第一章 数字图像本质及基础操作

前言

本章主要讲述数字图像的本质及一些基础操作和一些基础知识。

一、数字图像的本质

数字图像的本质总而言之 言而总之就是由数字构成，其中数字的含义是亮度

对于一个简单的灰度图来说图像就是由一个矩阵所构成，每个矩阵中的元素都表示由黑到白的一个量化，每个元素常用8位二进制表示，十进制范围为0~255
灰度图：

放大：由灰度点所组成
量化矩阵：注意数字图像的原点位于左上角，其中正x轴向下延伸，正y轴向右延伸

对于一个RGB的彩色图来讲，图像由三个矩阵“叠加”而成，或者称之为由三维矩阵构成，其中每个像素由红绿蓝三种光混合而成，因此RGB称为数字图像的三原色。

不同于小时候学的绘画的三原色—红黄蓝，因为他们表现颜色的方式不太一样，图画的三原色是一种减色原理，数字图像的显色原理是一种加色原理，具体可百度。

二、图像基础理论

1.色彩空间

1.1 RGB模型

根据光学的三原色而来，图像中的一个像素点由一个数组 [R,G,B] 构成，一般该数组的类型为一个字节的无符号整型

**而在OpenCV中，采用的是反人类的 [B, G, R]

1.2 HSV模型

HSV模型的像素点也是通过一个三维向量进行表示：

• Hue：色相，将所有颜色通过一个数值进行表示
• Saturation：饱和度，颜色与白色的混合程度
• Value：明度， 颜色的明亮程度

RGB模型可转到HSV模型，具体可参考网上，有具体的公式。

1.3 HSL模型

整个形式和HSV类似

• Hue:色相， 与HSV类似
• Saturation：饱和度，颜色的稀释程度
• Lightness/Brightness:被灯光照的的亮度

比较：

1.4 YUV模型

• 作用：可以对色彩空间进行压缩，说人话就是缩减了用来表示像素颜色的数据量，这就使得该模型在图像、视频压缩上应用广泛。
• 思想：由于人眼对颜色的感知能力较弱，反而对光影关系（黑白图）更为敏感。所以，在YUV模型中，精确保留了图片的黑白关系，而对颜色信息进行了部分删除。
• 通道：
  • Y：该通道存储的是黑白关系，即灰度图
  • UV：这两个通道存储了颜色信息。在对图片颜色时，首先就会对这两个通道的颜色数据进行丢弃。
• 色彩空间压缩：设有4个像素，每个像素都要3个通道值表示颜色，一个通道为一个字节，那么所有数据一共就有4 × 3 ×1 B = 12 B。现在通过YUV模型对图片进行压缩，丢掉一半的颜色信息，Y通道全部保留4 × 1B = 4B， UV通道丢弃一半就是4 × 2 × 1 B / 2 = 4B，最后数据大小就为4B + 4B = 8B。
• 采样方式： 对于Y全部保留， 对UV进行不同程度的取舍
• RGB与YUV转换：
  [ Y U V ] = [ 0.299 0.587 0.114 − 0.187 − 0.3313 0.5 0.5 − 0.4187 − 0.0813 ] [ R G B ] + [ 0 128 128 ] \begin{bmatrix} Y\\ U\\ V\end{bmatrix} =\begin{bmatrix} 0.299 & 0.587 & 0.114\\ -0.187 & -0.3313 & 0.5\\ 0.5 & -0.4187 & -0.0813\end{bmatrix}\begin{bmatrix} R\\ G\\ B\end{bmatrix} + \begin{bmatrix} 0\\ 128\\ 128\end{bmatrix} ​YUV​ ​= ​0.299−0.1870.5​0.587−0.3313−0.4187​0.1140.5−0.0813​ ​ ​RGB​ ​+ ​0128128​ ​

1.5 灰度图

灰度图是指一幅图像中每个像素点的亮度只有一个值，而没有颜色信息的图像。通常将灰度值从0~255之间的整数表示，灰度值越大，表示像素越亮，反之则越暗。灰度图常用于图像处理、计算机视觉、医学图像、机器人控制等领域。

1.6 OpenCV中色彩空间转换

import cv2

# 读入一张RGB图像
img = cv2.imread('image.jpg')

# 将RGB图像转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 将灰度图像转换为RGB图像
rgb_img = cv2.cvtColor(gray_img, cv2.COLOR_GRAY2BGR)

其中，第一个参数是要转换的图像，第二个参数是转换类型。可以使用cv2.COLOR_前缀下的常量来表示不同的色彩空间。例如，BGR转换为灰度图使用cv2.COLOR_BGR2GRAY，灰度图转换为RGB图像使用cv2.COLOR_GRAY2BGR。

除了常用的色彩空间转换之外，还可以使用cv2.cvtColor()函数将HSV、YUV等颜色空间相互转换。

2.图片的存储

• Python实现：读取的图片类型为**<class ‘numpy.ndarray’>**, 即图片其实是一个数据
  • uint8： 一字节的无符号整数
  • 数据维度： 三维，【高度像素下标，宽度像素下标，RGB值】
• C++底层实现： Python的OpenCV其实就是对C++的版本进行了再次封装实现。在C++中采用数据结构Mat来对图片进行存储。

class CV EXPORTS Mat{
 public:
     int dims;//维数
     int roWs,cols;//行列数
     unsigned char * data;//存储数据的指针
     int* refcount;//引用计数
    ........
}

从Mat中可以看出，图片数据其实存放在unsigned char *指针指向的一片内存中，也就是说图片数据与Mat类型是分开存放的，这就存在深浅拷贝问题。而Numpy也很好的将该结构继承了下来。

• Numpy深浅拷贝：
  NumPy的深浅拷贝和Python的深浅拷贝类似，同样也会涉及到数据的内存管理问题。

首先，NumPy的浅拷贝操作可以使用数组的view()方法。view()方法创建一个新的数组对象，与原始数组共享相同的数据缓冲区，但视图对象本身是新的。改变视图对象的形状或维度会更改原始数组的形状或维度。下面是一个使用view()方法的例子：

import numpy as np

# 创建原始的NumPy数组
a = np.array([[1, 2, 3], [4, 5, 6]])

# 使用view()方法创建视图数组
b = a.view()

# 改变视图数组的形状
b.shape = (3,2)

# 查看原始数组和视图数组
print(a)    # 输出 [[1, 2], [3, 4], [5, 6]]
print(b)    # 输出 [[1, 2], [3, 4], [5, 6]]

在上述例子中，通过view()方法创建了视图数组b，原始数组a和视图数组b共享数据缓冲区，因此b的形状的更改也会影响到a的形状。

其次，NumPy的深拷贝操作需要使用copy()方法。与Python的深拷贝类似，copy()方法将复制原始数组及其数据缓冲区，并创建一个新的数组对象，这个新的数组对象是完全独立于原始数组的。下面是一个使用copy()方法的例子：

import numpy as np

# 创建原始的NumPy数组
a = np.array([[1, 2, 3], [4, 5, 6]])

# 使用copy()方法创建深拷贝数组
b = a.copy()

# 改变深拷贝数组的值
b[0,0] = 7

# 查看原始数组和深拷贝数组
print(a)    # 输出 [[1, 2, 3], [4, 5, 6]]
print(b)    # 输出 [[7, 2, 3], [4, 5, 6]]

在上述例子中，使用copy()方法创建了深拷贝数组b，并将b的第一个元素修改为7，而原始数组a并没有受到影响。

需要注意的是，在使用NumPy进行数组操作时，浅拷贝和深拷贝的使用方法与传统的Python列表有所不同。建议在具体使用时，根据需求选择合适的拷贝方式。

3.图像参数

• 像素： 图片中的一个颜色块
• 颜色通道： 表示一个像素（颜色）的向量的分量，一个分量就是一个颜色通道，例如RGB模型，像素的组成就为 【R, G, B】 , 这就有三个颜色通道
• 位深： 一个颜色通道值由几位二进制数表示
• 像素块坐标： 图片的左上角为坐标原点，一个坐标对应一个像素
• 分辨率： 图像像素的宽度 ×图像像素的高度

三、图像的基础操作及OpenCV画图

1. OpenCV 窗口界面

OpenCV中有关界面的一些函数：

# 导入 OpenCV
import cv2

# 创建窗口，
cv2.namedWindow('window',cv2.WINDOW_NORMAL)

cv2.namedWindow(winname, flags)
其中：

• winname 参数是要创建的窗口的名称，类型为字符串；
• flags 参数是窗口的属性标志，类型为整数。默认值为cv2.WINDOW_AUTOSIZE，表示窗口大小自动调整为显示的图像大小。也可以设置为 cv2.WINDOW_NORMAL，表示可以重新调整窗口大小。

# 更改窗口：window_autosize，设置大小无用
cv2.resizeWindow('window',width=800,height=600)

# 展示窗口、图片等
cv2.imshow('window',0)

# 等待按键
# 1. 将窗口堵塞。等带按键、并会返回按键的ASCII码
# 2. 可以设置等待的时间，单位 ms
# 3. 等待时间为 0 ，则为一直等待 
key = cv2.waitKey(0)

# ord()：获取字符的ASCII码
# key & 0xFF：将 int 类型的低字节给提去出来，因为ASCII码为一字节
if key & 0xFF == ord('q'):
    # 销毁窗口
    cv2.destroyAllWindows()

2. 图像基本操作

2.1 图像的输入与输出

# 读取图片
cv2.imread(图片路径,flags)

# 显示图片
cv2.imshow('名字',image)

# 图片保存
cv2.imwrite(保存路径)

# 图片显示函数
def showImage(name:str,image):
    """ 显示图片的函数 """
    cv2.imshow(name,image)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()

对于 cv2.imread(图片路径,flags)：

• filename：要读取的文件名，可以是相对路径或绝对路径。
• flag：指定读取图像的方式，包括cv2.IMREAD_COLOR（默认）、cv2.IMREAD_GRAYSCALE、cv2.IMREAD_UNCHANGED等。

2.2 图像数组操作

Note：
由OpenCV读取的图片，其通道顺序为：B G R 而非：R G B
根据图片的数组本质，就能通过numpy自定义纯色图片：blackImg = np.zeros(shape=(height, width, 3), dtype=np.uint8)

# 裁剪图片：将原图片的高度 100 - 200 的像素；宽度 50 - 100 的像素。提取出来
img[ 100:200,50:100,: ]

# RGB 通道的拆分：结果为：高度像素 x 宽度像素 的二维数组
方法1：
b,g,r = cv2.split(img)
方法2：
b = img[:,:,0]
g = img[:,:,1]
r = img[:,:,2]

# 合并多个被拆分出来的通道：将三个二维数组，组合成三维的数组
img = cv2.merge((b,g,r)) 

# 单通道图片
b = img[:,:,0]
g = img[:,:,1] * 0
r = img[:,:,2] * 0
imgB = cv2.merge((b,g,r))
 
# 纯色图片
blackImage = np.zeros(shape=(380,640,3),dtype=np.uint8)
whiteImage = np.full(shape(10,10,4),fill_value=255,dtype=np.uint8)

2.3 修改像素尺寸

作用： 图像数据本质就是一个三维矩阵，在对多个图像进行数学运算时，就需要同步矩阵维度。

cv2.resize是OpenCV的一个函数，用于改变输入图像的大小。它的语法格式为：

dst = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

其中，参数含义如下：

• src：输入图像。

• dsize：目标图像的大小，可以是一个二元组 (width, height)，或者一个整数 d 表示目标图像的宽高相等。

• dst：输出图像，这个参数可以不传递。

• fx、fy：可选的缩放因子，用于在水平和垂直方向上分别对图像进行缩放。当不指定 dsize 时，就需要指定 fx、fy 中的一个,把dsize设置为（0,0）再使用这个

• interpolation：所采用的插值方法，包括以下几种：

  • cv2.INTER_NEAREST

    最近邻插值法，输出像素的值由最近邻的输入像素确定。

  • cv2.INTER_LINEAR

    双线性插值法，输出像素的值由最近的四个输入像素按照距离加权平均所得。

  • cv2.INTER_AREA

    区域插值法，输出像素的值基于像素区域像素的平均值进行计算。这种方法通常用于缩小图像时。

  • cv2.INTER_CUBIC

    双三次插值法，输出像素的值基于最近的16个输入像素按照距离加权平均所得。

  • cv2.INTER_LANCZOS4

    Lanczos插值法，输出像素的值由Lanczos窗口内像素的加权平均值计算所得。

cv2.resize函数返回一个大小为 dsize 的输出图像 dst，如果不指定 dst，则函数会自动创建一张与 src 大小相同的输出图像。需要注意的是，调整图像大小会改变像素值，因此在对图像进行一些后续处理时，需要特别小心。

3. 视频的基本操作

3.1 视频的本质

视频本质上就是由一个图片的数组加音频组合而成的文件。视频播放时，就是按照一定时间间隔依次读取图片数组中的图片并显示。这个时间间隔为帧数，即一秒钟能显示多少张图片。

3.2 视频的输入与输出

3.2.1 视频文件读取

import cv2

# 读取视频
video = cv2.VideoCapture('视频路径'/相机设备编号)
'''
使用cv2.VideoCapture时，需要指定捕获设备的索引号
（例如相机设备的编号为0），或者指定视频文件路径和名称。
然后通过循环一帧一帧地读取视频或图像，并加以处理或显示。
'''

# 视频读取
while video.isOpened():
    # 读取一帧
    flag,frame = video.read()
    # 显示
    if flag == True:
        cv2.imshow('video',frame)
    # 控制播放速度：以 60 帧的速度进行图片显示
    if cv2.waitKey(1000 // 60) == ord('q'):
        break 
        
# 释放
video.release()
cv2.destroyAllWindows()

3.2.2 视频保存

import cv2

# 调用摄像头，抓取图片。设备连接的摄像头从 0 开始编号
video = cv2.VideoCapture(0)

# 视频保存格式
videoForm = cv2.VideoWriter_fourcc(*'mp4v')

# 保存视频的类，输入参数为：
# 保存路径，保存格式，保存的视频帧数，（宽度像素，高度像素） 
videoSave = cv2.VideoWriter('./asset/capture.mp4',videoForm,24,(640, 480))

# 视频读取
while video.isOpened():
    # 读取一帧
    flag,frame = video.read()
    # 是否读取成功
    if flag == True:
        # 显示
        cv2.imshow('video',frame)
        # 保存
        videoSave.write(frame)
    # 控制播放速度：以 60 帧的速度进行图片显示
    if cv2.waitKey(1000 // 24) == ord('q'):
        break 
# 释放
videoSave.release()
video.release()
cv2.destroyAllWindows()

Notes：视频保存的帧率本质上还是由你的摄像头硬件决定，帧率越高录制的视频越细腻，越丝滑，你用VideoWriter设置的视频帧率若与摄像头拍摄帧率不符的话，只会加快或减慢视频的播放，不能改变视频的丝滑程度。

获取摄像头的像素：

import cv2
#读取视频
video = cv2.VideoCapture(0)

#读取一帧
flag, frame = video.read()

#查看像素
print(frame)

这里的print(frame)输出的像素值为（高度， 宽度， 颜色通道）， 而cv2.VideoWriter设定的像素值应当为(宽度， 高度)

4. OpenCV画图

4.1 几何图形

4.1.2 直线、圆形、矩形

# %% 画直线、圆形、矩形
import cv2
import numpy as np

# 创建窗口
cv2.namedWindow("draw_shape", cv2.WINDOW_NORMAL)
cv2.resizeWindow("draw_shape", width=640, height=360)

# 必须先有一张背景图，用来当画布
canvas = np.zeros(shape=(360, 640, 3), dtype=np.uint8)
canvas[:, :] = [230, 230, 250]  # 背景颜色

# 矩形
# rectangle(canvas:img, pt1:tuple, pt2:tuple, color[, thickness[, lineType[, shift]]]) -> img
imgRect = cv2.rectangle(canvas, (20, 40), (100, 100), (255, 0, 0), 3)

# 圆形
# circle(canvas:img, center:tuple:, radius, color[, thickness[, lineType[, shift]]]) -> img
imgCircle = cv2.circle(canvas, (200, 60), 50, (0, 0, 255), 3, 16)

# 直线
# img = cv2.line()
# line(canvas:img, pt1:tuple, pt2:tuple, color[, thickness[, lineType[, shift]]]) -> img
imgLine2 = cv2.line(canvas, (20, 150), (200, 170), (255, 0, 0), 20, 2)
imgLine8 = cv2.line(canvas, (20, 200), (200, 220), (255, 0, 0), 20, 8)
imgLine16 = cv2.line(canvas, (20, 250), (200, 270), (255, 0, 0), 20, 16)
cv2.imshow("draw_shape", canvas)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

• 画布：每个Canvas表示一个对象，可对同一个对象绘制不同的图形。
• 传参数注意：
  • LineType：该值控制的是抗锯齿效果，值越大，线条越光滑。取值通常是$2^n$
  • pt:所有点的坐标表示为（横向坐标，纵向坐标）
  • color：通道为（B, G, R）

4.1.3 椭圆

# 椭圆
# axes：长轴、短轴
# angle：椭圆倾斜角度，顺时针
# ArcStartAngle, ArcEndAngle：起始弧长和终止弧长，顺时针
ellipse(img, center:tuple, axes:tuple, angle,
        ArcStartAngle, ArcEndAngle, 
        color[, thickness[, lineType[, shift]]]) -> img

4.1.4 多边形

# 多边形
# polylines(img, [pts:numpy.ndarray], isClosed, 
#                color[, thickness[, lineType[, shift]]]) -> img
canvas = np.zeros(shape=(360, 640, 3), dtype=np.uint8)
canvas[:, :] = [230, 230, 250]  # 背景颜色
pts1 = np.array([(20, 60), (70, 20), (300, 150), (50, 300)])
cv2.polylines(canvas, [pts1], True, (255, 0, 0))
# 填充的多边形
fillPoly(img, [pts], color[, lineType[, shift[, offset]]]) -> img

4.2 文本

4.2.1 英文

# fontfamily：cv2.FONT_ 进行查看
cv2.putText(img, text, org, fontFace, fontScale, color[, thickness=None, lineType=None, bottomLeftOrigin=None])

示例:

import cv2
import numpy as np

# 多边形
# polylines(img, [pts:numpy.ndarray], isClosed,
#                color[, thickness[, lineType[, shift]]]) -> img
canvas = np.zeros(shape=(300, 300, 3), dtype=np.uint8)
canvas[:, :] = [230, 230, 250]  # 背景颜色
cv2.putText(
    canvas,
    "Hello World",
    (60, 150),
    fontFace=cv2.FONT_HERSHEY_SIMPLEX,
    fontScale=1,
    color=(0, 255, 0),
    thickness=2,
)
cv2.imshow("ss", canvas)
cv2.waitKey(0)

4.2.2 中文

import cv2
from PIL import ImageFont, ImageDraw, Image
import numpy as np

# 加载图像
canvas = np.zeros(shape=(150, 300, 3), dtype=np.uint8)
canvas[:, :] = [250, 230, 230]

# 定义中文字体
font_path = "C:\Windows\Fonts\simhei.ttf"  # 字体文件路径
font = ImageFont.truetype(font_path, 24)

# 定义文件路径
text = "你好世界！"

# 在图像中定义中文字体
img_PIL = Image.fromarray(cv2.cvtColor(canvas, cv2.COLOR_BGR2RGB))
draw = ImageDraw.Draw(img_PIL)
draw.text((50, 50), text, font=font, fill=(0, 255, 0))  # 填充绿色
img = cv2.cvtColor(np.asarray(img_PIL), cv2.COLOR_RGB2BGR)

# 显示图像
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

本章主要记载了图像的一些理论知识以及图像的基本操作和OpenCV的一些简单使用，能够加深自己对图像的理解，同时也为后面的学习打下基础，当然了里面还有很多东西我没有细讲 比如一些插值算法，后面如果涉及的话再说。文章来源地址https://www.toymoban.com/news/detail-436436.html

到了这里，关于第一章 数字图像本质及基础操作的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！