1.图像的基础操作
目标： 获取像素值并修改
获取图像的属性（信息）
图像的ROI ()
图像通道的拆分及合并
几乎所有这些操做与Numpy的关系都比与OpenCV的关系更加紧密，一次熟悉Numpy可以帮锥们写出性能更好的代码
你可以根据像素的行和列的坐标获取他的像素值。对BGR图像而言，返回值为B,G,R的值，对灰度图像而言，会返回他的灰度值（亮度？intensity）
1. 获取并修改像素值
# 获取像素值
img = cv2.imread('timg.jpg')
px = img[100,100]
print(px)
# 第三个参数为获取到颜色通道中第(0(蓝色通道)/1(绿色通道)/2(红色通道))个数据
blue = img[100,100,0]
print(blue)
注： Numpy 是经过优化乐的进行快速矩阵运算的软件包。所以我们不推荐逐个获取像素值并修改，这样会很慢，能有矩阵运算就不要用循环
上面提到的方法被用来选取矩阵的一个区域，比如说前5行的后三列。对于获取每一个像素值，也许使用Numpy的array.item()和array.itemset()
会更好。但丝毫返回值是标量。如果你想获得所有B,G,R的值，你需要使用array.item() 分割他们。
例：
# 获取像素及修改更好的方法
img =cv2.imread('timg.jpg')
print(img.item(10,10,2)) # 40
# 修改img[10,10]的[,,40] 为[,,100]
img.itemset((10,10,2),100)
print(img.item(10,10,2)) # 10
2. 获取图像属性
图像的属性包括： 行，列，通道，图像数据类型，像素数目等img.shape 可以获取图像的形状。他的返回值是一个包含行数，列数，通道数的元组。
img = cv2.imread('timg.jpg')
# img.shape 返回图像的行数，列数，通道数
print(img.shape) # (868, 1280, 3)
# 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或者彩色图
img = cv2.imread('timg.jpg')
# img.size 可以返回图像的像素数目；img.dtype 返回图像的数据类型
print(img.size,img.dtype) # 3333120 uint8
3. 图像 ROI
有事你需要一幅图像的特定区域进行操作。例如我们要检测一幅图像中的眼睛的位置，我们首先应该在图像中找到脸，再在脸的区域
中找眼镜，而不是直接在一幅图像中搜索。这样会提高程序的准确性和性能
在一幅图像中搜索。这样会提高程序的准确性和性能
ROI 也是使用Numpy索引来获得的。
例：
# 图像ROI
img = cv2.imread('abc.jpg')
print(img.shape) # 返回值 行，列，通道数
# 注意： 行=y轴 ， 列=x轴， 所以在使用 img进行区域切割的时候需要注意何总坐标位置
mouse = img[130:540,40:350]
img[130:540,370:680] = mouse
cv2.imshow('image',img)
cv2.waitKey(0)
4. 拆分及合并图像通道
有时我们需要对 BGR 三个通道分别进行操作。这时你就需要把BGR拆分成点那个通道。有时你需要把独立通道的图片
合并称一个BGR图像。
img = cv2.imread('timg.jpg')
b,g,r = cv2.split(img)
# 注意 通道合并函数 cv2.merge()参数为一个数组
img = cv2.merge([b,g,r])
例：
# 拆分及合并图像通道
img = cv2.imread('timg.jpg')
b,g,r = cv2.split(img)
cv2.imshow('blue',b)
cv2.imshow('green',g)
cv2.imshow('red',r)
print(b,g,r)
# 显示蓝色通道：
# img = cv2.merge([b,zeros,zeros])
img = cv2.merge([b,g,r])
cv2.imshow('img',img)
cv2.waitKey(0)
或者
img = cv2.imread('timg.jpg')
b = img[:,:,0]
加入你想是所有像素的红色通道都为0， 你不必先拆分在复制，你可以直接使用Numpy索引
img = cv2.imread('timg.jpg')
img[:,:,2] = 0
注意： cv2.split() 是一个比较耗时的操作，只有真正需要时才用它，能用Numpy索引就尽量用
5. 为图像扩边（填充）
如果你想在图像周围创建一个边，就像相框一样，你可以使用cv2.copyMakeBorder()函数。这经常在卷积运算或
0 填充是被用到。这个函数参数如下：
src : 输入图像
top,bottom,left,right 对应便捷的像素数目
borderType 要添加那种类型的边界，类型如下：
– cv2.BORDER_CONSTANT 添加有颜色的常数值边界，还需要下一个参数（value）。 （填充value中的颜色）
– cv2.BORDER_REFLECT 边界元素的镜像。比如: fedcba|abcdefgh|hgfedcb (头复制头，尾复制尾，但是方向与原图像对称)
– cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT跟上面一样，但稍作改动。例如: gfedcb|abcdefgh|gfedcba （头部复制去掉首部，[尾部,如果已经到达底部]的头部，尾部复制去除最后一行的尾部，方向与原图象对称）
– cv2.BORDER_REPLICATE 重复最后一个元素。例如: aaaaaa|abcdefgh|hhhhhhh （头部复制第一行，尾部复制最后一行）
– cv2.BORDER_WRAP 不知道怎么说了, 就像这样: cdefgh|abcdefgh|abcdefg （头部复制除去第一行意外的部分，尾部复制除去最后一行以外的部分，方向与原图象相同）
value : 边界颜色，如果边界的类型是cv2.BORDER_CONSTANT
2. 图像上的算术运算
目标 ： 学习图像上的算术运算，加法，减法，位运算等
函数 ： cv2.add(), cv2.addWeighted()等
1. 图像的加法
你可以使用函数 cv2.add()将两幅图像进行加法运算，当然也可以直接使用numpy,res = img1+ img
两幅图像的大小，类型必须一致，或者第二个图像可以使一个简单的标量值
注意：OpenCV中的加法与numpy中的加法是有所不同的，OpenCV中的加法是一种饱和操作，而Numpy的
加法是一种模操作
# 图像的加法操作
例：
x = np.uint8([250])
y = np.uint8([10])
print(cv2.add(x,y)) # 250 + 10 = 260 =>255 # 保留最大值
# [[255]]
print(x+y) # 250+10 = 260 % 256 =4 # 取模求余
# [4]
这种差别在对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
2. 图像混合
另一种方式的加法，不同的使两幅图像的权重不同，这就会给人混合或者透明的感觉，图像混合计算公式如下：
g (x) = (1 − α)f 0 (x) + αf 1 (x)
通过修改 α 的值（0 → 1），可以实现图像的混合。
现在我们把两幅图混合在一起。第一幅图的权重是 0.7，第二幅图的权重是 0.3。函数 cv2.addWeighted() 可以按下面的公式对图片进行混合操作。
dst = α · img1 + β · img2 + γ
这里 γ 的取值为 0。
# 图像的混合
img1 = cv2.imread('abc.jpg')
img2 = cv2.imread('timg.jpg')
dst = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
注： 应注意图像叠加，图像混合的图片应该大小，类型相同，否则会报错。
3. 按位运算
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。
例子 ： 改变一幅如的特定区域
如果把Opencv的标志放到另一幅图上：
方法1： 使用加法，但是颜色会改变
方法2： 使用混合，但是会的得到透明效果，
方法3： 如果他是矩形，我可以使用ROI，但是他不是矩形
方法4： 使用位运算
threshold：固定阈值二值化，
ret, dst = cv2.threshold(src, thresh, maxval, type)
参数：
src： 输入图，只能输入单通道图像，通常来说为灰度图
dst： 输出图
thresh： 阈值
maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY #黑白二值(二值阈值化)
cv2.THRESH_BINARY_INV #黑白二值反转(反转二值阈值化)
cv2.THRESH_TRUNC #得到的图像为多像素值(截断阈值化)
cv2.THRESH_TOZERO #阈值化到0
cv2.THRESH_TOZERO_INV #反转阈值化到0
# load two image
img2 = cv2.imread('opencv_log.jpg')
img1 = cv2.imread('abc.jpg')
cv2.imshow('opencv_logo',img2)
# I want to put logo on top_left corer, so I create a ROI
rows,cols,channels = img2.shape
roi = img1[0:rows,0:cols]
# Now create a mask of logo and create its inverse mask alse # 创建一个标志的掩码，并常见反向掩码
# cv2.cvtColor() 颜色空间转换函数，以便生成mask图
img2gray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY) # 转变为灰度图
cv2.imshow('img2gray',img2gray)
# cv2.threahold（） 固定阀值二值化， cv2.THRESH_BINARY 黑白阀值（阀值二值化）
# 阀值设定为10 ，其灰度小与于0，保留，返回给mask，判断其是遵从大于还是小于看type(最后一个参数),
ret,mask =cv2.threshold(img2gray,10,255,cv2.THRESH_BINARY)
cv2.imshow('mask',mask)
# mask 是 白底黑图
# mask_inv 是 黑底白图
# 对数据进行非操作 ～1=0 ～0=1
mask_inv = cv2.bitwise_not(mask)
cv2.imshow('mask_inv',mask_inv)
# now black-out the area of logo in ROI # 现在将ROI中的logo区域涂黑
img1_bg = cv2.bitwise_and(roi,roi,mask = mask_inv)
cv2.imshow('img1_bg',img1_bg)
# Take only region of logo from image. # 从中只取logo 区域
img2_fg = cv2.bitwise_and(img2,img2,mask = mask)
# put logo in ROI and modify the main image.
dst = cv2.add(img1_bg,img2_fg) # 图像相加， 饱和操作（即使相加大雨255，数值只会等于255）
cv2.imshow('img2_fg',img2_fg)
cv2.imshow('dst',dst)
# 重新给区域赋值
img1[0:rows,0:cols] = dst
cv2.imshow('res',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 解释参考博客：https://blog.csdn.net/weixin_35732969/article/details/83748054
3. 程序性能检测及优化
检测程序的效率
一些能能够提高程序效率的技巧
你要学到的函数有： cv2.getTickCount, cv2.getTickFrequency等
除了opencv，python 提供了time模块，你可以用来测量程序的运行时间
例一个叫做profile的模块会帮你得到一份关于你的程序的详细报告，其中包含了代码中每个函数所需要的时间，以及每个函数被调用的次数
1. 使用OpenCV检测程序效率
cv2.getTickCount 函数返回从参考点到这个函数被执行的时钟数。随意你在执行一个函数的前后都调用它的话，你就会得到函数的执行时间（时钟数）
cv2.getTickFrequency返回时钟频率，或者说每秒钟的时钟数
例： 获取函数运行时间
e1 = cv2.getTickCount()
# your code execution
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency
import time
img1 = cv2.imread('timg.jpg')
t1 = time.time()
e1 = cv2.getTickCount()
for i in range(5,49,2):
img1 = cv2.medianBlur(img1,i)
cv2.imshow('img1_i'+str(i),img1)
e2 = cv2.getTickCount()
t2 = time.time() # 精确度更高
print(t2-t1) # 8.808879852294922
t = (e2 - e1) / cv2.getTickFrequency()
print(t) #8.808619609
cv2.waitKey(0)
cv2.destroyAllWindows()
2. OpenCV中的默认优化
可以通过 cv2.useOptimized()来查看优化是否被开启了，使用函数cv2.setUseOptimized()来开启优化。
# print(cv2.useOptimized())
# cv2.setUseOptimized(False)
# print(cv2.useOptimized())
优化是默认开启的。
3. 在Ipython中检测程序效率
可以使用Ipython中的 %time命令
x=5
%timeit y=x**2
# 285 ns ± 2.87 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit y =x*x
# 48.3 ns ± 0.112 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
l = np.uint8(9)
%timeit s=l*l
# 94.6 ns ± 2.01 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
%timeit s =np.square(l)
# 1.28 µs ± 14 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
注意：Python 的标量计算比 Nump 的标量计算要快。对于仅包含一两个元素的操作 Python 标量比 Numpy 的数组要快。
但是当数组稍微大一点时Numpy 就会胜出了。
4. 更多的Ipython 的魔法命令
用来检测程序的效率： profiling , line profiling, 内存使用等
5. 效率优化技术
首先用简单的方式实现你的算法（结果最重要）
1. 尽量避免使用循环，尤其是双层三层循环，
2. 算法中尽量使用向量操作，因为Numpy 和 Opencv都对向量操作进行了优化
3. 利用高速缓存的一致性
4. 没有必要的话不要复制数组.以视图来代替复制，数组复制非常浪费资源
学习原博客地址：http://www.cnblogs.com/Undo-self-blog/p/8424220.html
