python数字图像处理入门（跟我学Python图像处理获取图像属性）

本文分享自华为云社区《[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理 | 【生长吧！Python】-云社区-华为云》，作者： eastmount 。

一.获取图像属性

1.形状形状

通过shape关键字获取图像的形状，返回包含行数、列数、通道数的元祖。其中灰度图像返回行数和列数，彩色图像返回行数、列数和通道数。如下图所示：

# -*- 编码：UTF-8 -*-

导入简历2

导入数字

#读取图片

img = cv2.imread（“test.jpg”， cv2.IMREAD_UNCHANGED）

#获取图像形状

打印（图像形状）

#显示图像

cv2.imshow（“Demo”， img）

#等待显示

cv2.waitKey（0）

cv2.destroyAllWindows（）

输出结果如下图所示：（445L， 670L， 3L），该图共445行、670列像素，3个通道。

2.像素数目-大小

通过size关键字获取图像的像素数目，其中灰度图像返回行数 * 列数，彩色图像返回行数 * 列数 * 通道数。代码如下：

# -*- 编码：UTF-8 -*-

导入简历2

导入数字

#读取图片

img = cv2.imread（“test.jpg”， cv2.IMREAD_UNCHANGED）

#获取图像形状

打印（图像形状）

#获取像素数目

打印（图像大小）

输出结果：

（445公升， 670升， 3升）

894450

3.图像类型-dtype

通过dtype关键字获取图像的数据类型，通常返回uint8。代码如下：

# -*- coding:utf-8 -*-

import cv2

import numpy

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#获取图像形状

print(img.shape)

#获取像素数目

print(img.size)

#获取图像类型

print(img.dtype)

输出结果：

(445L, 670L, 3L)

894450

uint8

二.获取感兴趣ROI区域

ROI（Region of Interest）表示感兴趣区域。它是指从被处理图像以方框、圆形、椭圆、不规则多边形等方式勾勒出需要处理的区域。可以通过各种算子（Operator）和函数求得感兴趣ROI区域，并进行图像的下一步处理，被广泛应用于热点地图、人脸识别、图像分割等领域。

通过像素矩阵可以直接获取ROI区域，如img[200:400, 200:400]。

代码如下：

# -*- coding:utf-8 -*-

import cv2

import numpy as np

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#定义200*100矩阵 3对应BGR

face = np.ones((200, 100, 3))

#显示原始图像

cv2.imshow("Demo", img)

#显示ROI区域

face = img[200:400, 200:300]

cv2.imshow("face", face)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

下面将提取的ROI图像进行融合实验，代码如下：

# -*- coding:utf-8 -*-

import cv2

import numpy as np

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#定义300*100矩阵 3对应BGR

face = np.ones((200, 200, 3))

#显示原始图像

cv2.imshow("Demo", img)

#显示ROI区域

face = img[100:300, 150:350]

img[0:200,0:200] = face

cv2.imshow("face", img)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

将提取的头部融合至图像左上角部分，如下图所示：

如果想将两张图像进行融合，只需再读取一张图像即可，方法原理类似。 实现代码如下：

# -*- coding:utf-8 -*-

import cv2

import numpy as np

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

test = cv2.imread("test3.jpg", cv2.IMREAD_UNCHANGED)

#定义300*100矩阵 3对应BGR

face = np.ones((200, 200, 3))

#显示原始图像

cv2.imshow("Demo", img)

#显示ROI区域

face = img[100:300, 150:350]

test[400:600,400:600] = face

cv2.imshow("Pic", test)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

三.图像通道处理

1.通道拆分

OpenCV读取的彩色图像由B、G、R三原色组成，可以通过下面代码获取不同的通道。

b = img[:, :, 0]

g = img[:, :, 1]

r = img[:, :, 2]

也可以使用split()函数拆分通道，下面是拆分不同通道再显示的代码。

# -*- coding:utf-8 -*-

import cv2

import numpy as np

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#拆分通道

b, g, r = cv2.split(img)

#显示原始图像

cv2.imshow("B", b)

cv2.imshow("G", g)

cv2.imshow("R", r)

#等待显示

cv2.waitKey（0）

cv2.destroyAllWindows（）

输出结果如下图所示：

也可以获取不同的通道，核心代码如下所示： b = cv2.split（a）[0] g = cv2.split（a）[1] r = cv2.split（a）[2]

2.通道合并

图像通道合并主要调用merge（）函数实现，核心代码如下：

m = cv2.merge（[b， g， r]）

# -*- 编码：UTF-8 -*-

导入简历2

将 numpy 导入为 NP

#读取图片

img = cv2.imread（“test.jpg”， cv2.IMREAD_UNCHANGED）

#拆分通道

b， g， r = cv2.split（img）

#合并通道

m = cv2.merge（[b， g， r]）

cv2.imshow（“Merge”， m）

#等待显示

cv2.waitKey（0）

cv2.destroyAllWindows（）

输出结果如下：

注意，如果是合并[r，g，b]三通道，则显示如下所示，因OpenCV是按照BGR进行读取的。

b, g, r = cv2.split(img)

m = cv2.merge([r, g, b])

cv2.imshow(“Merge”, m)

同时，可以提取图像的不同颜色，提取B颜色通道，G、B通道设置为0，则显示蓝色。代码如下所示：

# -*- coding:utf-8 -*-

import cv2

import numpy as np

#读取图片

img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

rows, cols, chn = img.shape

#拆分通道

b = cv2.split(img)[0]

g = np.zeros((rows,cols),dtype=img.dtype)

r = np.zeros((rows,cols),dtype=img.dtype)

#合并通道

m = cv2.merge([b, g, r])

cv2.imshow("Merge", m)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

蓝色通道输出结果如下所示：

绿色通道核心代码及输出结果如下所示：

rows, cols, chn = img.shape

b = np.zeros((rows,cols),dtype=img.dtype)

g = cv2.split(img)[1]

r = np.zeros((rows,cols),dtype=img.dtype)

m = cv2.merge([b, g, r])

红色通道修改方法与上面类似。

希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。

该系列在github所有源代码：

• https://github.com/eastmountyxz/ImageProcessing-Python

点击下方，第一时间了解华为云新鲜技术~

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云

,