计算机视觉入门之图像处理＜一＞：图像处理基础概念

---

前言

本篇文章讲述图像的基础知识，主要包括灰度、通道等基础概念，同时还包括部分操作基于Opencv的代码实现。本系列文章并未涉及到图像处理所有的知识，若有不足之处，请多多包含！

像素

像素是构成位图的最基本的单位，像素的多少决定了图像的尺寸，同时也是分辨率的单位。如图所示，可以看到图片由许多小方格组成，每一个小方格就是一个像素点

分辨率(解析度)

图像的分辨率是单位英寸内的像素点个数，单位为PPI（Pixels Per Inch）。由上图可知，因为在单位面积内的像素点少，所以图像看起来模糊，因此，图像分辨率越高，图像越逼真。图像的分辨率与图像内的像素点个数没有必然联系，不能误认为图像分辨率就是图像中像素点个数，图像分辨率=像素点个数/图像尺寸

灰度

灰度是用来表示像素明暗程度的数值，数值越大，像素点越亮，数值越小，像素点越暗；灰度也就是“黑白图像”中点的颜色深度（说黑白图像不太准确，并不是真正意义上的非黑即白，故加了引号，较为准确的应该灰度图），对于8位图而言，其范围为0~255，最大数值为255，最亮，表现为白色；最小数值为0，最暗，表现为黑色。如图所示，左边图从上往下逐渐变亮，对应右边像素值逐渐变大

通道

通道，是数字图像中存储不同类型信息的灰度图像。根据数字图像的通道数可以分为以下几种：

• 单通道 。简单来说就是图像仅由一个通道组成，即每个像素点只有一个灰度值表示， 如二值图，灰度图。
• 三通道。这里指的是RGB模式，把数字图像分为红绿蓝三个通道，可以表示彩色。
• 四通道。即在RGB的基础上增加了一个alpha通道，表示透明度，alpha值越大，不透明度越高，alpha值越小，透明度越高。
• 多通道。
  下面谈一下对通道的理解：
  上课的时候老师类比过，说三通道就类似于三张纸的叠加，然后图片就显示为各种不同的颜色，再结合下图（不同深浅程度的颜色叠加就表现为另外一种颜色，图中仅仅表示了其中一种情况，因为红色还可以分为深红、浅红……，），我就在想是不是每个通道对应一种颜色的图像，然后经过计算机合成就显示为彩色图。
  
  其实事实并非如此，通道的定义指出通道就是灰度图像，下面代码验证：

实验一

• 读取图片并进行缩放：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread('input.png')                						#读取图片
height, width, channel = img.shape          						#获取图片属性
print('height=',height, ' width=',width, ' channel=', channel)
"""输出为height= 1080  width= 1620  channel= 3"""

result = cv.resize(img, (1620//4, 1080//4)) 						#将图片缩小为原来的四分之一
# result = cv.resize(img, (int(1620/4), int(1080//4)))
"""cv.resize(src, dsize),函数中dsize只能为整数,'/'运算结果为float型,故需要进行类型转换"""
"""此处resize函数中图片尺寸为（width，height），与img.shape输入恰好相反"""

print(result.shape[0],result.shape[1], result.shape[2])				#缩小后图片尺寸（270， 405， 3）

• 分离各个通道：

"""分离每个通道的图片，opencv是是按照B、G、R读取和存储"""
result_b = result[:, :, 0]
result_g = result[:, :, 1]
result_r = result[:, :, 2]
# result_b = cv.split(result)[0]; result_g = cv.split(result)[1]; result_r = cv.split(result)[2]
#上述函数同样可以实现三通道图像分离

• 显示图像：

"""把图片和图片名称存入list中方便进行数据操作"""
result_set= [result, result_b, result_g, result_r]
result_set_title = ['result','result_b', 'result_g', 'result_r']

"""matplot按照R、G、B读取图片，而opencv是按照B、G、R读取图片， 故应将BGR => RGB"""
for j in range(4):
    result_set[j] = cv.cvtColor(result_set[j], cv.COLOR_BGR2RGB)

"""matplot显示2*2的图"""
for i in range(4):
    plt.subplot(2, 2, i+1)              #确定子图大小（2*2），当前是第i+1个图
    plt.imshow(result_set[i])           #对图像进行处理，并显示其格式
    plt.title(result_set_title[i])      #显示标题
    plt.xticks([])                      #不显示X坐标
    plt.yticks([])                      #不显示Y坐标
plt.show()                              #显示处理完的图片

• 运行结果：
  
• 结果分析：
  第一幅图是原图，后面三幅图依次对应B、G、R通道的图，由上可知，每个通道对应的确实是灰度图像。我们可以看到每个通道对应的灰度图的亮暗程度都不一样，R通道的灰度图偏亮，灰度值偏大，其余通道的灰度图都偏暗，灰度值偏小；而原图的整体色彩偏红，恰好R通道的灰度值最大，是巧合吗？我们能来看下一个代码验证：

实验二

• 将分离的三个通道合并并显示：

result_merger_1 = cv.merge([result_b, result_g, result_r])				#把三个通道的图片按B、G、R格式存储并显示
result_merger_2 = cv.merge([result_r, result_g, result_b])				#把三个通道的图片按R、G、B格式存储并显示
result_merger = [result_merger_1, result_merger_2]
result_merger_title = ['result_merger_1', 'result_merger_2']
for j in range(2):
    result_merger[j] = cv.cvtColor(result_merger[j], cv.COLOR_BGR2RGB)#BGR => RGB
for i in range(2):
    plt.subplot(1, 2, i+1)              								#确定子图大小（1*2），当前是第i+1个图
    plt.imshow(result_merger[i])        								#对图像进行处理，并显示其格式
    plt.title(result_merger_title[i])   								#显示标题
    plt.xticks([])                      								#不显示X坐标
    plt.yticks([])                      								#不显示Y坐标
plt.show()                              								#显示处理完的图片

• 运行结果：
  
• 结果分析：
  图一是经BGR通道合并得到（原图）， 图二经RGB通道合并得到，在代码第二行我们可以看到，我们把原图像分离得到的R通道的图像放在B通道进行合并，最后图像整体表现为蓝色，因为R通道的图像对应的灰度值最大，把它放在R通道图像表现为红色，因此把它放在B通道就应该表现为蓝色。

结合实验一和实验二，我们可以得出通道就是数字图像中存储不同类型信息的灰度图像，而真正转化为有颜色的图像的过程是在计算机中对应的函数进行（简单来说就是一个通道相当于一个数，自变量， 而计算机中的函数就相当于一个函数映射（正相关），作用就是把灰度图映射到彩色图），可以由下列代码得到验证：

• 验证代码

b1 = cv.split(result)[0]                                            #分离得到B通道图像
g1 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #G通道为0
r1 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #R通道为0
merger_b = cv.merge([b1, g1, r1])                                   #合并三通道

b2 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #B通道为0
g2 = cv.split(result)[0]                                            #分离得到G通道图像
r2 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #R通道为0
merger_g = cv.merge([b2, g2, r2])                                   #合并三通道

b3 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #B通道为0
g3 = np.zeros([result.shape[0], result.shape[1]], dtype=np.uint8)   #G通道为0
r3 = cv.split(result)[0]                                            #分离得到R通道图像
merger_r = cv.merge([b3, g3, r3])                                   #合并三通道

merger_set = [result, merger_b, merger_g, merger_r]
merger_set_title = ['result','merger_b', 'merger_g', 'merger_r']

for j in range(4):
    merger_set[j] = cv.cvtColor(merger_set[j], cv.COLOR_BGR2RGB)    #BGR => RGB

for i in range(4):
    plt.subplot(2, 2, i+1)                                          #确定子图大小（2*2），当前是第i+1个图
    plt.imshow(merger_set[i])                                       #对图像进行处理，并显示其格式
    plt.title(merger_set_title[i])                                  #显示标题
    plt.xticks([])                                                  #不显示X坐标
    plt.yticks([])                                                  #不显示Y坐标
plt.show()                                                          #显示处理完的图片

• 运行结果：
  

[Until：2020年12月22日17时，路漫漫而求索，求索，求索……]