opencv 人工添加椒盐

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