数字图像处理(7): 获取图像属性、感兴趣区域(ROI) 和 通道拆分与合并

最新推荐文章于 2025-03-05 16:57:58 发布
最新推荐文章于 2025-03-05 16:57:58 发布
阅读量1w 收藏 69
点赞数 37
分类专栏： 数字图像处理 Python 学习笔记 Python图像处理 数字图像处理专栏 文章标签： 数字图像处理 Python
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/zaishuiyifangxym/article/details/89530699
版权

目录

1 获取图像的属性

1.1 形状- shape

1.2 像素数目- size

1.3 图像类型- dtype

2 获取图像的感兴趣区域(ROI)

3 图像的通道拆分与合并

3.1 通道拆分- split()

3.2 通道合并- merge()

参考资料

1 获取图像的属性

图像的属性有：

（1）形状：行、列 和 通道数量；

（2）像素数量；

（3）图像的数据类型。

 

1.1 形状- shape

通过shape关键字获取图像的形状，返回包含行数、列数、通道数的元祖。其中：

（1）灰度图像返回行数和列数；

（2）彩色图像返回行数、列数 和 通道数。

例子如下图所示：

 

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy

#读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

#获取图像形状
print(img.shape)

#显示图像
cv2.imshow("Demo", img)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：（该图像为512行像素、512列像素、3个通道）

 

 

1.2 像素数目- size

通过size关键字获取图像的像素数目，其中

（1）灰度图像返回 [行数 \times 列数]  ；

（2）彩色图像返回 [行数 \times 列数 \times 通道数] 。

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy

#读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

#获取图像形状
print(img.shape)

#获取像素数目
print(img.size)

 

运行结果如下图所示：（512,512,3）共 512\times512\times3=786432个像素

 

 

1.3 图像类型- dtype

通过 dtype 关键字获取图像的数据类型，通常返回uint8。

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy

#读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

#获取图像形状
print(img.shape)

#获取像素数目
print(img.size)

#获取图像类型
print(img.dtype)

 

运行结果如下：

 

 

2 获取图像的感兴趣区域(ROI)

ROI (Region of Interest) 表示感兴趣区域。它是指从被处理图像以方框、圆形、椭圆、不规则多边形等方式勾勒出需要处理的区域。可以通过各种算子(Operator) 和函数求得感兴趣ROI，并进行图像的下一步处理，被广泛应用于热点地图、人脸识别、图像分割等领域。

 

通过像素矩阵可以直接获取ROI区域，如img[200:400, 200:400]。

 

代码示例：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

#读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

#定义200*100矩阵 3对应BGR
face = np.ones((200, 150, 3))

#显示原始图像
cv2.imshow("Demo", img)

#显示ROI区域
face = img[200:400, 200:350]
cv2.imshow("face", face)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下：

 

 

下面将提取的ROI图像 进行覆盖到原图的某个位置（就是修改原图位置的像素值）。

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

#读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

#定义200*100矩阵 3对应BGR
face = np.ones((200, 150, 3))
#显示原始图像
cv2.imshow("Demo", img)

#显示ROI区域
face = img[200:400, 200:350]

#ROI图像 覆盖到原图的某个区域
img[0:200,0:150] = face
cv2.imshow("face", face)
#显示修改后的原始图像
cv2.imshow("Demo", img)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下：

 

3 图像的通道拆分与合并

3.1 通道拆分- split()

OpenCV读取的彩色图像由B、G、R三原色组成，可以通过下面代码获取不同的通道。

b = img[:, :, 0]

g = img[:, :, 1]

r  = img[:, :, 2]

注意OpenCV与Matlab的区别：Matlab的第一个通道是从1开始的，OpenCV是从0开始的。

 

上面的方式，在之前已经用过了，这里用 split() 函数函数来拆分RGB图像的三个通道。

 

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 拆分通道
b, g, r = cv2.split(img)

# 显示原始图像
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

 

当然也可以获取不同的通道，例如：

b = cv2.split(img)[0]

g = cv2.split(img)[1]

r = cv2.split(img)[2]

代码如下：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 拆分通道
b = cv2.split(img)[0]

# 显示原始图像
cv2.imshow("B", b)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下：

 

 

3.2 通道合并- merge()

图像通道合并主要使用 merge() 函数实现。例如：

m = cv2.merge([b, g, r])

 

代码如下：（先拆分RGB通道，再合并RGB通道）

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 拆分通道
b, g, r = cv2.split(img)

# 合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下：

 

注： 因为OpenCV是BRG通道，现在将其通道弄反，确认一下，OpenCV是不是按BRG通道组成的。

 

代码如下：（仅修改了，合并通道时候，使用RGB合成的）

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 拆分通道
b, g, r = cv2.split(img)

# 合并通道
m = cv2.merge([r, g, b])
cv2.imshow("Merge", m)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下：（由结果可以看出，OpenCV确实是按BRG通道组成的，哈哈还是很好玩的）

 

 

（1）同时，可以提取图像的不同颜色，提取 B 颜色通道，而G、R通道像素值均设置为0，则显示蓝色。

代码如下所示：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

# 拆分通道
b = cv2.split(img)[0]
g = np.zeros((rows, cols), dtype=img.dtype)
r = np.zeros((rows, cols), dtype=img.dtype)

# 合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下所示：

 

 

（2）提取 G 颜色通道，而B、R通道像素值均设置为0，则显示绿色。

代码如下所示：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

# 拆分通道
g = cv2.split(img)[1]
b = np.zeros((rows, cols), dtype=img.dtype)
r = np.zeros((rows, cols), dtype=img.dtype)

# 合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下所示：

 

（3）提取 R 颜色通道，而B、G通道像素值均设置为0，则显示红色。

代码如下所示：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

# 拆分通道
r = cv2.split(img)[2]
b = np.zeros((rows, cols), dtype=img.dtype)
g = np.zeros((rows, cols), dtype=img.dtype)

# 合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下所示：

 

参考资料

[1] https://blog.csdn.net/eastmount/article/details/82177300

[2] Python+OpenCV图像处理

[Python从零到壹] 三十七.图像处理基础篇之图像融合处理和ROI区域绘制
杨秀璋的专栏
01-26 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍。上一篇文章介绍了图像算法运算与逻辑运算，包括图像加法、图像减法、图像与运算、图像或运算、图像非运算与图像异或运算。这篇文章将详细讲解图像融合处理和ROI区域绘制，同时补充图像属性、通道和类型转换。希望文章对您有所帮助，如果有不足之处，还请海涵。
【OpenCV】第二章: 图像处理基本操作：图像表示、像素处理、ROI、通道、属性
因为热爱所以坚持
12-05 2962
第二章: 图像处理基本操作 一、图像的表示方法 二值图像：每个像素点不是白色就是黑色；一个像素点只要一个bit位就能表示；用0或1表示每个像素点。 灰度图像：图像只有一种颜色，比如图像可以是红色，可以是灰色，可以蓝色，可以是绿色等等，但不管什么颜色都是只有一种颜色。但是这一种颜色我们给它分成了256个等级，就是256个灰度级，可以理解成256个不同程度的明暗度。比如一张红色的灰度图像，像素值=0就是最暗，黑色，像素值=255就是最亮，就是最亮的红色。255中明暗度正好可以用8位也就是1字节byte..
OpenCV数字图像处理之ROI区域的提取
热门推荐
xiaoheizi_du的博客
03-04 3万+
OpenCV数字图像处理之ROI区域的提取 利用mask(掩模)技术提取纯色背景图像ROI区域中的人和物，并将提取出来的人或物添加在其他图像上。 1、实现原理 先通过cv.cvtColor()函数，将原RGB彩色图像转换为hsv色彩空间的图像，然后通过cv.inRange()函数获得ROI区域的Mask，最后利用cv.bitwise()函数提取得到ROI区域。 2、使用的函数简述 (1) cv.c...
数字图像复习总结
yin__ren的博客
02-18 3398
此总结是关于《数字图像处理(第三版) 冈萨雷斯》 的总结 此总结可能存在很多漏洞，望请指正 推荐资源： 数字图像 ppt 课后习题答案 一、绪论 数字图像： 当坐标 x,y 和灰度值 f 是有限离散值时的图像 灰度(强度)： 在空间 (x,y) 任何一点的幅度值 f 低级处理： 以输入、输出都是图像为特征，如： 降噪、对比度增强、图像尖锐化 中级处理： 以输入为图像，输出是从图...
目标检测中的ROI技术深度解析
2401_86968005的博客
03-05 1203
是目标检测中的关键技术，用于从特征图上提取候选区域的特征表示。其核心作用在于将不同尺寸的候选框映射到统一维度的特征描述。
多通道(Multichannel)单通道(singlechannel)图像概念梳理————OpenCV笔记(六)
blog
08-13 1万+
在做机器视觉时，常常要将一个多通道图像分离成几个单通道图像或者将几个单通道图像合成一个多通道图像，以方便图像处理，但是。写这篇博客，是为加深对这两个概念的理解，下面会给出部分OpenCV对单通道与多通道图像间相互转化的程序代码，并对运行结果进行观察分析。           OpenCV中常用IplImage或CvMat存储图像矩阵，而对这两个对象的初始化函数cvCreateImage(CvSi
OPT小讲堂 ∣ SciSmart图像定位-ROI校正算法
TANsenlinLIN的博客
12-27 2146
今天讲解的是OPT小讲堂第九课，内容是ROI生成和ROI校正两大功能。 感兴趣区域(ROI，region of interest)，在机器视觉、图像处理中，在被处理的图像上以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，简称ROI。在图像处理领域，感兴趣区域是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点。圈定该区域以便进行进一步处理，或使用ROI圈定你想处理...
图像属性
weixin_42618420的博客
06-04 1024
''' 获取一张图片的大小，形状，类型 note:这些都是图片的属性，不属于函数 ''' import cv2 pic = cv2.imread('../p.jpg') # pic.shape() print('pic_shape:{}'.format(pic.shape)) print('pic_size:{}'.format(pic.size)) print('pic_dtype:{}'.f...
获取ROI
davidhan427的博客
01-12 424
void testROI() { Mat img; Rect roi(60,60,1000,1000); img=imread(“paint.jpg”); Mat img1(img, roi); imwrite(“ROI.png”, img1); } int main(int argc, char **argv) { if (argc < 2) return 0; string s = ar...
图像通道
白云苍狗
08-03 3190
在图像处理中有一个很重要的概念叫图像通道，在RGB色彩模式下就是指那单独的红色、绿色、蓝色部分。也就是说，一幅完整的图像，是由红色绿色蓝色三个通道组成的。他们共同作用产生了完整的图像。     一幅完整的图像，红色绿色蓝色三个通道缺一不可。即使图像中看起来没有蓝色，只能说蓝色光
OpenCV:图像的基本操作之修改像素、拆分及合并RGB通道
qq_26413875的博客
08-25 1836
文章目录1、获取像素值然后进行修改2、获取图像的常见属性3、获取图像的感兴趣区域ROI4、图像通道的拆分、合并 1、获取像素值然后进行修改 数字图像其实就是一个数学矩阵，因此，我们可以根据像素的行列坐标来获取其对应的像素值。在opencv里面，如果是RGB格式的图像，注意，其返回的值的顺序是B,G,R,而不是我们常见的R、G、B，如果是灰度图像，则对应的灰度值（[0,255]） 代码如下： imp...
图片的ROI区域提取
05-22
用于matlab中图片的ROI区域提取，若对彩色图片的处理需要改一改，只是爲了方便，不喜勿噴。。。。。。。
opencv 手选roi区域_【opencv学习笔记六】图像的ROI区域选择与复制
weixin_35304632的博客
12-24 656
图像的数据量还是比较大的，对整张图片进行处理会影响我们的处理效率，因此常常只对图像中我们需要的部分进行处理，也就是感兴趣区域ROI。今天我们来看一下如何设置图像的感兴趣区域ROI。以及对ROI区域图像进行复制与替换。在开始之前我们还是先来看一下Mat类型的数据存储方式以及对Mat类型变量赋值的方式。Mat类型的图像在内存中包含两部分的内容：矩阵头与图像数据矩阵的指针。矩阵头包含了图像的基本信息(如...
OpenCV4Android开发实录(3)：数字图像基础与OpenCV开发入门
老蒋也疯狂
04-22 4555
转载请声明出处：https://blog.csdn.net/AndrExpert/article/details/79889136 俗话说：“工欲善其事，必先利其器”。数字图像处理作为专业性比较强的一门学科，也是计算机视觉的基础课程，在开始学习OpenCV处理数字图像之前，我觉得对数字图像有一定的了解还是非常有必要的，尤其是对于没有任何数字图像基础的人。拥有扎实的数字图像基础，将是深入研究...
七、计算机视觉-图像的ROI区域
asplh的专栏
02-16 7608
在计算机视觉中，ROI代表感兴趣区域（Region of Interest），它是指图像或视频中被指定为需要特别关注或处理的区域。ROI可以帮助减少计算量，并且在处理大型图像或视频时可以提高处理效率。上面代码演示了 使用Haar 特征分类器或基于深度学习的人脸检测器 去检测人脸部分，Haar的使用后面会单独讲到 这里只需要明白ROI区域的概念就行。
【数字图像】特征点
cyclone
06-21 752
先码 BRIEF 【特征检测】BRIEF特征点描述算法 ORB ORB特征提取详解
01-图像ROI区域获取
beyond谚语的博客
10-11 516
截取部分图像数据 import cv2 img2 = cv2.imread("E:\Jupyter_workspace\study\data/cat.png")#读取照片，第二个参数若为0，则灰度图；若不填或者1则彩色图或本身图 picture = img2[0:400,0:400]#截取照片所需要的部分 cv_show('test1',picture)#通过test1窗口进行显示截取的图像 颜色通道提取 import cv2 img2 = cv2.imread("E:\Jupyter_workspace
图像基础知识 —— 图像属性
然后就去远行
09-02 8318
1、图像格式 BMP格式 Windows系统下的标准位图格式，未经压缩，一般图像文件会比较大，在很多软件中被广泛使用； JPEG格式 应用最广泛的图片格式之一，它采用一种特殊的有损压缩方法，达到较大的压缩比（可到2:1甚至40:1），互联网上最广泛使用的格式； GIF格式 不仅可以是一张静止的图片，也可以是动画，并且支持透明背景图像，适用于多种操作系统，“体型”很小，网上很多小动画都是GIF格式，但是其色域不太广，只支持256种颜色； PNG格式 与JPG格式类似，压缩比高于GIF，支
OpenCV 获取ROI
谢军的博客
06-13 1343
OpenCV 获取ROI Mat srcImage11 = imread(“C:\Users\hdu\Desktop\mybm1.15\RawImage\a1.jpg”); Mat imageROI11 = srcImage11(Rect(x,y,xx,yy));
RoI
最新发布
03-15
### Region of Interest (RoI) 的概念 在计算机视觉和图像处理领域，Region of Interest (RoI) 是指一幅图像或视频帧中感兴趣的特定区域。它通常用于减少计算量、提高效率以及专注于分析重要部分而不是整个图像。RoI 可以被定义为矩形框或其他形状的边界，具体取决于应用需求。 OpenCV 提供了许多功能来支持 RoI 处理，允许开发者提取感兴趣的部分进行进一步操作，比如特征检测、对象识别等[^1]。下面展示如何利用 OpenCV 实现简单的 RoI： ```python import cv2 # 加载图片 image = cv2.imread('example.jpg') # 定义 ROI 坐标 x, y, w, h = 100, 100, 300, 300 # 裁剪出 ROI 部分 roi = image[y:y+h, x:x+w] # 显示原始图与裁剪后的 ROI 图像 cv2.imshow('Original Image', image) cv2.imshow('ROI', roi) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码片段展示了如何加载一张图片并通过指定坐标范围创建一个 RoI 并显示出来。此方法广泛应用于各种场景，例如面部识别、车牌号读取等领域。 值得注意的是，在实际项目开发过程中，可能还需要考虑更多细节问题，如异常情况下的错误处理机制设计等方面的内容[^4]。 ### § 相关问题 § 1. 如何优化基于 RoI 的目标跟踪算法性能？ 2. 在深度学习模型训练期间能否动态调整 RoIs 尺寸大小及其影响是什么？ 3. 使用 GPU 加速技术可以给大规模数据集上的 RoI 计算带来哪些好处？ 4. 当前主流的目标检测框架是如何实现高效 RoI Pooling 层运算逻辑的呢? 5. 如果要将传统 CV 方法转换成 DL 解决方案时需要注意哪些关于 RoI 设计的关键点吗 ?
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

打赏作者

TechArtisan6

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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