Python+OpenCV 图像处理系列（4）—— 图像像素的读写、算术运算、逻辑运算及像素的统计

1. 像素的读写

可以根据像素的行和列的坐标获取它的像素值。对 BGR 图像而言，返回值为 B，G，R 的值。

• img.shape 可以获取图像的形状。它的返回值是一个包含行数 h，列数 w，通道数 ch 的元组。注意：如果图像是灰度图，返回值仅有行数和列数。所以通过检查这个返回值就可以知道加载的是灰度图还是彩色图。
• img.size 可以返回图像的像素数目 (h * w * ch)
• img.dtype 返回的是图像的数据类型:

import cv2

image_name = "img/003.jpg"
img = cv2.imread(image_name)
cv2.imshow("origin", img)

high, wide, channel = img.shape
print "high is {0}, wide is {1}, channel is {2}".format(high, wide, channel)
# high is 198, wide is 198, channel is 3

for row in range(high):
    for col in range(wide):
        b, g, r = img[row, col]
        b = 255 - b
        g = 255 - g
        r = 255 - r
        img[row, col] = b, g, r		# 修改像素值

cv2.imshow("output", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

显示结果：

如果上面的难以理解，可以看下面的这些操作，希望能帮助读者更好的理解。

>>> a = np.array([[[1,  2],  [3,4], [5, 6]], [[11,  22],  [33,44], [55, 66]]])
>>> a.shape
(2, 3, 2)
>>> a
array([[[ 1,  2],
        [ 3,  4],
        [ 5,  6]],

       [[11, 22],
        [33, 44],
        [55, 66]]])
        
>>> a.ndim
3
>>> a.size
12
>>> a[0, 1]
array([3, 4])
>>> a[1, 2]
array([55, 66])
>>> h, w = a[1, 2]
>>> h,w
(55, 66)

2. 像素的算术运算

图像像素也可以进行加、减、乘、除操作，但是必须要注意，进行算术运算操作的时，必须要保证两幅图像的大小、数据类型和通道数目必须相同。

• OpenCV 中的加法与 Numpy 的加法是有所不同的。OpenCV 的加法是一种饱和操作，而 Numpy 的加法是一种模操作。这种差别在你对两幅图像进行加法时会更加明显。OpenCV 的结果会更好一点。所以我们尽量使用 OpenCV 中的函数。

使用示例如下：

import cv2
import numpy as np

img1 = cv2.imread("img/003.jpg")
img2 = cv2.imread("img/003_gray.jpg")

cv2.imshow("img1", img1)
cv2.imshow("img2", img2)

h, w, ch = img1.shape

add_result = np.zeros(img1.shape, img1.dtype)
cv2.add(img1, img2, add_result)
cv2.imshow("add_result", add_result)


sub_result = np.zeros(img1.shape, img1.dtype)
cv2.subtract(img1, img2, sub_result)
cv2.imshow("sub_result", sub_result)

mul_result = np.zeros(img1.shape, img1.dtype)
cv2.multiply(img1, img2, mul_result)
cv2.imshow("mul_result", mul_result)


div_result = np.zeros(img1.shape, img1.dtype)
cv2.divide(img1, img2, div_result)
cv2.imshow("div_result", div_result)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 像素的逻辑运算

这里包括的按位操作有：AND，OR，NOT，XOR 等。当我们提取图像的一部分，选择非矩形 ROI 时这些操作会很有用。下面的例子就是教给我们如何改变一幅图的特定区域。

import cv2
import numpy as np

# create img one
img1 = np.zeros(shape=(200, 200, 3), dtype=np.uint8)
img1[50:100, 50:100, 1] = 255
img1[50:100, 50:100, 2] = 255
cv2.imshow("img1", img1)

# create img two
img2 = np.zeros(shape=(200, 200, 3), dtype=np.uint8)
img2[75:150, 75:150, 2] = 255
cv2.imshow("img2", img2)

dst1 = cv2.bitwise_and(img1, img2)
dst2 = cv2.bitwise_or(img1, img2)
dst3 = cv2.bitwise_xor(img1, img2)

cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.imshow("dst3", dst3)

img4 = cv2.imread("img/003.jpg")
dst4 = cv2.bitwise_not(img4)

cv2.imshow("dst4", dst4)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 像素的统计

像素值统计涉及到的知识点有以下几个

• 最小(min)
• 最大(max)
• 均值(mean)
• 标准方差(standard deviation)

OpenCV 相关的 API 知识点

• 最大最小值 minMaxLoc
• 计算均值与标准方差 meanStdDev

注意：像素值统计必须是单通道的图片，所以 cv2.imread 时必须加上图片的载入类型。
源码中有如下提示：

'''
The function do not work with multi-channel arrays. If you need to find minimum or maximum
elements across all the channels, use Mat::reshape first to reinterpret the array as
single-channel.
'''

import cv2
import numpy as np

img = cv2.imread("img/003.jpg", cv2.IMREAD_GRAYSCALE)

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(img)
print minVal, maxVal, minLoc, maxLoc    # 0.0 255.0 (128, 24) (120, 12)
means, stddev = cv2.meanStdDev(img)
print means, stddev     # [[97.23278237]] [[45.80720813]]

img[np.where(img < means)] = 0
img[np.where(img > means)] = 255

cv2.imshow("binary", img)
cv2.waitKey(0)
cv2.destroyAllWindows()