_CONSTANT

BLUE=[255,0,0]
replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)
constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_CONSTANT,value=BLUE)
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')
plt.show()

4 图像上的运算cv2.add(x,y)
图像加法

x = np.uint8([250])
y = np.uint8([10])

print(cv2.add(x,y)) #250+10 = 260 => 255
print(x+y) #250+10 = 260 % 256 = 4

**图像混合cv2.addWeighted() **
不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉。图像混合的计算公式如下：g (x) = (1 − α) f0 (x) + αf1 (x)通过修改 α 的值（0 -1），可以实现非常酷的混合dst = α · img1 + β · img2 + γ。

dst = cv2.addWeighted(img, 0.7, img1, 0.3, 0)
im_show('dst', dst)

按位运算
按位操作有： AND， OR， NOT， XOR 等。

img = cv2.imread('dog.jpg')
img1 = cv2.imread('OpenCV.jpg')
rows, cols, channels = img1.shape
roi = img1[0:rows, 0:cols]

img2gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
ret, mask = cv2.threshold(img2gray, 175, 255, cv2.THRESH_BINARY)
mask_inv = cv2.bitwise_not(mask)

img1_bg = cv2.bitwise_and(roi,roi,mask = mask)
img2_fg = cv2.bitwise_and(img1,img1,mask = mask_inv)
dst = cv2.add(img1_bg,img2_fg)
img[0:rows, 0:cols ] = dst

im_show('img', img)

5 程序性能检测及优化
• 检测程序的效率
• 一些能够提高程序效率的技巧
使用 OpenCV 检测程序效率
cv2.getTickCount 函数返回从参考点到这个函数被执行的时钟数。所
以当你在一个函数执行前后都调用它的话，你就会得到这个函数的执行时间
（时钟数）。
cv2.getTickFrequency 返回时钟频率，或者说每秒钟的时钟数。所以
你可以按照下面的方式得到一个函数运行了多少秒：

e1 = cv2.getTickCount()
# your code execution
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()

OpenCV 中的默认优化
使用函数 cv2.useOptimized()来查看优化是否被开启了，使用函数 cv2.setUseOptimized() 来开启优化。