OpenCV 开发 -- 图像基本处理

---

更多精彩内容
👉内容导航 👈
👉OpenCV开发 👈

---

1 像素访问与设置的基本方法

OpenCV 中像素设置是图像处理的基础操作，允许我们直接修改图像中特定位置的像素值。

• 坐标系统：OpenCV使用(y, x)坐标系统，其中y是行号，x是列号
• 颜色顺序：OpenCV默认使用BGR而非RGB顺序
• 边界检查：访问像素时需要确保坐标在图像范围内
• 数据类型：注意图像数据类型，避免溢出问题
• 性能考虑：大量像素操作时优先使用向量化操作而非循环

1.1 单通道图像（灰度图）

import cv2
import numpy as np# 读取图像
img = cv2.imread('image.jpg', 0)  # 0表示以灰度模式读取# 获取像素值
pixel_value = img[y, x]# 设置像素值
img[y, x] = new_value

1.2 多通道图像（彩色图）

在OpenCV中，图像的像素颜色默认是使用BGR（蓝、绿、红）格式来表示的，而不是RGB。

# 读取彩色图像
img = cv2.imread('image.jpg')  # 默认BGR格式# 获取像素值 (B, G, R)
pixel_values = img[y, x]
# 设置像素值
img[y, x] = [blue, green, red]
#------------------------------------------例如
# 获取像素值 (BGR 格式)
pixel_value = image[100, 100]  # 获取 (100, 100) 处的像素值# 修改像素值
image[100, 100] = [255, 255, 255]  # 将 (100, 100) 处的像素设置为白色

1.3 批量像素操作

使用数组索引：

import cv2
import numpy as np# 读取图像
img = cv2.imread('11.png')
# 设置图像区域像素值
img[100:200, 100:200] = [255, 255, 255]  # 设置一个区域为白色# 或者复制图像区域
roi = img[100:200, 100:200]
img[300:400, 300:400] = roicv2.imshow('image', img)
cv2.waitKey(0)

使用NumPy函数：

import cv2
import numpy as np# 读取图像
img = cv2.imread('11.png')
# 设置满足条件的像素
img[img > 200] = 255  # 将大于200的像素设为255
# 或者使用np.where
img = np.where(img < 100, 0, img)  # 将小于100的像素设为0cv2.imshow('image', img)
cv2.waitKey(0)

1.4 性能优化建议

避免循环遍历像素

# 不推荐：使用Python循环
for i in range(img.shape[0]):for j in range(img.shape[1]):img[i, j] = 255 - img[i, j]# 推荐：使用向量化操作
img = 255 - img

2 图像通道分离与合并

图像通道分离与合并是OpenCV中处理多通道图像的重要操作，常用于彩色图像处理、颜色空间转换等场景。

注意：

1. 内存使用：cv2.split()会创建新的数组，占用额外内存
2. 数据类型：确保所有通道具有相同的数据类型和尺寸
3. 通道顺序：OpenCV默认使用BGR顺序，注意与其他库的兼容性
4. 边界处理：操作通道时注意数值范围（通常0-255）

2.1 通道分离 (Split)

使用 cv2.split() 函数

import cv2
import numpy as np# 读取彩色图像
img = cv2.imread('image.jpg')  # 默认为BGR格式# 分离通道
b, g, r = cv2.split(img)
# 或者
channels = cv2.split(img)
blue_channel = channels[0]
green_channel = channels[1]
red_channel = channels[2]

直接索引访问通道

# 对于BGR图像
blue_channel = img[:, :, 0]
green_channel = img[:, :, 1]
red_channel = img[:, :, 2]# 注意：这种方法直接引用原图像数据，修改会影响原图

2.2 通道合并 (Merge)

使用 cv2.merge() 函数

# 合并三个单通道图像为多通道图像
merged_img = cv2.merge([b, g, r])# 也可以创建包含特定通道的图像
# 例如创建只包含红色通道的BGR图像
red_only = cv2.merge([np.zeros_like(r), np.zeros_like(r), r])

2.3 实际应用示例

通道操作示例

import cv2
import numpy as np# 读取图像
img = cv2.imread('image.jpg')# 分离BGR通道
b, g, r = cv2.split(img)# 修改特定通道
# 增强红色通道
r_enhanced = cv2.add(r, 50)  # 增加红色分量# 抑制绿色通道
g_suppressed = cv2.subtract(g, 50)  # 减少绿色分量# 合并修改后的通道
modified_img = cv2.merge([b, g_suppressed, r_enhanced])# 显示原图和修改后的图像
cv2.imshow('Original', img)
cv2.imshow('Modified', modified_img)

颜色空间转换中的应用

# BGR转HSV并处理特定通道
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)# 调整饱和度
s = cv2.multiply(s, 1.2)
s = np.clip(s, 0, 255).astype(np.uint8)# 合并并转回BGR
hsv_modified = cv2.merge([h, s, v])
img_modified = cv2.cvtColor(hsv_modified, cv2.COLOR_HSV2BGR)

2.4 通道交换

# 交换BGR到RGB
r, g, b = cv2.split(img)
rgb_img = cv2.merge([r, g, b])  # 注意这里顺序变了# 或者使用索引
rgb_img = img[:, :, [2, 1, 0]]

2.5 Alpha通道处理

# 对于RGBA图像
if img.shape[2] == 4:  # 检查是否有Alpha通道b, g, r, a = cv2.split(img)# 移除alpha通道bgr_img = cv2.merge([b, g, r])# 或者创建新的带alpha通道的图像new_alpha = np.full((img.shape[0], img.shape[1]), 255, dtype=np.uint8)img_with_alpha = cv2.merge([b, g, r, new_alpha])

2.6 性能优化技巧

避免不必要的通道分离

# 不推荐：频繁分离和合并
b, g, r = cv2.split(img)
# 对每个通道进行处理
b_processed = some_operation(b)
g_processed = some_operation(g)
r_processed = some_operation(r)
result = cv2.merge([b_processed, g_processed, r_processed])# 推荐：直接在多通道图像上操作
img_processed = some_operation(img)

---

---