图像像素的访问、通道的合并与分离

（一）像素访问

在第一篇博客中，向大家介绍了，所谓的图像在计算机看来就是一个矩阵，对于RGB图像矩阵一共有三层，分别代表着RGB通道，矩阵中每一个数的大小代表着不同通道的亮度，范围在0~255之间。

访问图像的像素，就如同对矩阵元素的访问，很好理解。

print(img[0][0][0])

输出为：

也可以对所读取的图像矩阵的像素进行赋值

for i in range(400):for j in range(400):for k in range(3):img[i][j][k] = 255

显示图像为：

可以看到上图左上角形成了400x400像素的白色区域。

利用这个图像矩阵的特点，我们还可以做一些有趣的事情。比如说，椒盐现象。

我们需要先写一个椒盐函数，将我们想要的像素随机的分布在图像上。

def salt(img, numbers):for x in range(numbers):i = np.random.randint(img.shape[0])j = np.random.randint(img.shape[1])for k in range(3):img[i][j][k] = 255return img

嘿嘿，先来上1000个点！

img = salt(img, 1000)

图像显示为：

（二）通道分离

对于RGB图像，拥有RGB三原色通道，从矩阵的角度来讲，可以理解为三层矩阵，也就是三维的矩阵，每一层代表着一个通道。将图片进行通道分离可以使用OpenCV里的split函数，也可以通过numpy库对图像矩阵进行直接操作。图像展示的是不同通道的256级灰度图。

b, g, r = cv2.split(img)cv2.namedWindow('Blue')
cv2.imshow('Blue', b)
cv2.waitKey(0)cv2.namedWindow('Green')
cv2.imshow('Green', g)
cv2.waitKey(0)cv2.namedWindow('Red')
cv2.imshow('Red', r)
cv2.waitKey(0)

如果单独保留一个通道，并且令其它通道的图像矩阵的值全为零，将会变得更加好看，特意找了一个小的图片，避免篇幅过长。

img = cv2.imread('tongren.jpg')
b, g, r = cv2.split(img)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
cv2.namedWindow('Blue')
cv2.imshow('Blue', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 1] = g
cv2.namedWindow('Green')
cv2.imshow('Green', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 2] = r
cv2.namedWindow('Red')
cv2.imshow('Red', pic)
cv2.waitKey(0)cv2.destroyAllWindows()

也可以任选两个通道进行拼接。

pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
pic[:, :, 1] = g
cv2.namedWindow('Blue-Green')
cv2.imshow('Blue-Green', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 0] = b
pic[:, :, 2] = r
cv2.namedWindow('Blue-Red')
cv2.imshow('Blue-Red', pic)
cv2.waitKey(0)pic = np.zeros(np.shape(img), np.uint8)
pic[:, :, 1] = g
pic[:, :, 2] = r
cv2.namedWindow('Green-Red')
cv2.imshow('Green-Red', pic)
cv2.waitKey(0)cv2.destroyAllWindows()

（三）通道合并

通道合并经常用的有两种方法

第一个是：OpenCV中自带的函数megre

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

第二个是：numpy模块中的dstack，深度拼接函数

dstack = np.dstack([b, g, r])

但这两种拼接方式是不一样的，这一点一定要注意。pandas中也有对矩阵的拼接操作也可实现np.dstack()相同的效果，这里就不介绍了。

python+OpenCV图像处理（二）图像像素的访问、通道的合并与分离相关推荐

Python OpenCV 图像处理之图像运算和图像位运算知识补充
Python OpenCV 365 天学习计划,与橡皮擦一起进入图像领域吧.本篇博客是这个系列的第 51 篇. 该系列文章导航参考:https://blog.csdn.net/hihell/categ ...
Python OpenCV 图像处理之直方图的应用，取经之旅第 26 天
Python OpenCV 365 天学习计划,与橡皮擦一起进入图像领域吧. Python OpenCV 基础知识铺垫 cv2.compareHist 函数橡皮擦的小节基础知识铺垫上篇博客 Py ...
Python图像处理二：图像像素的访问与数据类型
图像像素的访问与数据类型图像读入程序中后,是以numpy数组存在的,因此对numpy数组的一切功能,对图像也适用.对数组元素的访问,实际上就是对图像像素点的访问. 一.图像像素的访问彩色图像访问方 ...
Python+Opencv图像处理新手入门教程(二)：颜色空间转换，图像大小调整，灰度直方图
一步一步来吧上一节:Python+Opencv图像处理新手入门教程(一):介绍,安装与起步 1.什么是图像对于计算机而言,图像的本质是一个由像素点构成的矩阵. 例如我们用肉眼很容易分辨一辆汽车的后 ...
Python+OpenCV图像处理（五）——图像阈值和二值化
系列文章 Python+OpenCV图像处理(一)--OpenCV框架与图像插值算法 Python+OpenCV图像处理(二)--几何变换 Python+OpenCV图像处理(三)--彩色空间互换 P ...
《OpenCv视觉之眼》Python图像处理二十一:Opencv图像处理之图像线性变换和非线性变换的方法及原理
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
Python+Opencv图像处理新手入门教程(三)：阈值与二值化
一步一步来吧上一节: Python+Opencv图像处理新手入门教程(二):颜色空间转换,图像大小调整,灰度直方图 1.Intro 今天这节我们主要研究利用阈值处理图像.例如对于输入图像: 如何做一 ...
用python怎么样实现图像二值化_使用Python+OpenCV如何实现图像二值化
使用Python+OpenCV如何实现图像二值化发布时间:2020-10-26 14:15:52 来源:亿速云阅读:77 作者:蛋片鸡这篇文章运用简单易懂的例子给大家介绍使用Python+Ope ...
数字图像处理二维码识别 python+opencv实现二维码实时识别
数字图像处理二维码识别 python+opencv实现二维码实时识别特点: (1)可以实现普通二维码,条形码: (2)解决了opencv输出中文乱码的问题 (3)增加网页自动跳转功能 (4)实现二维 ...

python+OpenCV图像处理（二）图像像素的访问、通道的合并与分离

图像像素的访问、通道的合并与分离

（一）像素访问

（二）通道分离

（三）通道合并

python+OpenCV图像处理（二）图像像素的访问、通道的合并与分离相关推荐

最新文章

热门文章