小白网站搭建教程,学校门户网站建设费用,我的世界皮肤做壁纸的网站,wordpress影视模板图像的基础操作 获取图像的像素值并修改获取图像的属性信息图像的ROI区域图像通道的拆分及合并图像扩边填充图像上的算术运算图像的加法图像的混合图像的位运算 获取图像的像素值并修改
首先读入一副图像#xff1a;
import numpy as np
import cv2# 1.获取并修改像素值
# 读… 图像的基础操作 获取图像的像素值并修改获取图像的属性信息图像的ROI区域图像通道的拆分及合并图像扩边填充图像上的算术运算图像的加法图像的混合图像的位运算 获取图像的像素值并修改
首先读入一副图像
import numpy as np
import cv2# 1.获取并修改像素值
# 读取一副图像 根据像素的行和列的坐标获取它的像素值 对于RGB图像而言 返回RGB的值 对于灰度图则返回灰度值img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
px img[200, 100]
print(px) # [24 18 11]blue img[200, 100, 0]
print(blue) # 24# 修改101行101列的像素值
img[101, 101] [255,255,255]
print(img[101,101])cv2.imshow(image, img)
cv2.waitKey(0)
cv2.destroyAllWindows()获取像素值及修改的更好方法
import numpy as np
import cv2# numpy是经过优化了的进行快速矩阵运算的包 所以不推荐逐个获取像素值并修改能矩阵运算就不要用循环。
# 例如前5行的后3列 用numpy的array.item()和array.itemset()会更好。 但是返回是标量 如果想获得所有RGB
# 的值 需要使用array.item()分割他们。img cv2.imread(./resource/image/1.jpg)
print(img.item(10, 10, 2))img.itemset((10, 10, 2), 100)
print(img.item(10, 10, 2))获取图像的属性信息 img cv2.imread(‘./resource/image/1.jpg’, cv2.IMREAD_COLOR) img.shape: 图像的形状包括行数列数通道数的元组 img.size : 图像的像素数目 img.dtype 图像的数据类型 import numpy as np
import cv2# 图像属性包括 行 列 通道 图像数据类型 像素数目等
# 如果图像是灰度图 返回值仅有行数和列数 所以通过检查返回值可以判断是灰度图还是彩色图
img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
print(img.shape) # 彩色图(1080, 1920, 3) img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_GRAYSCALE)
print(img.shape) # 灰度图(1080, 1920)# img.size 获取图像像素数
img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
print(img.size) # 6220800
print(img.dtype)# uint8img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_GRAYSCALE)
print(img.size) # 2073600
print(img.dtype)# uint8图像的ROI区域
ROIregionofinterest感兴趣区域。机器视觉、图像处理中从被处理的图像以方框、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ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子Operator和函数来求得感兴趣区域ROI并进行图像的下一步处理。
import cv2
import numpy as npimg cv2.imread(./resource/opencv/image/messi5.jpg, cv2.IMREAD_COLOR)
ball img[280:340, 330:390]img2 img.copy()
img2[273:333, 100:160] ballcv2.imshow(img, img)
cv2.imshow(roi, ball)
cv2.imshow(img2, img2)
cv2.waitKey(0)
cv2.destroyAllWindows() 图像通道的拆分及合并
有时需要对 BGR 三个通道分别进行操作。这时就需要把 BGR 拆 分成单个通道。有时需要把独立通道的图片合并成一个 BGR 图像。 注cv2.split()是比较耗时的操作尽量使用numpy索引操作。
import numpy as np
import cv2img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
# split函数拆分图像数据
(b,g,r) cv2.split(img)
img2 cv2.merge([b,g,r]) # 合并数据
print(r.shape)
print(g.shape)
print(b.shape)# Numpy索引拆分图像数据
img cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
b img[:,:,0] # 拆分b通道
g img[:,:,1] # 拆分g通道
r img[:,:,2] # 拆分r通道# 通道像素赋值
img[:,:,2] 0 #
print(r.shape)
print(g.shape)
print(b.shape)img3 cv2.merge([b,g,r])cv2.imshow(img, img)
cv2.imshow(img2, img2)
cv2.imshow(img3, img3)
cv2.waitKey(0)
cv2.destroyAllWindows()图像扩边填充
如果想在图像周围创建一个边就像相框一样你可以使用cv2.copyMakeBorder()函数。这经常在卷积运算或 0 填充时被用到。这个函数包括如下参数 src 输入图像 top, bottom, left, right 对应边界的像素数目。 borderType 要添加那种类型的边界类型如下 cv2.BORDER_CONSTANT 添加有颜色的常数值边界还需要 下一个参数 value。cv2.BORDER_REFLECT 边界元素的镜像。比如: fedcba|abcdefgh|hgfedcbcv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT 跟上面一样但稍作改动。例如: gfedcb|abcdefgh|gfedcbacv2.BORDER_REPLICATE 重复最后一个元素。例如: aaaaaa| abcdefgh|hhhhhhhcv2.BORDER_WRAP 不知道怎么说了, 就像这样: cdefgh| abcdefgh|abcdefg value 边界颜色如果边界的类型是 cv2.BORDER_CONSTANT
import numpy as np
import cv2
from matplotlib import pyplot as plt# 边界填充
img cv2.imread(./resource/image/opencv-logo2.png)# BORDER_REPLICATE复制法复制最边缘的像素
# BORDER_REFLECT反射法
# BORDER_REFLECT101反射法
# BORDER_WRAP外包装
# BORDER_CONSTANT常量法blue [255, 0, 0]
replicate cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_REPLICATE)
reflect cv2.copyMakeBorder(img, 10, 10, 10,10, cv2.BORDER_REFLECT)
reflect101 cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_REFLECT101)
wrap cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_WRAP)
constant cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_CONSTANT, valueblue)plt.subplot(231), plt.imshow(img, gray), plt.title(original), plt.xticks([]),plt.yticks([])
plt.subplot(232), plt.imshow(replicate, gray), plt.title(replicate), plt.xticks([]),plt.yticks([])
plt.subplot(233), plt.imshow(reflect, gray), plt.title(reflect), plt.xticks([]),plt.yticks([])
plt.subplot(234), plt.imshow(reflect101, gray), plt.title(reflect101), plt.xticks([]),plt.yticks([])
plt.subplot(235), plt.imshow(wrap, gray), plt.title(warp), plt.xticks([]),plt.yticks([])
plt.subplot(236), plt.imshow(constant, gray), plt.title(constant), plt.xticks([]),plt.yticks([])
plt.show()import cv2
import numpy as np
from matplotlib import pyplot as pltimg cv2.imread(./resource/opencv/image/logo/opencv-logo-white.png, cv2.IMREAD_COLOR)blue [255, 0, 0]
replicate cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_REPLICATE)
reflect cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_REFLECT)
reflect101 cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_REFLECT_101)
wrap cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_WRAP)
constant cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_CONSTANT, valueblue)plt.subplot(231), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGBA)), plt.title(origin), plt.xticks([]), plt.yticks([])
plt.subplot(232), plt.imshow(cv2.cvtColor(replicate, cv2.COLOR_BGR2RGBA)), plt.title(replicate), plt.xticks([]), plt.yticks([])
plt.subplot(233), plt.imshow(cv2.cvtColor(reflect, cv2.COLOR_BGR2RGBA)), plt.title(reflect), plt.xticks([]), plt.yticks([])
plt.subplot(234), plt.imshow(cv2.cvtColor(reflect101, cv2.COLOR_BGR2RGBA)), plt.title(reflect101), plt.xticks([]), plt.yticks([])
plt.subplot(235), plt.imshow(cv2.cvtColor(wrap, cv2.COLOR_BGR2RGBA)), plt.title(wrap), plt.xticks([]), plt.yticks([])
plt.subplot(236), plt.imshow(cv2.cvtColor(constant, cv2.COLOR_BGR2RGBA)), plt.title(constant), plt.xticks([]), plt.yticks([])
plt.show() 图像上的算术运算
图像上的算术运算有加法减法位运算等 涉及的函数有:cv2.add(), cv2().addWeighted()等
图像的加法
可以使用函数 cv2.add() 将两幅图像进行加法运算当然也可以直接使 用 numpy resimg1img2。两幅图像的大小类型必须一致或者第二个 图像可以是一个简单的标量值。
注意 OpenCV 中的加法与 Numpy 的加法是有所不同的。 OpenCV 的加法 是一种饱和操作而 Numpy 的加法是一种模操作。如下例子所示
x np.uint8([250])
y np.uint8([10])
print(cv2.add(x, y)) # 250 10 260 255, uint8 最大值255
# 输出结果[[255]]print(x y) # 250_10260%2554
# 输出结果[[4]] 图像的混合
其实也是加法运算但不同的是两幅图像的权重不同给人一种混合或透明的感觉。图像混合计算公式如下 g ( x ) ( 1 − α ) f 0 ( x ) α f 1 ( x ) g(x) (1-\alpha)f_0(x) \alpha f_1(x) g(x)(1−α)f0(x)αf1(x) 通过修改 α \alpha α的值0-1可以实现不同权重的混合。 d s t α ∗ i m g 1 β ∗ i m g 2 γ dst \alpha*img1 \beta*img2\gamma dstα∗img1β∗img2γ 这里 γ \gamma γ的值为0。 dst2 cv2.addWeighted(img1, 0.3, img2, 0.7, 0) import numpy as np
import cv2
from matplotlib import pyplot as pltimg1 cv2.imread(./resource/image/1.jpg, cv2.IMREAD_COLOR)
img2 cv2.imread(./resource/image/2.jpg, cv2.IMREAD_COLOR)dst1 img1 img2
dst2 cv2.addWeighted(img1, 0.3, img2, 0.7, 0)plt.subplot(231), plt.imshow(img1), plt.title(img1)
plt.subplot(232), plt.imshow(img2), plt.title(img2)
plt.subplot(233), plt.imshow(dst1), plt.title(img1img2)
plt.subplot(234), plt.imshow(dst2), plt.title(addWeighted(img1img2))
plt.show()
import cv2
import numpy as np
from matplotlib import pyplot as pltimg1 cv2.imread(./resource/opencv/image/MachineLearnings.jpg, cv2.IMREAD_COLOR)
img2 cv2.imread(./resource/opencv/image/100.png, cv2.IMREAD_COLOR)print(img1.shape)
print(img2.shape)img3 img1 img2
img4 cv2.addWeighted(img1, 0.7, img2, 0.3, 0)imgs np.hstack((img1, img2, img3, img4))
cv2.imshow(imgs, imgs)
cv2.waitKey(0)
cv2.destroyAllWindows()图像的位运算
图像的按位操作有 AND OR NOT XOR 等。当我们提取图像的一部分选择非矩形 ROI 时这些操作会很有用。下面的例子就是教给我们如何改变一幅图的特定区域。
cv2.bitwise_and() 与cv2.bitwise_or() 或cv2.bitwise_not() 非cv2.bitwise_xor() 异或
import numpy as np
import cv2img1 cv2.imread(./resource/image/1.jpg)
img2 cv2.imread(./resource/image/opencv-logo.png)# 放置logo在左上角
rows, cols, channels img2.shape
roi img1[0:rows,0:cols]img2gray cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
ret, mask cv2.threshold(img2gray, 175, 255, cv2.THRESH_BINARY) # 二值化处理
mask_inv cv2.bitwise_not(mask)img1_bg cv2.bitwise_and(roi, roi, maskmask)
img2_fg cv2.bitwise_and(img2, img2, maskmask_inv)dst cv2.add(img1_bg, img2_fg)
img1[0:rows, 0:cols] dstcv2.imshow(logo, img2)
cv2.imshow(gray, img2gray)
cv2.imshow(mask, mask)
cv2.imshow(mask_inv, mask_inv)
cv2.imshow(bg, img1_bg)
cv2.imshow(fg, img2_fg)
cv2.imshow(res, img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
