访问像素
像素的访问和访问 numpy 中的 ndarray 的方法完全一样，灰度图为：
img[j,i] = 255
# 其中 j, i 分别表示图像的行和列。对于 BGR 图像，为：
img[j,i,0] =255
img[j,i,1] =255
img[j,i,2] =255
# 第三个数表示通道下面通过对图像添加人工的椒盐现象来进一步说明 OpenCV Python中需要注意的一些问题。完整代码如下：
#! user/bin/env python3
# -*- coding： utf-8 -*-
# @filename: salt.py
# @author: yang
import cv2
import numpy as np
def salt (img, n):
for k in range(n):
i = int(np.random.random() * img.shape[1])
j = int(np.random.random() * img.shape[0])
if img.ndim ==2 :
img[j,i] = 255
elif img.ndim ==3:
img[j,i,0]=255
img[j,i,1]=255
img[j,i,2]=255
return img
#与C++不同，在 python 中灰度图像 img.ndim =2， 而在 C++ 中灰度图像的通道数 img.channel() =1。
if __name__ == "__main__":
img = cv2.imread("cat.jpg")
saltImage = salt(img, 500)
cv2.imshow("Img", img)
cv2.imshow("Salt", saltImage)
cv2.waitKey(0)
cv2.destroyAllWindows()效果图：
分离通道
由于OpenCV Python 和 Numpy 结合的很紧，所以可以使用 OpenCV 自带的 split 函数，也可以直接操作 numpy
数组来分离通道。
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
b, g, r = cv2.split(img)
cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()其中 split 返回 RGB 三个通道，如果只想返回其中一个通道，可以这样：
b = cv2.split(img)[0]
g = cv2.split(img)[1]
r = cv2.split(img)[2]
# 通过索引指出所需要的通道也可以直接操作 NumPy 数组来达到这一目的：
#! user/bin/env python3
# -*- coding： utf-8 -*-
# @filename: salt.py
# @author: yang
import cv2
import numpy as np
img = cv2.imread("1.jpg")
img= cv2.resize(img, (0, 0), fx=0.1, fy=0.1, interpolation=cv2.INTER_NEAREST)
b = np.zeros((img.shape[0], img.shape[1]), dtype = img.dtype)
g = np.zeros((img.shape[0], img.shape[1]), dtype = img.dtype)
r = np.zeros((img.shape[0], img.shape[1]), dtype = img.dtype)
print(b)
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
cv2.imshow("Blue",b)
cv2.imshow("Green",g)
cv2.imshow("Red",r)
print(b)
cv2.waitKey(0)
cv2.destroyAllWindows()通道合并
同样，通道合并也有两种方法。第一种是 OpenCV 自带的 merge 函数，如下：
merged = cv2.merge( [b,g,r] )
# 前面分离出来的三个通道接着是 NumPy 的方法：
扫描二维码关注公众号，回复：
5873800 查看本文章
mergeByNp = np.dstack([b,g,r])
# 注意这里只是演示，实际使用请用 OpenCV自带的 merge 函数
# 用 NumPy 组合的结果不能在 OpenCV 中其他函数使用，因为其组合方式和 OpenCV 自带的不一样
merged = cv2.merge([b,g,r])
print "Merge by OpenCV"
print merged.strides
mergedByNp = np.dstack([b,g,r])
print "Merge by NumPy"
print mergedByNp.strides
# 输出：
Merge by OpenCV
(1125, 3, 1)
Merge by NumPy
(1, 500, 187500)
NumPy数组的strides属性表示的是在每个维数上以字节计算的步长。这怎么理解呢，看下面这个简单点的例子：
>>> a = np.arange(6)
>>> a
array([0, 1, 2, 3, 4, 5])
>>> a.strides
(4,)
#a数组中每个元素都是NumPy中的整数类型，占4个字节，所以第一维中相邻元素之间的步长为4（个字节）。
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.strides
(16, 4)
# 从里面开始看，里面是一个4个元素的一维整数数组，所以步长应该为4。
# 外面是一个含有3个元素，每个元素的长度是4×4=16。所以步长为16。
>>> c = np.arange(27).reshape(3,3,3)
>>> c
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
# 根据前面了解的，推断下这个数组的步长。从里面开始算，应该为（3×4×3，3×4，4）。验证一下：
>>> c.strides
(36, 12, 4)
完整代码：
import cv2
import numpy as np
img = cv2.imread("D:/cat.jpg")
b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]
merged = cv2.merge([b,g,r])
print "Merge by OpenCV"
print merged.strides
print merged
mergedByNp = np.dstack([b,g,r])
print "Merge by NumPy "
print mergedByNp.strides
print mergedByNp
cv2.imshow("Merged", merged)
cv2.imshow("MergedByNp", merged)
cv2.imshow("Blue", b)
cv2.imshow("Red", r)
cv2.imshow("Green", g)
cv2.waitKey(0)
cv2.destroyAllWindows()