关于三通道彩色图像的存储方式理解

图像像素在内存中的保存方式

像素值以矩阵方式保存，矩阵的大小取决于图像采用的颜色模型。

如果是灰度图，那么图像就是单通道的，图像中的每个像素只需要一个矩阵元素来保存，一般就是 0~255 的值。

保存灰度图的矩阵长这样：

其中 Row0 和 Column0 的交点上的元素值就代表了图像上对应位置的像素的灰度值。

如果是彩色图，那么图像就是多通道的，一个像素需要多个矩阵元素来保存，矩阵中的列会包含多个子列，且子列数和通道数相等。

保存 RGB 图像的矩阵长这样：

图像存储为矩阵

看看一个三通道的彩色图像是怎么组织为矩阵形式的。

原图：

注：opencv 里图像的存储为 BGR 格式，刚好和现在流行的 RGB 反过来了。

看一下图像的 shape 和矩阵存储形式：

import cv2
import numpy as npimg = cv2.imread('Touka.jpg')
cv2.imshow('src', img)  # src为标题，表示原图
print(img.shape)
print(img.size)
print(img.dtype)
print(img)
cv2.waitKey()

# img.shape
(1080, 1920, 3)
# img.size
6220800
# img.dtype
uint8
# img
[[[255 255 255][255 255 255][255 255 255]...[199 185 251][205 186 255][209 187 255]][[255 255 255][255 255 255][255 255 255]...[190 179 251][190 177 251][192 177 251]][[255 255 255][255 255 255][255 255 255]...[179 177 253][174 171 250][174 169 248]]...[[255 255 255][255 255 255][255 255 255]...[255 255 255][255 255 255][255 255 255]][[255 255 255][255 255 255][255 255 255]...[255 255 255][255 255 255][255 255 255]][[255 255 255][255 255 255][255 255 255]...[255 255 255][255 255 255][255 255 255]]]

输出是 三维矩阵，这个判断比较简单，从第一个 “[” 开始数，直到第一个 “]” 时，有几个 “[” 就是几维的，这和输出的 img.shape 也肯定是对应的。
输出的图像 shape 为 H * W * 3，即高度 * 宽度 * 3通道或者行数 * 列数 * 3通道。
图像的 shape 为 (1080, 1920, 3)，第一维 1080 表示有 1080 行，所以有 1080 个小的二维矩阵，每个二维矩阵是三通道图像中的一行。
在每一个小矩阵中，有 1920 行，每一行有 3 列，每一行的三个像素值就对应当前位置的 B G R 三个通道。这列能够看出，虽然按照行来分块，但实际上列方向才是位置上相邻的像素点。
再从通道的角度看，BGR 是三通道，第一整列对应的就是一幅图所有的 B 通道灰度值（更准确一些应该叫亮度值），第二、第三就分别是 G 和 R 通道对应的灰度值。下图只截取了一部分，知道什么意思就行。

分别输出 B G R 三个通道看看：

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib qt5img = cv2.imread('Touka.jpg')
channels = ["B", "G", "R"] # 注意通道顺序for i in range(3):print("channel: " + channels[i])print(img[:,:,i])plt.subplot(1, 3, i+1)plt.imshow(img[:,:,i], cmap=plt.cm.gray)plt.title(channels[i])print(img[:,:,0].shape)
plt.show()

# 输出
channel: B
[[255 255 255 ... 199 205 209][255 255 255 ... 190 190 192][255 255 255 ... 179 174 174]...[255 255 255 ... 255 255 255][255 255 255 ... 255 255 255][255 255 255 ... 255 255 255]]
channel: G
[[255 255 255 ... 185 186 187][255 255 255 ... 179 177 177][255 255 255 ... 177 171 169]...[255 255 255 ... 255 255 255][255 255 255 ... 255 255 255][255 255 255 ... 255 255 255]]
channel: R
[[255 255 255 ... 251 255 255][255 255 255 ... 251 251 251][255 255 255 ... 253 250 248]...[255 255 255 ... 255 255 255][255 255 255 ... 255 255 255][255 255 255 ... 255 255 255]]# shape
(1080, 1920)

要知道将 RGB 图像拆开，每个通道单独拿出来都是一个与原图大小相同的灰度图，灰度图中像素的灰度值越大，该像素的颜色就越浅，灰度值越小颜色就越深。

注意这里的深和浅说的是灰度图中的像素，和彩色图没有关系，当要显示彩色图像时，将 R G B 三个分量分别放入红色、绿色和蓝色通道里，经过处理后就得到了彩色图像。

所以我们想要什么颜色深一些，只需要将它对应的灰度图中的灰度值设置大一些就好了。

对于一张彩色图中越红的部分，在它的 R 通道灰度图上对应区域的像素灰度值越大，灰度图像素的颜色越浅。下面第 3 张是 R 分量的灰度图，可以观察到在原图中越红的部分在这张灰度图中的颜色就越浅，因为灰度值大。

其实 R G B 三个通道的灰度图和颜色没有关系，如果愿意它们还可以随便定义为红橙黄绿青蓝紫…

交换一下 R 和 B 通道，也就是把 R 分量送给蓝色通道，把 B 分量送给红色通道，就得到下面的结果：

这样就能看出，其实 B G R 三通道灰度图与颜色没有关系，它们相当于”颜料“，想要蓝色多一些就加”颜料“，也就是把蓝色对应的灰度图的灰度值调大，上面将灰度值较大的 R 通道灰度图送给蓝色，所以原来是红色的部分自然就是蓝色了。

参考：
图像就是矩阵
OpenCV(三) 关于图片的存储
RGB图像之灰度级和通道的理解