Python OpenCV 图像处理再循环，第一阶段复盘
Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 40 篇。
该系列文章导航参考：https://blog.csdn.net/hihell/category_10688961.html
基础知识铺垫
经过一个阶段的努力，我们已经来到了 Python OpenCV 学习的第二个阶段，本阶段将对之前的学习的内容查漏补缺，再进一步。
图像中的像素
我们在研究一下图像中像素是如何呈现的吧。
首先编写一个普普通通的图片展示代码。
import cv2 as cv
image = cv.imread("./test.jpg")
cv.imshow("image",image)
# 输出像素
print(image.shape)
print(image[:5,:])
cv.waitKey(0)
cv.destroyAllWindows()
输出数据如下，由于是彩色图像，呈现的是一个三维数组。
(640, 640, 3)
[[[212 151 87]
[175 104 41]
[231 137 78]
...
[150 144 145]
[188 186 132]
[196 195 115]]
[[255 229 160]
[188 118 51]
[196 106 42]
...
[206 190 178]
[216 200 153]
[199 183 117]]
数组与列表的区别，可以仔细观察一下。
20210214214732502[1].png
通过输出类型，可以获取 image 是 <class 'numpy.ndarray'> 类型的数据。
三维数组最内层的三个数字就是一个像素的取值，分别表示 BGR，取值范围是 0~255 合计 256 种取值。
每个值都表示的是亮度，所以 0 表示最暗，255 表示最亮。
获取单通道数据与像素值的加减操作
采用下述代码，可以获取图像单通道数据
print(image[:5,:,0])
得到的数据如下：
[[212 175 231 ... 150 188 196]
[255 188 196 ... 206 216 199]
[251 180 201 ... 233 236 220]
[173 182 232 ... 237 244 236]
[187 210 233 ... 255 255 235]]
单通道数据，呈现的是一个二维的数组。
将单通道图片呈现出来，显示如下，单通道提取的图像为灰度图像。
测试代码如下：
import cv2 as cv
from matplotlib import pyplot as plt
image = cv.imread("./test.jpg")
cv.imshow("image", image)
# 输出像素
print(image.shape)
image[:, :, 0] = 0
image[:, :, 1] = 0
r = image[:, :, 2]
cv.imshow("dst",image)
cv.imshow("r",r)
cv.waitKey(0)
20210214221245318[1].png
如果希望获取到的通道呈现出 BGR 中的颜色，只需要设置其他通道值为 0，那获取到的图像依然就是彩色图像。
20210214221152200[1].png
下述代码将得到偏黄色的图像，因为 G（绿色）+R（红色） = Y（黄色）。
image[:, :, 0] = 0
cv.imshow("dst",image)
20210214221602271[1].png
接下来咱可以实现图像的加减操作，具体代码如下：
import cv2 as cv
from matplotlib import pyplot as plt
image = cv.imread("./test.jpg")
cv.imshow("image", image)
print(image[:1, :])
print("像素值+10")
image = image+10
print(image[:1, :])
cv.imshow("dst", image)
cv.waitKey(0)
查看像素的输出，发现每个值都进行了添加操作。
20210215224147796[1].png
但是当像素值增加之后，超过了 255，结果会对 256 取余，例如 212+50=262 % 256 = 6。
20210215224337545[1].png
边界填充
今天顺便补充一下边界填充的相关知识，核心用到的函数是 ``cv2.copyMakeBorder` ，函数原型如下：
dst = cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])
其中最重要的参数就是 borderType ，定义要添加边框的类型，其它的只是一些数值。
borderType 具体取值如下：
-
cv2.BORDER_CONSTANT：添加的边界框像素值为常数（需要额外再给定一个参数，就是value参数）； -
cv2.BORDER_REFLECT：添加的边框像素将是边界元素的镜面反射，类似于gfedcb|abcdefgh|gfedcba，注意竖线左右的值即可； -
cv2.BORDER_REFLECT_101orcv2.BORDER_DEFAULT：和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba，注意竖线左右的数值，没有a； -
cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似于aaaaaa|abcdefgh|hhhhhhh，直接延伸边界像素值； -
cv2.BORDER_WRAP：cdefgh|abcdefgh|abcdefg。
具体的你可以在 官方手册 继续学习。
最后一个value参数：如果borderType为cv2.BORDER_CONSTANT时需要填充的常数值。
dst：添加完边框的新图像，需要记住图像的新尺寸为 (src.shape[1]+left+right, src.shape[0]+top+bottom)。
通过下述代码，进行完成的呈现。
import cv2 as cv
from matplotlib import pyplot as plt
image = cv.imread("./t1.png")
b, g, r = cv.split(image)
rgb_img = cv.merge((r, g, b))
replicate = cv.copyMakeBorder(rgb_img, 100, 100, 100, 100, cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(rgb_img, 100, 100, 100, 100, cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(
rgb_img, 100, 100, 100, 100, cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(rgb_img, 100, 100, 100, 100, cv.BORDER_WRAP)
constant = cv.copyMakeBorder(
rgb_img, 100, 100, 100, 100, cv.BORDER_CONSTANT, value=(0, 255, 0))
plt.subplot(231), plt.imshow(rgb_img), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(wrap), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant), plt.title('CONSTANT')
plt.show()
cv.waitKey(0)
运行结果如下图所示，注意 plt 绘图后图片的横纵坐标表示的是图像的像素数量。学习的时候，对比着刚才的字母说明，然后在看着图片学习一下，很容易可以掌握。
20210215231044769[1].png
相关阅读
技术专栏
