1.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:
img[j,i] = 255
其中j,i分别表示图像的行和列。对于BGR图像,第三个数表示通道。为:
img[j,i,0]= 255
img[j,i,1]= 255
img[j,i,2]= 255
2.基本的原理就是读取图片并且将其中的随即像素点的值设置为255以实现椒盐化
# 图像添加人工的椒盐现象
import cv2
import numpy as np
# 随机添加椒盐的函数
def salt(img, n):
# 循环添加n个椒盐
for k in range(n):
# 随机选择椒盐的坐标
i = int(np.random.random() * img.shape[1])
j = int(np.random.random() * img.shape[0])
# 如果是灰度图
if img.ndim == 2:
img[j,i] = 255
# 如果是RBG图片
elif img.ndim == 3:
img[j,i,0]= 255
img[j,i,1]= 255
img[j,i,2]= 255
return img
img = cv2.imread("hh.jpg")
saltImage = salt(img,500)
cv2.imshow("Salt", saltImage)
cv2.waitKey(0)
cv2.destroyAllWindows()
上面的代码需要注意几点:
1、与C++不同,在Python中灰度图的img.ndim = 2,而C++中灰度图图像的通道数img.channel() =1
2、为什么使用np.random.random()?
这里使用了numpy的随机数,Python自身也有一个随机数生成函数。这里只是一种习惯,np.random模块中拥有更多的方法,而Python自带的random只是一个轻量级的模块。不过需要注意的是np.random.seed()不是线程安全的,而Python自带的random.seed()是线程安全的。如果使用随机数时需要用到多线程,建议使用Python自带的random()和random.seed(),或者构建一个本地的np.random.Random类的实例。
3.分离、合并通道
由于OpenCV Python和NumPy结合的很紧,所以即可以使用OpenCV自带的split函数,也可以直接操作numpy数组来分离通道。直接法为:
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b, g, r = cv2.split(img)
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()
其中split返回RGB三个通道,如果只想返回其中一个通道,可以这样
b = cv2.split(img)[0]
g = cv2.split(img)[1]
r = cv2.split(img)[2]
最后的索引指出所需要的通道。
也可以直接操作NumPy数组来达到这一目的:
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()
注意先要开辟一个相同大小的图片出来。这是由于numpy中数组的复制有些需要注意的地方,具体事例如下:
>>> c= np.zeros(img.shape, dtype=img.dtype)
>>> c[:,:,:] = img[:,:,:]
>>> d[:,:,:] = img[:,:,:]
>>> c is a
False
>>> d is a
False
>>> c.base is a
False
>>> d.base is a #注意这里!!!
True
这里,d只是a的镜像
4.通道合并
同样,通道合并也有两种方法。第一种是OpenCV自带的merge函数,如下:
merged = cv2.merge([b,g,r]) #前面分离出来的三个通道
接着是NumPy的方法:
mergedByNp = np.dstack([b,g,r])
注意:这里只是演示,实际使用时请用OpenCV自带的merge函数,用NumPy组合的结果不能在OpenCV中其他函数使用,因为其组合方式与OpenCV自带的不一样