OpenCV-Python 图像处理（三）：图像的基本操作

说明：

1. 本系列主要是学习OpenCV-Python文档的个人笔记。
2. 很少有理论的叙述，都是函数名、参数描述、作用、应用场景、代码、效果图。简单明了，即学即用。

1、获取并修改像素值

函数：img[] #不严格
参数：无
作用：如题
应用场景：不知道怎么描述，你懂得。

import cv2

img=cv2.imread('F:\\temp\\color.jpg')

px=img[180,180] #图像是个矩阵，所有通道的第180行，180列的像素值
print(px)
blue=img[180,180,2] #第三通道（B通道）的第180行，180列的像素值
print(blue)

img[180,180]=[255,255,255] #修改像素值，3个通道的都改了
print(img[180,180])
## [255 255 255]

2、图像 ROI

函数：img[] #不严格
参数：无
作用：对一幅图像的特定区域进行操作
应用场景：举个栗子，检测一副图像眼睛位置时，先找脸，再基于脸(ROI)找眼睛，而不是基于整幅图像找眼睛，这样可以提高程序的准确性和性能。

代码如下（可复制）：

import cv2

img=cv2.imread('F:\\temp\\color.jpg')

roi=img[180:260,320:400] #长80，宽80
img[177:257,120:200]=roi #长80，宽80
img=cv2.imshow('test', img) 
cv2.waitKey(0)

效果图如下：

3、拆分及合并图像通道

函数：cv2.split() , cv2.merge()
参数：图像矩阵变量
作用：如题
应用场景：不知道怎么描述，你懂得。

代码如下（可复制）：

img=cv2.imread('F:\\temp\\color.jpg')
r,g,b=cv2.split(img)  #拆分
img=cv2.merge(r,g,b)  #合并

#或者

r=img[:,:,0]  
g=img[:,:,1]
b=img[:,:,2]

#假如你想使所有像素的红色通道值都为 0，你不必先拆分再赋值。你可以直接使用 Numpy 索引，这会更快。
img[:,:,0]=0

警告：cv2.split() 是一个比较耗时的操作。只有真正需要时才用它，能用Numpy 索引就尽量用。

4、为图像扩边（填充）

函数：cv2.copyMakeBorder()
参数：• src 输入图像
　　• top, bottom, left, right 对应边界的像素数目。
　　• borderType 要添加哪种类型的边界，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|abcde-fgh|hgfedcb
　　　　– cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT跟上面一样，但稍作改动。例如: gfedcb|abcdefgh|gfedcba
　　　　– cv2.BORDER_REPLICATE 重复最后一个元素。例如: aaaaaa|abcdefgh|hhhhhhh
　　　　– cv2.BORDER_WRAP 像这样: cdefgh|abcdefgh|abcdefg
　　• value 边界颜色，前提是边界的类型是 cv2.BORDER_CONSTANT
作用：在图像周围创建一个边，像个相框一样。
应用场景：经常在卷积运算或 0 填充时被用到

代码如下（可复制）：

import cv2
from matplotlib import pyplot as plt  #画图用的

BLUE=[0,0,255]

img1=cv2.imread('F:\\temp\\3.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)

#可视化上面的图
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL'),plt.axis('off')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE'),plt.axis('off')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT'),plt.axis('off')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101'),plt.axis('off')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP'),plt.axis('off')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT'),plt.axis('off')
plt.show()


#打印出它们的shape看看是不是在img1的基础上加了10
print(img1.shape,replicate.shape,reflect.shape,wrap.shape,constant.shape)

效果如图：