Python+OpenCV图像处理（三）—— Numpy数组操作图片

一.改变图片每个像素点每个通道的灰度值

（一）

代码如下：

#遍历访问图片每个像素点，并修改相应的RGB
import cv2 as cv
def access_pixels(image):
    print(image.shape)
    height = image.shape[0]
    width = image.shape[1]
    channels = image.shape[2]
    print(" %s  height: %s  channels: %s"%(width, height, channels))
    for row in range(height):
        for col in range(width):
            for c in range(channels):
                pv = image[row , col, c]        #获取每个像素点的每个通道的数值
                image[row, col, c]=255 - pv     #灰度值是0-255   这里是修改每个像素点每个通道灰度值
    cv.imshow("second_image",image)
src=cv.imread('E:imageloadexample.png')   #blue, green, red
cv.namedWindow('first_image', cv.WINDOW_AUTOSIZE)
cv.imshow('first_image', src)
t1 = cv.getTickCount()    #GetTickcount函数返回从操作系统启动到当前所经过的毫秒数
access_pixels(src)
t2 = cv.getTickCount()
time = (t2-t1)/cv.getTickFrequency()  #getTickFrequency函数返回CPU的频率,就是每秒的计时周期数
print("time : %s ms"%(time*1000) )    #输出运行时间
cv.waitKey(0)
cv.destroyAllWindows()

运行结果：

注意：

1.image[i,j,c] i表示图片的行数，j表示图片的列数，c表示图片的通道数（0代表B，1代表G，2代表R 一共是RGB三通道）。坐标是从左上角开始

2.每个通道对应一个灰度值。灰度值概念：把白色与黑色之间按对数关系分成若干级，称为“灰度等级”。范围一般从0到255，白色为255，黑色为0。要详细了解灰度值和通道的概念，请参考这篇博客：https://blog.csdn.net/silence2015/article/details/53789748

（二）

上述代码实现像素取反的运行时间较长，下面代码运用opencv自带的库函数可以使运行时间大大减少。

代码如下：

#调用opencv的库函数快速实现像素取反
import cv2 as cv
def inverse(img):
    img = cv.bitwise_not(img)   #函数cv.bitwise_not可以实现像素点各通道值取反
    cv.imshow("second_image", img)

src=cv.imread('E:imageloadexample.png')   #blue, green, red
cv.namedWindow('first_image', cv.WINDOW_AUTOSIZE)
cv.imshow('first_image', src)
t1 = cv.getTickCount()    #GetTickcount函数返回从操作系统启动到当前所经过的毫秒数
inverse(src)
t2 = cv.getTickCount()
time = (t2-t1)/cv.getTickFrequency()  #getTickFrequency函数返回CPU的频率,就是每秒的计时周期数
print("time : %s ms"%(time*1000) )    #输出运行时间
cv.waitKey(0)
cv.destroyAllWindows()

运行结果：

可见，使用库函数 bitwise_not 可以使运行时间缩短13倍左右

二.自定义一张三通道图片

代码如下：

#自定义一张三通道图片
import cv2 as cv
import numpy as np
def creat_image():
    img = np.zeros([400, 400, 3], np.uint8)   #将所有像素点的各通道数值赋0
    img[:, :, 0] = np.ones([400, 400]) * 255   #0通道代表B
    # img[:, :, 1] = np.ones([400, 400]) * 255   #1通道代表G
    # img[:, :, 2] = np.ones([400, 400]) * 255   #2通道代表R
    cv.imshow("new_image",img)
creat_image()
cv.waitKey(0)
cv.destroyAllWindows()

运行结果：

注意：

1.np.zeros函数用于创建一个数值全为0的矩阵，np.ones用于创建一个数值全为1的矩阵

2.当图片为多通道图片时，B:255 G:0 R:0 则三通道图片显示蓝色。所有通道数值组合示意图如下：

补注：

单通道：此通道上值为0－255。（255为白色，0是黑色）只能表示灰度，不能表示彩色。
三通道：BGR （255，255，255为白色， 0,0,0是黑色）可以表示彩色，灰度也是彩色的一种。

单通道和三通道区别见博客：https://blog.csdn.net/qq_32211827/article/details/56854985

三、自定义一张单通道图片

代码如下：

#自定义一张单通道图片
import cv2 as cv
import numpy as np
def creat_image():
    img = np.ones([400, 400, 1], np.uint8)   #该像素点只有一个通道，该函数使所有像素点的通道的灰度值为1
    img = img * 127       #使每个像素点单通道的灰度值变为127
    cv.imshow("new_image",img)
creat_image()
cv.waitKey(0)
cv.destroyAllWindows()

运行结果：

注意：

1.代码里 img = img * 127 表示数组里的每个数值都乘以127

2.之所以np.ones函数参数类型是uint8，是因为uint8数的范围为0~255, 那么为0时恰好为黑色，为255时恰好为白色。若函数参数类型为int8，则int8类型数的范围为-128~127，那么-128则为黑色，127为白色