Python OpenCV学习总结Day 2 像素访问，通道分离，边界填充，算术操作

最新推荐文章于 2023-09-24 11:59:21 发布
最新推荐文章于 2023-09-24 11:59:21 发布
阅读量2.8k 收藏 8
点赞数 3
分类专栏： OpenCV 图像处理 文章标签： opencv python 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41035283/article/details/118341430
版权

目录

前言

按照OpenCV官方doc顺序来进行学习回忆和总结
本次的内容是opencv中的常用核心操作(core.hpp)，包括

  • 像素访问
  • 图像属性访问
  • ROI提取
  • 通道操作
  • 图像边界填充
  • 图像的算术操作和位操作
  • 运行时间计算

Day2.OpenCV核心基础

像素访问与修改

opencv在C++读入的图片是用Mat存储，而在python里则以numpy.ndarray进行存储，读取图片坐标(x, y)处的像素信息可以通过访问numpy数组进行，

img = cv2.imread('starry_night.png')
cv2.imshow('img', img)
pixel = img[100, 100]
print('(100, 100)处的三通道像素值', pixel)
# (100, 100)处的三通道像素值 [131  54  22]

在这里插入图片描述

需要注意图像坐标与numpy数组位置之间的对应关系，例如图像img坐标(20,30)处的像素，用数组的说法则是第30行的第20列，因此在numpy数组中对应的位置是img[30, 20]

如果要访问某一特定通道的像素（例如Blue通道），

pixel = img[100, 100, 0]
print('(100, 100)处的单通道（蓝）像素值', pixel)
# (100, 100)处的单通道（蓝）像素值 131

如果要修改某一位置的像素值，

img[100, 100] = [22, 54, 131]
print('修改后的像素值', img[100, 100])
# 修改后的像素值 [ 22  54 131]

这里有一个提升像素访问速度的小技巧，当需要遍历图像某个区域的像素点时，使用以上方法for循环遍历修改的效率较低。而numpy内置的item()方法能够快速遍历，

pixel = img.item(100, 100, 0)
print('快速访问(100, 100, 0)处的像素值', pixel)
img.itemset((100, 100, 0), 55)
print('快速访问修改后的(100, 100, 0)处的像素值', img.item(100, 100, 0))
# 快速访问(100, 100, 0)处的像素值 22
# 快速访问修改后的(100, 100, 0)处的像素值 55

图像属性访问

图像的基本属性包括图像的形状(W, H, C)，像素数量，图像的数据类型，可分别通过以下方法访问，

print('图片shape', img.shape)
print('像素数量', img.size)
print('图片数据类型', img.dtype)
# 图片shape (600, 752, 3)
# 像素数量 1353600
# 图片数据类型 uint8

ROI提取

图像处理时经常需要将感兴趣区域ROI（Region of Interests）提取出来，可以通过numpy数组切片进行，

# ROI提取
ROI = img[120:240, 120:240]
# 将ROI移动到img的其它位置
img[240:360, 240:360] = ROI
cv2.imshow('img2', img)
cv2.waitKey(0)

结果
在这里插入图片描述

通道操作

有时需要通过图像的通道操作来筛选颜色，可以通过opencv内置的函数cv2.split()，cv2.merge()或者numpy数组操作进行，

b, g, r = cv2.split(img)  # split函数可用于通道分离，分离顺序是BGR
B = img[:, :, 0]  # 也可以通过numpy数组进行通道分离
G = img[:, :, 1]  # numpy操作速度相比split速度更快
R = img[:, :, 2]  # 分离结果相同
cv2.imshow('b', b)
cv2.imshow('B', B)
img = cv2.merge([b, g, r])  # merge函数可用于图像融合，融合顺序是BGR
cv2.imshow('img3', img)
img[:, :, 0] = B  # 也可以通过numpy数组进行通道融合
img[:, :, 1] = G  # 融合结果相同
img[:, :, 2] = R
cv2.imshow('img4', img)
cv2.waitKey(0)

B分量结果
在这里插入图片描述

需要注意的是，split和merge函数的运行效率要低于直接操作numpy数组进行通道分离和融合

边界填充

有时需要对图像进行填充（印象里比较深的是YOLOv5的黑边填充），opencv内置了cv2.copyMakeBorder()来实现，

cv2.copyMakeBorder(img, top, bottom, left, right, borderType, value=None)

其中，第二三四五个参数分别表示上下左右填充的长度，borderType表示填充方式，常用的有

  • cv2.BORDER_CONSTANT 最常用的纯色填充，此时value需要有对应的颜色值
  • cv2.BORDER_REFLECT 对称填充
  • cv2.BORDER_REPLICATE 复制填充
  • cv2.BORDER_WRAP 扭曲填充
img_border = cv2.copyMakeBorder(img, 20, 3, 10, 10, cv2.BORDER_CONSTANT, value=(255, 255, 255))
cv2.imshow('border', img_border)
cv2.waitKey(0)

在这里插入图片描述

图像的算术操作与位操作

图像加法

opencv内置了算术操作函数与位操作函数，有助于实现图像融合、掩膜计算等实现

图像加法有两种方式，通过opencv内置的cv2.add()或numpy数组加法，

img = cv2.add(img1, img2)
# or
img = img1 + img2

但是这两种图像加法得到的结果却是不同的，运行以下代码，

img_add = cv2.add(img, img)
cv2.imshow('cv_add', img_add)
img_add = img + img
cv2.imshow('np_add', img_add)
cv2.waitKey(0)

cv2.add结果：
在这里插入图片描述
numpy加法结果：
在这里插入图片描述
造成以上结果的原因是，uint8数据在使用cv2.add()在像素值相加时，如果结果大于255，就会保持为255；而numpy数组相加时则会取模运算，如下所示

print(cv2.add(np.uint8([200]), np.uint8([100])))
print(np.uint8([200]) + np.uint8([100]))
# [[255]]
# [44]

如果两张图片需要根据权重叠加，则可以使用cv2.addWeighted()函数，

img = cv2.addWeighted(img1, alpha, img2, beta, gamma)
# img = alpha * img1 + beta * img2 + gamma

其中，alpha和beta是两张图片的权重，而gamma则可用于增加图片的亮度

img_add = cv2.addWeighted(img, 0.4, img, 0.1, 0)
cv2.imshow('addweight', img_add)
cv2.waitKey(0)

结果：
在这里插入图片描述

图像减法

与加法类似，也可以通过opencv内置cv2.subtract()或Numpy数组来做图像减法，

img_sub = cv2.subtract(img_add, img)
cv2.imshow('sub', img_sub)
img_sub = img - img_add
cv2.imshow('sub2', img_sub)
cv2.waitKey(0)

cv结果：
在这里插入图片描述
np结果：
在这里插入图片描述

减法还有一个特殊函数,cv2.absdiff()，用来计算img = |img1-img2|，

img = cv2.absdiff(img1, img2)

img_diff = cv2.absdiff(img_add, img)
cv2.imshow('absdiff', img_sub)
cv2.waitKey(0)

结果：
在这里插入图片描述
absdiff()常用于背景减法、帧差法等算法中

以下结果可以更好表示cv2.add()、numpy减法与cv2.absdiff()之间的区别，

print(cv2.subtract(np.uint8([100]), np.uint8([120])))
print(np.uint8([100]) - np.uint8([120]))
print(cv2.absdiff(np.uint8([100]), np.uint8([120])))
# [[0]]
# [236]
# [[20]]

图像乘法

cv2.multiply()图像乘法，用的比较少，用于计算img = img1 * img2 * scale

img = cv2.multiply(img1, img2, dst, scale)

img_mul = cv2.multiply(img_add, img, scale=1)
cv2.imshow('mul', img_mul)
print(cv2.multiply(np.uint8([100]), np.uint8([120])))
print(np.uint8([100]) * np.uint8([120]))
cv2.waitKey(0)
# [[255]]
# [224]

结果：
在这里插入图片描述

图像除法

cv2.divide()图像除法，但用的比较少，用于计算img = img1 * scale / img2或img = scale / img1

img = cv2.divide(img1, img2, dst, scale)
img = cv2.divide(scale, img1)

img_div = cv2.divide(img_add, img, scale=100)
cv2.imshow('img_div', img_div)
img_div = cv2.divide(1000, img_add)
cv2.imshow('div_scale', img_div)
print(cv2.divide(np.uint8([100]), np.uint8([120])))
print(np.uint8([100])/np.uint8([120]))
# [[1]]
# [0.83333333]

结果：
在这里插入图片描述

在这里插入图片描述

位操作

opencv中，为了方便掩膜操作，提供了几种像素位操作函数，

# 按位与
dst = cv2.bitwise_and(src1, src2, dst=None, mask=None)
# 按位或
dst = cv2.bitwise_or(src1, src2, dst=None, mask=None)
# 按位异或
dst = cv2.bitwise_xor(src1, src2, dst=None, mask=None)
# 按位取反
dst = cv2.bitwise_not(src, dst=None, mask=None)

首先要注意的是，按位与或非的计算方法，如下所示，根据二进制计算可知，首先将像素值转化为二进制数，然后进行位操作，再返回十进制结果

print(cv2.bitwise_and(np.uint8([100]), np.uint8([120])))
print(cv2.bitwise_not(np.uint8([100])))
# [[96]]
# [[155]]

因此，实际图像操作中，位操作通常是与纯白色或纯黑色的掩膜联合使用，完成抠图等，具体做法就是将需要抠图的地方利用图像处理置为255，将其它地方置0，然后位与

以下给出了一个抠图融合例程，

import cv2

img1 = cv2.imread('./data/messi5.jpg')
img2 = cv2.imread('./data/opencv-logo-white.png')
cv2.imshow('img2', img2)

rows, cols, channels = img2.shape
roi = img1[0:rows, 0:cols]
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
ret, mask = cv2.threshold(img2gray, 10, 255, cv2.THRESH_BINARY)

mask_inv = cv2.bitwise_not(mask)
img1_bg = cv2.bitwise_and(roi, roi, mask=mask_inv)
img2_fg = cv2.bitwise_and(img2, img2, mask=mask)
dst = cv2.add(img1_bg, img2_fg)
img1[0:rows, 0:cols] = dst
cv2.imshow('res', img1)
cv2.waitKey(0)

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

运行计时

python中内置的time包常用于程序运行计时，

import time
start = time.time()
# function
end = time.time()
print(end - time)

而opencv其实也内置了计时函数组合cv2.getgetTickCount()与cv2.getTickFrequency()

e1 = cv2.getTickCount()
# function
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()

此外，opencv还提供了一些用于运行优化、设置多线程等功能的函数，

cv2.getNumThreads() # 获取opencv并行使用的线程数
cv2.setNumThreads() # 设置opencv并行线程数
cv2.useOptimized() # 查看opencv是否打开优化
cv2.setUseOptimized() # opencv打开优化

结语

首先给出本文的总代码，

import cv2
import numpy as np

'''
像素访问和更改
'''
img = cv2.imread('starry_night.png')
cv2.imshow('img', img)
pixel = img[100, 100]
print('(100, 100)处的三通道像素值', pixel)
pixel = img[100, 100, 0]
print('(100, 100)处的单通道（蓝）像素值', pixel)
img[100, 100] = [22, 54, 131]
print('修改后的像素值', img[100, 100])
pixel = img.item(100, 100, 0)
print('快速访问(100, 100, 0)处的像素值', pixel)
img.itemset((100, 100, 0), 55)
print('快速访问修改后的(100, 100, 0)处的像素值', img.item(100, 100, 0))

'''
图像属性访问
'''
print('图片shape', img.shape)
print('像素数量', img.size)
print('图片数据类型', img.dtype)
'''
图像ROI(感兴趣区域)提取
'''
ROI = img[120:240, 120:240]
img[240:360, 240:360] = ROI
cv2.imshow('img2', img)
cv2.waitKey(0)

'''
通道分离与合并
'''
b, g, r = cv2.split(img)  # split函数可用于通道分离，分离顺序是BGR
B = img[:, :, 0]  # 也可以通过numpy数组进行通道分离
G = img[:, :, 1]  # numpy操作速度相比split速度更快
R = img[:, :, 2]  # 分离结果相同
cv2.imshow('b', b)
cv2.imshow('B', B)
img = cv2.merge([b, g, r])  # merge函数可用于图像融合，融合顺序是BGR
cv2.imshow('img3', img)
img[:, :, 0] = B  # 也可以通过numpy数组进行通道融合
img[:, :, 1] = G  # 融合结果相同
img[:, :, 2] = R
cv2.imshow('img4', img)
cv2.waitKey(0)

'''
填充图像边界
'''
img_border = cv2.copyMakeBorder(img, 20, 3, 10, 10, cv2.BORDER_CONSTANT, value=(255, 255, 255))
cv2.imshow('border', img_border)
cv2.waitKey(0)

'''
图像加法
'''
img_add = cv2.add(img, img)
cv2.imshow('cv_add', img_add)
img_add = img + img
cv2.imshow('np_add', img_add)
cv2.waitKey(0)
print(cv2.add(np.uint8([200]), np.uint8([100])))
print(np.uint8([200]) + np.uint8([100]))
img_add = cv2.addWeighted(img, 0.4, img, 0.1, 0)
cv2.imshow('addweight', img_add)
cv2.waitKey(0)

'''
图像减法
'''
img_sub = cv2.subtract(img_add, np.ones_like(img_add) * 100)
cv2.imshow('cv_sub', img_sub)
img_sub = img_add - np.ones_like(img_add) * 100
cv2.imshow('np_sub', img_sub)
img_diff = cv2.absdiff(img_add, np.ones_like(img_add) * 100)
cv2.imshow('absdiff', img_diff)
print(cv2.subtract(np.uint8([100]), np.uint8([120])))
print(np.uint8([100]) - np.uint8([120]))
print(cv2.absdiff(np.uint8([100]), np.uint8([120])))
cv2.waitKey(0)

'''
图像乘法
'''
img_mul = cv2.multiply(img_add, img, scale=1)
cv2.imshow('mul', img_mul)
print(cv2.multiply(np.uint8([100]), np.uint8([120])))
print(np.uint8([100]) * np.uint8([120]))
cv2.waitKey(0)

'''
图像除法
'''
img_div = cv2.divide(img_add, img, scale=100)
cv2.imshow('img_div', img_div)
img_div = cv2.divide(1000, img_add)
cv2.imshow('div_scale', img_div)
print(cv2.divide(np.uint8([100]), np.uint8([120])))
print(np.uint8([100])/np.uint8([120]))
cv2.waitKey(0)

'''
图像位操作
'''
print(cv2.bitwise_and(np.uint8([100]), np.uint8([120])))
print(cv2.bitwise_not(np.uint8([100])))

本次总结回顾了基本的OpenCV核心操作，包括像素读写、通道分离、填充边界、算术和位操作等，下次将进入图像处理章节~

RuiH.AI
关注
专栏目录
Python OpenCV处理图像之图像像素点操作
12-24
本文实例为大家分享了Python OpenCV图像像素点操作的具体代码，供大家参考，具体内容如下 0x01. 像素 有两种直接操作图片像素点的方法： 第一种办法就是将一张图片看成一个多维的list，例如对于一张图片im，想要操作...
Opencv+Python图像像素处理
a670941001的博客
05-06 1574
Opencv+Python图像像素处理\二值图像的像素访问、修改\彩色图像的像素访问、修改，通过到提取
Opencv+Python学习记录3：使用numpy.array 访问像素+ROI（内附代码）
qq_53914247的博客
03-09 3074
Opencv+Python学习记录3： 主要内容是利用numpy对图片像素进行处理，以及感兴趣区域（ROI）的部分操作。（内附详细代码）
Opencv-Python的图像像素访问
lsforever的博客
09-26 2559
  一、按照多维数组访问 同python中numpy的ndarray访问元素一样：img[a,b,c] 1.灰度图(单通道) img[i,j] ###i = 行， j = 列 2.彩色图像：Opencv下为BGR，0,1,2表示通道数 img[j,i,0]= 255 img[j,i,1]= 255 img[j,i,2]= 255 3.numpy中的矩阵访问方法（建议使用） ...
Opencv+Python学习记录2：图像处理的基本操作——像素处理(代码示例）
qq_53914247的博客
03-03 3163
Opencv+Python学习记录2：图像处理的基本操作——像素处理(代码示例） （包含使用Numpy生成数组，模拟图像修改，以及实际图像修改）
opencv 6 --cv2.absdiff
wust小吴
05-21 2万+
absdiff 获取差分图 就是将两幅图像作差 两张图片进行对比，返回的结果代表他们的差异之处 一般用在 比较与背景图的差异 diff = cv2.absdiff(background, gray_lwpCV) 两个图片相减，这里用的是灰度图，类型是uint8 在 OpenCV单通道使用的数据类型是 uint8， 两个uint8的数相减得不到负数,会得到差的补码...
opencv-python：05_图像基础操作（获取像素、图像属性、ROI、通道拆分合并、BGR转RGB、边界填充）
01-20
图像扩边（边界填充） 一、获取并修改像素值 注意： Numpy 是经过优化了的进行快速矩阵运算的软件包。所以我们不推荐逐个获取像素值并修改，这样会很慢，能有矩阵运算就不要用循环。 import cv2 import numpy as np ...
python opencv 二值化 计算白色像素点的实例
09-19
本文将详细介绍如何使用Python和OpenCV进行二值化操作，并计算图像中的白色像素点数量。 首先，我们需要导入必要的库，如`cv2`用于OpenCV操作，`numpy`用于数值计算，以及`PIL`（Python Imaging Library）用于图像...
浅谈python opencv对图像颜色通道进行加减操作溢出
12-17
在图像处理领域，OpenCV是一个广泛使用的开源库，尤其在Python中，它提供了丰富的功能来操作和分析图像。本文将探讨在使用OpenCV处理图像时遇到的一个关键问题：如何正确处理图像颜色通道的加减运算，以避免数据溢出...
cv2.absdiff的使用
世上再无张显宗
04-27 921
cv语法学习
6-python图像处理opencv（2.图像像素访问，通道分离与合并）
小鼠标的博客
01-04 1万+
python可以调用opencv中提供的诸多方法来完成，对图像像素访问，RGB等通道的分离与合并一. 像素访问 opencv中使用 imread读出来的图片直接可以通过 im[i,j,0] 访问i，j位置的R通道(默认是RGB) 代码示例：#访问像素点，生成模拟带有小孔图片import cv2 import numpy as np def salt(img, n): for k in r
Python|OpenCV-访问并修改图片像素值，鉴别彩色和灰色图像(6)
最新发布
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
09-24 354
在使用OpenCV对图像进行操作的时候，通常需要熟练掌握一些Numpy知识点。因为有的时候需要用到Numpy和OpenCV结合去实现图像的操作，所以说想要写出较好的OpenCV代码的最好方法，就需要有Numpy知识的储备量。而在本文，将结合Numpy和OpenCV来详细介绍“访问并获取图片的像素值，如何正确修改图片像素值”，以及“如何正确鉴别彩色图片和灰色图片”等知识点。在开始之前，我们先在桌面随机准备一张图片“test.jpg”。如下所示：注意：笔者这里桌面的图片名称，你们可以随意更名，笔者文中的代码仅以
OpenCV-Python教程：像素操作
桔子code 的博客
05-31 1770
原文链接：http://www.juzicode.com/archives/5631 返回Opencv-Python教程 图像的像素级操作包括读某个或某些像素值、以及写像素值。因为在OpenCV-Python中图像是以numpy数组形式表示的，所以可以使用下标索引的方式来访问像素。 1、numpy数组的访问 在做像素操作前需要先搞清楚下标索引的方法，下面以一个宽高为16×10的灰度图（单通道）为例。 在图片中x轴方向的大小为0~15，y轴方向的大小为0~9且是向下的，我们通常描述一个二维空间的
10 个开源 Python OpenCV 小项目，YouTube热门
小白学视觉
02-25 2322
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自 | 新机器视觉 1.DrowsinessDetector睡意检测https://gi...
OpenCV函数学习之cv2.absdiff
热门推荐
myjsj的专栏
10-16 2万+
src1 The first source array src2 The second source array dst The destination array The function calculates absolute difference between two arrays. dst(i)c = |src1(I)c − src2(I)c | All the arrays m
python opencv --cv2.absdiff比较两图片差异
weixin_43587112的博客
05-28 1万+
absdiff 获取差分图 就是将两幅图像作差 参数说明 src1：第一个输入数组或标量。src2：第二个输入数组或标量。dst：与输入数组具有相同大小和类型的输出数组。 两张图片进行对比，返回的结果代表他们的差异之处 一般用在 比较与背景图的差异 import cv2 # 读取图片 baseImg = cv2.imread("../images/base.jpg") curImg= cv2.imread("../images/cur.jpg") # 转灰度图 gray_base = cv2.
Python+OpenCV图片基本操作：读取像素值、图片展示
nicec1的博客
02-23 8268
读取彩色图 基于opencv-python的图像读取，使用cv2读进来是一个numpy矩阵，像素值介于0~255 import cv2 #opencv默认读取格式是BGR img = cv2.imread('cat.jpg') print(img) 运行结果如下： 使用matplotlib进行展示 #图像的显示 import matplotlib.pyplot as plt cv2.imshow('image',img) #等待时间，毫秒，0表示任意键终止 cv2.waitKey(0)
python鼠标点击图片，获取点击点的像素坐标
stone的博客
10-10 8209
直接附上代码： import cv2 import numpy as np #图片路径 img = cv2.imread('031.jpg') a =[] b = [] def on_EVENT_LBUTTONDOWN(event, x, y,flags, param): if event == cv2.EVENT_LBUTTONDOWN: xy = "%d,%d" %...
OpenCV Python教程（2、图像元素的访问、通道分离与合并）
yang_bingo的博客
12-10 703
访问像素 像素的访问和访问numpy中ndarray的方法完全一样，灰度图为 i = int(np.random.random() * img.shape[1]) j = int(np.random.random() * img.shape[0]) img[j,i] = 255 其中j，i分别表示图像的行和列。对于BGR图像，为（第三个数表示通道） img[j,i,0]= 255 im...
Python+OpenCV：基本操作：像素获取与修改
总结来说，本文详细介绍了如何在Python环境下利用OpenCV处理图像，包括基本的像素访问、颜色通道分离以及使用numpy库进行更高级的像素操作。这对于初学者理解和实践图像处理技术非常实用，有助于进一步学习更复杂的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值