openCV（二）图像相关操作

图像的基础操作

图像的读取、显示与保存

函数	说明
cv.imread(path,flags)	读取图像，返回一个图像对象。 path为图像的路径，flags为图像读取方式：1-彩色图像，无alpha通道；0-灰度图像；-1-包含alpha通道的彩色图像
cv.imshow(name,img)	在窗口中显示图像，name为窗口名称，img为要显示的图像对象
cv.imwrite(filename,img)	在当前目录中保存图像，filename为要保存的文件名，img为要保存的图像对象

一个栗子
从当前目录，以灰度模式读取一个图像，显示在窗口中，按S键另存在当前目录并退出

#导入opencv-python模块
import cv2 as cv
#读取图像
img = cv.imread('color.webp', 0)
#显示图像
cv.imshow('image', img)
#等待键盘输入
k = cv.waitKey(0)
#按S键的操作，ord将按键转换为ASCII码
if k == ord('s'):
    #保存图像
    cv.imwrite('_gray.png', img)
    #关闭所有窗口
    cv.destroyAllWindows()
#按Esc键关闭所有窗口
if k == 27:
    cv.destroyAllWindows()

---

访问像素值并修改

操作	说明
img[x,y,channel]	通过行和列坐标来访问像素值或重新赋值，若给出channel则访问或修改对应通道值 openCV中彩色通道依次为BGR
img.item(x,y,channel)	通过行和列坐标来访问指定channel的值，不可缺省
img.itemset((x,y,channel),val)	修改指定行和列坐标和channel的像素值为val，不可缺省

import cv2 as cv
img = cv.imread('color.webp')

# 读取像素值
print(img[10, 10]) #[ 98 163 189]
print(img[10, 10, 2]) #189
print(img.item(10, 10, 2)) #189

# 修改像素值
img[10, 10] = [0, 0, 0]
print(img[10, 10]) #[0 0 0]
img.itemset((10, 10, 2),255)
print(img.item(10,10,2)) #255

---

访问图像属性

属性	说明
img.shape	彩色图像返回行、列和通道数的元组，灰度图形返回元组不包括通道数
img.size	返回图像的像素总数
img.dtype	返回图像数据类型

import numpy as np
import cv2 as cv
img = cv.imread('color.webp')
img2 = cv.imread('color.webp', 0)
print(img.shape) #(500, 800, 3)
print(img2.shape) #(500, 800)
print(img.size) #1200000
print(img.dtype) #uint8

---

设置感兴趣区域(ROI)

选择感兴趣区域并将其复制到图像中的另一个区域

操作	说明
roi=img[start_r1:end_r1,start_c1:end_c1]	获取感兴趣区域roi start_r1为兴趣区域起始行 end_r1为兴趣区域结束行 start_r1为兴趣区域起始列 end_r1为兴趣区域结束列
img[start_r2:end_r2:step_r,start_c2:end_c2:step_c]=roi	将roi复制到图像的另一大小相同的区域

例如，将兔子眼睛复制到图像开始区域

import numpy as np
import cv2 as cv
img = cv.imread('color.webp')
roi=img[260:314,350:420]
img[0:54,0:70]=roi
img=cv.imshow('image',img)
cv.waitKey(0)
cv.destroyAllWindows()

---

分割和合并图像通道

当需要分别处理图像的B，G，R通道时，需将图像拆分为单个通道
处理完以后，可能需要将这些单独的通道合并加入图像中

操作	说明
b,g,r = cv.split(img)	拆分彩色图像通道，分别得到蓝色、绿色、红色通道数组
img = cv.merge((b,g,r))	将蓝色、绿色、红色通道数组合并到图像

注：使用 NumPy 切片得到分离通道更为简便，而且运行速度比 cv2.split 更快；cv2.merge操作复杂耗时，推荐使用 NumPy 数组合并函数 np.stack() 生成合成图像

import numpy as np
import cv2 as cv
img = cv.imread('color.webp')
# 获取图像前2*2像素区域
roi = img[:2, :2]
print(roi)
#[[[103 167 193]
#  [103 167 193]]

# [[103 167 193]
#  [103 167 193]]]

# 拆分图像通道
b, g, r = cv.split(roi)
print(r)
#[[193 193]
# [193 193]]

# 合并图像通道
roi = cv.merge((b, g, r))
print(roi)
#[[[103 167 193]
#  [103 167 193]]

# [[103 167 193]
#  [103 167 193]]]

注：使用 NumPy 的操作更为简便，而且运行速度比 更快

import numpy as np
import cv2 as cv
img = cv.imread('color.webp')
# 获取图像前2*2像素区域
roi = img[:2, :2]
print(roi)
#[[[103 167 193]
#  [103 167 193]]

# [[103 167 193]
#  [103 167 193]]]

# 拆分图像通道
b = roi[:, :, 0]
g = roi[:, :, 1]
r = roi[:, :, 2]
print(r)
#[[193 193]
# [193 193]]

# 合并图像通道
roi = np.stack((b, g, r), axis=2)
print(roi)
#[[[103 167 193]
#  [103 167 193]]

# [[103 167 193]
#  [103 167 193]]]

---

为图像设置边框（填充）

cv.copyMakeBorder(img,top,bottom,left,right,borderType,color)

参数	说明
img	要操作的图像
top,bottom,left,right	边框宽度，单位为像素数
borderType	边框类型，可选值如下： 镜像边框：cv.BORDER_REPLICATE-aaaaaa | abcdefgh | hhhhhhh cv.BORDER_REFLECT- fedcba | abcdefgh | hgfedcb cv.BORDER_REFLECT_101-gfedcb | abcdefgh | gfedcba cv.BORDER_WRAP-cdefgh | abcdefgh | abcdefg 恒定彩色边框：cv.BORDER_CONSTANT，需给定color值
color	如果边框类型为cv.BORDER_CONSTANT,需指定边框颜色

import cv2 as cv
from matplotlib import pyplot as plt
# 设置边框颜色，matplotlib中颜色通道为rgb,因此这里设置的蓝色实际会显示为红色
BLUE = [255, 0, 0]
img1 = cv.imread('color.webp')
# 镜像边框
replicate = cv.copyMakeBorder(img1, 200, 200, 200, 200, cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(img1, 200, 200, 200, 200, cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img1, 200, 200, 200, 200, cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(img1, 200, 200, 200, 200, cv.BORDER_WRAP)
# 恒定颜色边框
constant = cv.copyMakeBorder(
    img1, 200, 200, 200, 200, cv.BORDER_CONSTANT, value=BLUE)
# 显示
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()

---

图像的算术运算

图像加法

可以通过cv.add(img1,img2)或numpy操作img1 + img2，其中img1和img2应具有相同的深度和类型

注：OpenCV加法是饱和运算，而Numpy加法是模运算

import cv2 as cv
img = cv.imread('color.webp')
img = img[100:500, 100:500]
bg = cv.imread('bg.webp')
bg = bg[100:500, 100:500]
cv.imshow('img', img)
cv.imshow('bg', bg)
cv.imshow('add', cv.add(img, bg))
cv.imshow('+', img+bg)
cv.waitKey(0)

---

图像融合

这也是图像加法，但是对图像赋予不同的权重，以使其具有融合或透明的感觉

函数	说明
cv.addWeighted(img1,weight1,img2,weight2,gamma)	img1为图像1，weight1为其权重 img2为图像2，weight2为其权重 gamma为图像像素值归一，取值0-255

import cv2 as cv
img = cv.imread('color.webp')
img = img[100:500, 100:500]
bg = cv.imread('bg.webp')
bg = bg[100:500, 100:500]
cv.imshow('addweighted', cv.addWeighted(img, 0.7, bg, 0.3, 0))
cv.waitKey(0)

---

按位运算

包括按位 AND、 OR、NOT 和 XOR 操作

import cv2 as cv
# 主图
img1 = cv.imread('color.webp')
# logo图
img2 = cv.imread('logo.webp')

# 主图左上角设置为与logo图大小相同的感兴趣区域
rows, cols, channels = img2.shape
roi = img1[0:rows, 0:cols]

# 设置mask及其反码
# 将logo图转化为灰度图
img2gray = cv.cvtColor(img2, cv.COLOR_BGR2GRAY)
# logo图二值化，将logo图片中的灰度值大于200的像素值设置为白色，背景设置为黑色
ret, mask = cv.threshold(img2gray, 200, 255, cv.THRESH_BINARY_INV)
# 将mask按位取反，即前景为黑色，背景为白色
mask_inv = cv.bitwise_not(mask)

# 主图中剔除logo前景将要占用的位置的像素 logo图剔除背景位置像素
# 利用mask_inv进行按位与操作，即mask_inv白色区域是对主图像素的保留，黑色区域是主图像素的剔除
img1_bg = cv.bitwise_and(roi, roi, mask=mask_inv)
# 利用mask进行按位与操作，即mask白色区域是对logo图像素的保留，黑色区域是logo图像素的剔除
img2_fg = cv.bitwise_and(img2, img2, mask=mask)

#  将logo放入ROI并修改主图像
dst = cv.add(img1_bg, img2_fg)
img1[0:rows, 0:cols] = dst
cv.imshow('res', img2_fg)
cv.waitKey(0)
cv.destroyAllWindows()

---

参考：https://www.woshicver.com/