OpenCV Python教程之圖像元素的訪問、通道分離與合並
轉載請詳細注明原作者及出處，謝謝！
訪問像素
像素的訪問和訪問numpy中ndarray的方法完全一樣，灰度圖為：
img[j,i] = 255
其中j，i分別表示圖像的行和列。對於BGR圖像，為：
img[j,i,0]= 255 img[j,i,1]= 255 img[j,i,2]= 255
第三個數表示通道。
下面通過對圖像添加人工的椒鹽現象來進一步說明OpenCV Python中需要注意的一些問題。完整代碼如下：
import cv2
import numpy as np
def salt(img, n):
for k in range(n):
i = int(np.random.random() * img.shape[1]);
j = int(np.random.random() * img.shape[0]);
if img.ndim == 2:
img[j,i] = 255
elif img.ndim == 3:
img[j,i,0]= 255
img[j,i,1]= 255
img[j,i,2]= 255
return img
if __name__ == '__main__':
img = cv2.imread("圖像路徑")
saltImage = salt(img, 500)
cv2.imshow("Salt", saltImage)
cv2.waitKey(0)
cv2.destroyAllWindows()
處理后能得到類似下面這樣帶有模擬椒鹽現象的圖片：
上面的代碼需要注意幾點：
1、與C++不同，在Python中灰度圖的img.ndim = 2，而C++中灰度圖圖像的通道數img.channel() =1
2、為什么使用np.random.random()？
這里使用了numpy的隨機數，Python自身也有一個隨機數生成函數。這里只是一種習慣，np.random模塊中擁有更多的方法，而Python自帶的random只是一個輕量級的模塊。不過需要注意的是np.random.seed()不是線程安全的，而Python自帶的random.seed()是線程安全的。如果使用隨機數時需要用到多線程，建議使用Python自帶的random()和random.seed()，或者構建一個本地的np.random.Random類的實例。
分離、合並通道
由於OpenCV Python和NumPy結合的很緊，所以即可以使用OpenCV自帶的split函數，也可以直接操作numpy數組來分離通道。直接法為：
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b, g, r = cv2.split(img)
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()
其中split返回RGB三個通道，如果只想返回其中一個通道，可以這樣：
b = cv2.split(img)[0] g = cv2.split(img)[1] r = cv2.split(img)[1]
最后的索引指出所需要的通道。
也可以直接操作NumPy數組來達到這一目的：
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()
注意先要開辟一個相同大小的圖片出來。這是由於numpy中數組的復制有些需要注意的地方，具體事例如下：
>>> c= np.zeros(img.shape, dtype=img.dtype) >>> c[:,:,:] = img[:,:,:] >>> d[:,:,:] = img[:,:,:] >>> c is a False >>> d is a False >>> c.base is a False >>> d.base is a #注意這里！！！ True
這里，d只是a的鏡像，具體請參考《 NumPy簡明教程（二，數組3）》中的“復制和鏡像”一節。
通道合並
同樣，通道合並也有兩種方法。第一種是OpenCV自帶的merge函數，如下：
merged = cv2.merge([b,g,r]) #前面分離出來的三個通道
接着是NumPy的方法：
mergedByNp = np.dstack([b,g,r])
注意：這里只是演示，實際使用時請用OpenCV自帶的merge函數！用NumPy組合的結果不能在OpenCV中其他函數使用，因為其組合方式與OpenCV自帶的不一樣，如下：
merged = cv2.merge([b,g,r]) print "Merge by OpenCV" print merged.strides mergedByNp = np.dstack([b,g,r]) print "Merge by NumPy " print mergedByNp.strides
結果為：
Merge by OpenCV (1125, 3, 1) Merge by NumPy (1, 500, 187500)
NumPy數組的strides屬性表示的是在每個維數上以字節計算的步長。這怎么理解呢，看下面這個簡單點的例子：
>>> a = np.arange(6) >>> a array([0, 1, 2, 3, 4, 5]) >>> a.strides (4,)
a數組中每個元素都是NumPy中的整數類型，占4個字節，所以第一維中相鄰元素之間的步長為4（個字節）。
同樣，2維數組如下：
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.strides
(16, 4)
從里面開始看，里面是一個4個元素的一維整數數組，所以步長應該為4。外面是一個含有3個元素，每個元素的長度是4×4=16。所以步長為16。
下面來看下3維數組：
>>> c = np.arange(27).reshape(3,3,3)
其結果為：
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
根據前面了解的，推斷下這個數組的步長。從里面開始算，應該為（3×4×3，3×4，4）。驗證一下：
>>> c.strides (36, 12, 4)
完整的代碼為：
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
merged = cv2.merge([b,g,r])
print "Merge by OpenCV"
print merged.strides
print merged
mergedByNp = np.dstack([b,g,r])
print "Merge by NumPy "
print mergedByNp.strides
print mergedByNp
cv2.imshow("Merged", merged)
cv2.imshow("MergedByNp", merged)
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()
未完待續...
轉載請詳細注明原作者及出處，謝謝！