这些小活动你都参加了吗?快来围观一下吧!>>
电子产品世界 » 论坛首页 » 企业专区 » OpenVINO生态社区 » 【原创】OpenCV+Python之图像的基本操作(十)

共1条 1/1 1 跳转至

【原创】OpenCV+Python之图像的基本操作(十)

高工
2020-06-26 10:27:02     打赏

图像的基本操作

在上个教程中,我们介绍了使用鼠标画笔的功能。本次教程,我们将要谈及OpenCV图像处理的基本操作。

本教程我们需要介绍的是:

· 查看图像的像素值并修改它们

· 查看图像属性

· 查看感兴趣区域(ROI

· 分割并合并图像

本次教程的所有操作基本上都和Numpy相关,而不是与OpenCV相关。要使用OpenCV编写更好的优化代码,需要Numpy的丰富知识。

查看和修改像素值

我们要想查看一幅图像中某一个像素点的像素值,首先需要进行定位,将其坐标标定,我们先来看一个彩色图像(仍然是我们的猫咪,本次教程它是我们的主角):

                   image.png                            

现在我想查看某一个坐标的像素值,我们在pycharm中输入代码:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)

代码为查看图像坐标(200200)处的像素值,我们来看结果:

image.png

在之前的教程中我们谈到,OpenCV对于图像的读取并非是RGB通道,而是BGR通道,那么程序输出的[178189186]则分别对应于BGR的像素,我们可以进行验证:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
B = img[200,200,0]
G = img[200,200,1]
R = img[200,200,2]
print(px,B,G,R)

image.png

现在我们假设,如果图像并非彩色,而是黑白的灰度图像,那么将会怎么输出?先进行实验:

image.png

我们仍然用刚刚的代码进行实验(前提是图像已经灰度化处理,这在后面会讲到)效果:

image.png

可以看到,BGR的像素一致,我们得出一个结论:对于灰度图像,其输出的像素值本质上为它的亮度强度值,值的范围为0-255之间,当为0时,则全部为黑色,相反则为白色。

接下来我们来修改像素值,将指定坐标的像素值用一个数组进行赋值:

import cv2
import numpy as np

img = cv2.imread("cat1.jpg")
#获取像素值
px = img[200,200]
print(px)
img[200,200] = [225,225,225]
print(img[200,200])

查看输出:

image.png

可以看到,初始像素值跟修改之后的像素值。

一般来说,数组通常选择的是某一片区域,比如头几行或者最后几列。而对于某个像素点的访问,Numpy数组方法,array.item() array.itemset()有着更好的作用。但是它返回的是一个标量。所以如果我们想访问所有的B, G, R值,就需要分开调用array.item(),我们来看代码(仍然以坐标200200为例):

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)
print(img.item(200,200,0))

我们用item输出像素的B值,也就是蓝色像素的数值:

image.png

实验可以看到,跟之前的效果是一样的。

对于指定坐标的赋值,我们使用itemset函数可以精确到某个像素,比如现在我只对蓝色像素的数值进行改变:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)
print(img.item(200,200,0))
img.itemset((200,200,0),100)
print(img.item(200,200,0))

image.png

 可以看到,对于指定的颜色通道的赋值时完全可以的。

查看图像属性

现在将要对图像的各个属性进行研究,图像属性包括行数,列数和通道数;图像数据类型;像素数;等等。

对于一个图像,我们使用shape可以返回行数、列数以及颜色通道的元数:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
print(img.shape)

image.png

输出的第三个数值代表的是图像的BGR三个通道的元数,也就是3。现在我们使用灰度图像做实验:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(img.shape)

灰度图像在之后的教程中会进行讲解,这里先用做实验:

image.png

可以看到,如果图像是灰度的,则返回的元组仅包含行数和列数,因此这是检查加载的图像是灰度还是彩色的好方法。

通过size可以返回当前图像的所有的像素点的总数:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
print(img.size)

image.png

图像的数据类型可以通过dtype获得:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
print(img.dtype)

image.png

imread函数默认读取图像的格式就是uint8,所以返回的全部都是这个格式。在以后我们学习深度学习框架时会发现,uint8的图像数据格式用来进行模型训练时,做数据归一化(预处理阶段)会导致精度缺失,最后导致分割精度下降。当然这是后话,我们现在不提。

如果我们想修改图像的格式,我们需要用到astype函数,现在将图像修改为float32格式的(这种格式的图像被广泛的应用于深度学习的模型训练):

import cv2
import numpy as np

img = cv2.imread("cat.jpg").astype(np.float32)
print(img.dtype)

image.png

dtype在调试时非常重要,因为OpenCV-Python代码中的大量错误是由无效的数据类型引起的,我们在以后的学习中会经常遇到这些问题。

图像ROI

对于图像中的特定区域的选取我们称之为ROI,其实际上就是对图像的xy坐标进行操作,我们来看示例:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
husky = img[1:240,60:270]
cv2.imshow("img",husky)
cv2.waitKey(0)
cv2.destroyAllWindows()

image.png

本质相当于截取某一部分图片,现在我们来做一些有意思的操作,将截取部分覆盖到图像的其他地方,本质相当于前面讲过的像素修改:

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
husky = img[1:240,60:270]
img[61:300,270:480] = husky
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

image.png

分割和合并图像通道

有时我们需要在BGR通道图像上单独进行操作。 在这种情况下,需要将BGR图像分割为单个通道。需要使用split函数与merge函数,它们的作用分别为分离和合并:

b,g,r = cv2.split(img) #拆分图像通道

img = cv2.merge((b,g,r))

此操作可以将BGR三通道分离出来,从而可以对某一通道进行操作,比如现在我们将R像素全部设置为0

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
b,g,r = cv2.split(img) #拆分图像通道
img[:,:,2] = 0
r = img[:,:,2]
img = cv2.merge((b,g,r))
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

r则为R通道,看效果:

image.png

将红色通道去除后,我们的猫咪变的有点绿了。当然,大家还可以进行其他的通道的实验。

图像边框填充

如果要在图像周围创建边框(如相框),则可以使用函数cv2.copyMakeBorder()。它在卷积运算(很重要),零填充等方面有更多应用。此函数采用以下参数:

cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])

· src - 输入图像

· topbottomleftright - 相应方向上像素数的边框宽度

· value : cv2.BORDER_CONSTANT,cv2.BORDER_REFLECT,cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT ,cv2.BORDER_REPLICATE,cv2.BORDER_WRAP

· image.png

cv2.BORDER_REFLECT_101cv2.BORDER_DEFAULT - 与上面相同,但略有改动,如下所示:gfedcb | abcdefgh | gfedcba

cv.BORDER_REPLICATE - 最后一个像素在整个过程中被复制,像:aaaaaa |abcdefgh|hhhhhhh这样

cv.BORDER_WRAP - 对称方向 像素互换 就像: cdefgh|abcdefgh|abcdefg 这样。

我们来看代码:

import cv2
from matplotlib import pyplot as plt

BLUE = [255,0,0]

img1 = cv2.imread('cat.jpg')

replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)
constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_CONSTANT,value=BLUE)

plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')

plt.show()

实验效果:

image.png

对于五个参数都进行了实验,可以看到明显的不同,当然,在这里为了方便图片对比显示,我们使用了matplotlib库,不过这属于python的知识,在这里就不一一介绍讲解了,大家也可以修改代码用OpenCV进行其他参数输出。

 


对计算机视觉感兴趣?这个社区推荐给你~

>>点击了解OpenVINO生态开发社区



共1条 1/1 1 跳转至

回复

匿名不能发帖!请先 [ 登陆 注册 ]