跟我学Python图像处理丨获取图像属性兴趣ROI区域及通道处理

　　本文分享自华为云社区《[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理 | 【生长吧！Python】-云社区-华为云》，作者： eastmount 。 一.获取图像属性
　　1.形状形状
　　通过shape关键字获取图像的形状，返回包含行数、列数、通道数的元祖。其中灰度图像返回行数和列数，彩色图像返回行数、列数和通道数。如下图所示：
　　# -*- 编码：UTF-8 -*-
　　导入简历2
　　导入数字
　　#读取图片
　　img = cv2.imread（＂test.jpg＂， cv2.IMREAD_UNCHANGED）
　　#获取图像形状
　　打印（图像形状）
　　#显示图像
　　cv2.imshow（＂Demo＂， img）
　　#等待显示
　　cv2.waitKey（0）
　　cv2.destroyAllWindows（）
　　输出结果如下图所示：（445L， 670L， 3L），该图共445行、670列像素，3个通道。
　　2.像素数目-大小
　　通过size关键字获取图像的像素数目，其中灰度图像返回行数 * 列数，彩色图像返回行数 * 列数 * 通道数。代码如下：
　　# -*- 编码：UTF-8 -*-
　　导入简历2
　　导入数字
　　#读取图片
　　img = cv2.imread（＂test.jpg＂， cv2.IMREAD_UNCHANGED）
　　#获取图像形状
　　打印（图像形状）
　　#获取像素数目
　　打印（图像大小）
　　输出结果：
　　（445公升， 670升， 3升）
　　894450
　　3.图像类型-dtype
　　通过dtype关键字获取图像的数据类型，通常返回uint8。代码如下：
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　#获取图像形状
　　print(img.shape)
　　#获取像素数目
　　print(img.size)
　　#获取图像类型
　　print(img.dtype)
　　输出结果：
　　(445L, 670L, 3L)
　　894450
　　uint8 二.获取感兴趣ROI区域
　　ROI（Region of Interest）表示感兴趣区域。它是指从被处理图像以方框、圆形、椭圆、不规则多边形等方式勾勒出需要处理的区域。可以通过各种算子（Operator）和函数求得感兴趣ROI区域，并进行图像的下一步处理，被广泛应用于热点地图、人脸识别、图像分割等领域。
　　通过像素矩阵可以直接获取ROI区域，如img[200:400, 200:400]。
　　代码如下：
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy as np
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　#定义200*100矩阵 3对应BGR
　　face = np.ones((200, 100, 3))
　　#显示原始图像
　　cv2.imshow(＂Demo＂, img)
　　#显示ROI区域
　　face = img[200:400, 200:300]
　　cv2.imshow(＂face＂, face)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　输出结果如下图所示：
　　下面将提取的ROI图像进行融合实验，代码如下：
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy as np
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　#定义300*100矩阵 3对应BGR
　　face = np.ones((200, 200, 3))
　　#显示原始图像
　　cv2.imshow(＂Demo＂, img)
　　#显示ROI区域
　　face = img[100:300, 150:350]
　　img[0:200,0:200] = face
　　cv2.imshow(＂face＂, img)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　将提取的头部融合至图像左上角部分，如下图所示：
　　如果想将两张图像进行融合，只需再读取一张图像即可，方法原理类似。 实现代码如下：
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy as np
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　test = cv2.imread(＂test3.jpg＂, cv2.IMREAD_UNCHANGED)
　　#定义300*100矩阵 3对应BGR
　　face = np.ones((200, 200, 3))
　　#显示原始图像
　　cv2.imshow(＂Demo＂, img)
　　#显示ROI区域
　　face = img[100:300, 150:350]
　　test[400:600,400:600] = face
　　cv2.imshow(＂Pic＂, test)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　输出结果如下图所示：
　　三.图像通道处理
　　1.通道拆分
　　OpenCV读取的彩色图像由B、G、R三原色组成，可以通过下面代码获取不同的通道。
　　b = img[:, :, 0]
　　g = img[:, :, 1]
　　r = img[:, :, 2]
　　也可以使用split()函数拆分通道，下面是拆分不同通道再显示的代码。
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy as np
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　#拆分通道
　　b, g, r = cv2.split(img)
　　#显示原始图像
　　cv2.imshow(＂B＂, b)
　　cv2.imshow(＂G＂, g)
　　cv2.imshow(＂R＂, r)
　　#等待显示
　　cv2.waitKey（0）
　　cv2.destroyAllWindows（）
　　输出结果如下图所示：
　　也可以获取不同的通道，核心代码如下所示： b = cv2.split（a）[0] g = cv2.split（a）[1] r = cv2.split（a）[2]
　　2.通道合并
　　图像通道合并主要调用merge（）函数实现，核心代码如下：
　　m = cv2.merge（[b， g， r]）
　　# -*- 编码：UTF-8 -*-
　　导入简历2
　　将 numpy 导入为 NP
　　#读取图片
　　img = cv2.imread（＂test.jpg＂， cv2.IMREAD_UNCHANGED）
　　#拆分通道
　　b， g， r = cv2.split（img）
　　#合并通道
　　m = cv2.merge（[b， g， r]）
　　cv2.imshow（＂Merge＂， m）
　　#等待显示
　　cv2.waitKey（0）
　　cv2.destroyAllWindows（）
　　输出结果如下：
　　注意，如果是合并[r，g，b]三通道，则显示如下所示，因OpenCV是按照BGR进行读取的。
　　b, g, r = cv2.split(img)
　　m = cv2.merge([r, g, b])
　　cv2.imshow(＂Merge＂, m)
　　同时，可以提取图像的不同颜色，提取B颜色通道，G、B通道设置为0，则显示蓝色。代码如下所示：
　　# -*- coding:utf-8 -*-
　　import cv2
　　import numpy as np
　　#读取图片
　　img = cv2.imread(＂test.jpg＂, cv2.IMREAD_UNCHANGED)
　　rows, cols, chn = img.shape
　　#拆分通道
　　b = cv2.split(img)[0]
　　g = np.zeros((rows,cols),dtype=img.dtype)
　　r = np.zeros((rows,cols),dtype=img.dtype)
　　#合并通道
　　m = cv2.merge([b, g, r])
　　cv2.imshow(＂Merge＂, m)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　蓝色通道输出结果如下所示：
　　绿色通道核心代码及输出结果如下所示：
　　rows, cols, chn = img.shape
　　b = np.zeros((rows,cols),dtype=img.dtype)
　　g = cv2.split(img)[1]
　　r = np.zeros((rows,cols),dtype=img.dtype)
　　m = cv2.merge([b, g, r])
　　红色通道修改方法与上面类似。
　　希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。
　　该系列在github所有源代码： https://github.com/eastmountyxz/ImageProcessing-Python
　　点击下方，第一时间了解华为云新鲜技术~
　　华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云