如何理解图片RGB通道在python（numpy）中的数据构成

今天是个特殊的日子 1024 ，出于本能强行写下一篇文章。伟大而又平凡的程序猿祝你节日快乐。

该文将尽可能简短的描述基于numpy，在python中使用skimage的io或PIL或其他方法读取图片后GRB数据的结构与呈现方式。

我们肉眼看到的图片无非两种（灰色和彩色），而通过编程语言转换为电脑能认识的模样也就是数字了。这些数字决定了在电脑中它是彩色还是灰色，对于彩色图片决定的方式就是——颜色通道，而最常见的就是RGB三通道了，顾名思义RGB三色通道就是指由R、G、B三个通道组成的。

这里需要说明的一点就是RGB三色道分别对应三个矩阵，而这三个矩阵都是数字向量构成的矩阵，并不代表颜色的意思（矩阵能代表颜色吗？），这里比较贴切可以理解为调色板，例如当该矩阵的某个位置的数值较大，则表示该处对应调色板使用的颜色就越”白/浅“，而越小则对应调色板使用颜色越“黑/深”。8bit的图像，对应的矩阵元素取值为0-255（也可以使用0-1表示），这里我们主要理解数据，对于图像的理解下面给出链接。

看一张图片：

这是一张彩色图片，现在通过skimage的io方法读取该图片后在numpy中呈现的数据格式如下：

通过shape得到图形形状（287,496,3），其中287表示行，496表示列，3表示分量（即三个通道分量），是不是有点蒙，下面正是本文要讲的重点，如何理解上面读取出来的数据格式？

首先我们应该按列来看，可以看到有3列（即190 48 64对应往下的3列），这便是RGB对应的 3 个通道，从头到尾的一列数据构成了一个通道分量，共三个：

然后再来理解287，从上图中可以看到有很多的 [ 符号，其实按层次来分也就三层，这里的287表示共有287个中间层的矩阵：

最后再来看496，这个数字从哪来？上面的287个矩阵中每一个矩阵的每一列都有496个元素（数字），虽然这些数字是按照行来分块，但实际上列之间的元素才有关联，每一列的元素组合成行，构成了该通道矩阵的一行数据：

下面来看看将上面的整体矩阵分解为三个通道后的模样，做个对比是不是清楚很多了。

上面的三个通道为相同的矩阵大小，而后将三者按照通道顺序排列重叠后构成了RGB彩色图片，当然顺序有可能不是RBG，例如opencv转换后为BGR。

以上为彩色图片在numpy中解析后的理解介绍，下面是部分代码：

from skimage import iopath_c = r"G:\c.png"
color = io.imread(path_c)
print(color,color.shape)# R
print(color[:,:,0],color[:,:,0].shape)
# G
print(color[:,:,1],color[:,:,1].shape)
# B
print(color[:,:,2],color[:,:,2].shape)fig,axes = plt.subplots(1,3,figsize=(12,7))
axes[0].imshow(color[:,:,0])
axes[0].set_title('R')
axes[1].imshow(color[:,:,1])
axes[1].set_title('G')
axes[2].imshow(color[:,:,2])
axes[2].set_title('B')plt.show()

该文仅为理解图片的数据构成，跟多详细的内容还请自行Google。

图片通道理解可以看看：https://blog.csdn.net/silence2015/article/details/53789748/

如何理解图片RGB通道在python（numpy）中的数据构成相关推荐

python求向量函数的雅可比矩阵_在python Numpy中求向量和矩阵的范数实例
np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=np.linalg.norm(x, ord=None, ...
python二维元素向量_详解python Numpy中求向量和矩阵的范数
在python Numpy中求向量和矩阵的范数实例 np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=n ...
python Numpy 中的矩阵向量乘法（np.multiply（）、np.dot（）、np.matmul() 和星号（*）、@）
python Numpy 中的矩阵向量乘法总结 1. 对于 np.array 对象 1.1 元素乘法用 a*b 或 np.multiply(a,b) 1.2 矩阵乘法用 np.dot(a,b) ...
python3 nonzero_浅谈python numpy中nonzero()的用法
nonzero函数返回非零元素的目录. 返回值为元组, 两个值分别为两个维度, 包含了相应维度上非零元素的目录值. import numpy as np A = np.mat([[0,1,2,3,4, ...
Python数据分析中的数据预处理：数据标准化
[小白从小学Python.C.Java] [Python全国计算机等级考试] [Python数据分析考试必会题] ● 标题与摘要 Python数据分析中的数据预处理:数据标准化 ● 选择题以下关于 ...
python numpy 中 np.mean(a) 跟 a.mean() 的区别
今天查看以前写的文章时, 发现有个地方理解不了, 就是 np.mean(a) 跟 a.mean() 的区别是什么, 于是就查阅了相关资料: 官方doc: a.mean() Docstring: a.m ...
谈谈对python的理解_浅谈对python pandas中 inplace 参数的理解
这篇文章主要介绍了对python pandas中 inplace 参数的理解,具有很好的参考价值,希望对大家有所帮助.一起跟随小编过来看看吧 pandas 中 inplace 参数在很多函数中都会有, ...
python numpy矩阵的数据类型转换
在python中,numpy矩阵的数据类型转换需要调用astype(),直接修改dtype是无效的.调用astype返回数据类型修改后的矩阵,但是源数据的类型不会变,需要再对源数据的赋值进行操作才可以 ...
Python Numpy中的范数
数学概念范数,是具有 "长度" 概念的函数.在线性代数.泛函分析及相关的数学领域,范数是一个函数,是矢量空间内的所有矢量赋予非零的正长度或大小. 在数学上,范数包括向量范数和矩阵 ...
python numpy中sum()时出现负值
import numpy a=numpy.random.randint(1, 4095, (5000,5000)) a.sum() 结果为负值, 这是错误的,a.sum()的类型为 int32,如何做 ...

如何理解图片RGB通道在python（numpy）中的数据构成

如何理解图片RGB通道在python（numpy）中的数据构成相关推荐

最新文章

热门文章