一、图像处理基础

- 日理万妓 2023-06-13 08:52 17阅读 0赞

**目录**

Lean镇楼!!

1、读写图像

2、图像处理基础知识

（1）入门知识

（2）处理像素

（3）获取图像属性

（4）感兴趣趋于ROI

（5）通道的拆分与合并

--------------------

# Lean镇楼!! #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70][]

# 1、读写图像 #

先安装 OpenCV

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
    write_path = r"E:\PythonProjects\python_study\opencv\lena_cpoy.jpg"
    img = cv2.imread(path)
    # 1
    # plt.imshow(img)
    # plt.show()
    # 2
    cv2.imshow("demo",img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # write
    cv2.imwrite(write_path,img)

# 2、图像处理基础知识 #

## **（1）入门知识** ##

在彩色图像中，图像可用一个二维矩阵表示，其中每个元素是RGB值，RGB每个占一个字节（8位），总共三个字节，每个字节取值范围是0-2^8(255)，也可以说是三通道的，分别是**R,G,B，比如（255，0，0）代表红色，(0,255,0)代表绿色，(0,0,255)代表蓝色**，其他颜色是这三个颜色的混合。

在灰色图像中，每个元素只有单通道，即只有一个值。

**位深度：**位深度是把通道数转化为位，即3通道位深度为3\*8=24位。

**分辨率**：分辨率即为高像素\*宽像素，如1080\*1440分辨率

**DPI（Dots Per Inch，每英寸像素点数)：**

**通过DPI和像素可以求出图片的实际尺寸**，如1080\*1440分辨率，DPI96，那么图片实际高为1080/96 = 11.25英寸，宽为1440/96=15英寸。

**图片清晰程度不是由像素决定，而是用DPI来决定，DPI越大，清晰度越高**。

**注：**

鼠标的DPI参数指的是鼠标在桌面上移动1英寸的距离的同时，鼠标光标能够在屏幕上移动多少“点”。越高，移动越快越灵敏。

**OpenCV中图像的三原色顺序为 BGR**

## （2）处理像素 ##

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import copy
    
    def show_img(list_img):
        plt.figure()
        plt.subplot(1,2,1)
        plt.imshow(list_img[0])
        plt.subplot(1,2,2)
        plt.imshow(list_img[1])
        plt.show()
    
    path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    # bgr图像
    print("*****************bgr***************")
    #1
    b = img[78,125,0]
    g = img[78,125,1]
    r = img[78,125,2]
    img[78,125,0]=100# 赋值,修改值
    bgr=img[78,125]
    print("b={}\ng={}\nr={}\nbgr={}".format(b,g,r,bgr))
    #2
    print(img.item(100,100,0))#查看值
    img.itemset((100,100,0),255)#修改值
    print(img.item(100,100,0))
    
    print("========修改多个行列数值=========")
    #1
    i1=copy.deepcopy(img)
    img[100:150,100:150]=[255,255,255]
    show_img([i1,img])
    # 灰度图
    print("*****************gray***************")
    p = img[78,125]
    print("p={}".format(p))
    img[78,125]=125# 赋值
    print("p={}\n".format(p))
    #2
    print(gray.item(100,100))#查看值
    gray.itemset((100,100),255)#修改值
    print(gray.item(100,100))

## （3）获取图像属性 ##

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import copy
    import numpy as np
    
    
    path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    print("*****************bgr***************")
    # bgr图像
    print(img.shape)
    print(img.size)#行*列*通道数，计算出像素个数
    print(img.dtype)#图像中数据的数据类型
    
    print("*****************gray***************")
    # 灰度图
    print(gray.shape)
    print(gray.size)
    print(gray.dtype)

## （4）感兴趣趋于ROI ##

## （5）通道的拆分与合并 ##

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    def show_img(img):
        plt.figure()
        plt.imshow(img)
        plt.show()
    
    path = r"E:\PythonProjects\python_study\opencv\lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    print("===============通道拆分==================")
    #1
    b1 = img[:,:,0]
    g1 = img[:,:,1]
    r1 = img[:,:,2]
    #2
    b2,g2,r2 = cv2.split(img)
    b3 = cv2.split(img)[0]
    g3 = cv2.split(img)[1]
    r3 = cv2.split(img)[2]
    # show_img(b2)
    print("=============通道合并，注意顺序==============")
    #1
    m = cv2.merge([b1,g1,r1])
    # show_img(m)
    #2
    bt = cv2.split(img)[0]
    rows,cols,chn = img.shape
    gt = np.zeros((rows,cols),dtype=img.dtype)
    rt = np.zeros((rows,cols),dtype=img.dtype)
    mt = cv2.merge([bt,gt,rt])
    show_img(mt)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191116010222150.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70