Continue 玩转像素点，Python 图像处理学习的第 3 天

今天是持续写作的第 36 / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。

今天要学习的内容还是围绕图像、像素展开，直觉这部分对后面的学习会有帮助，来自老程序员的经验。

从数组对比彩色图像与灰度图像

通过 cv2 库读取一个图片之后，可以展示图像的 shape 属性，该属性与 numpy shape，它表示的数组的维度。这是一个整数的元组，元组中的每一个元素对应着每一维度的大小（size）。
若元组只有一个元素，则说明这个数组是一维数组：如元组(2,) 表示一维数组，只含有 2 个元素；同理，可知(1,3)表示的是一个 2 维数组，因为含有 2 个元素 :1,3。

import numpy as np
import cv2
# 读取图片
color_img = cv2.imread("test.jpg")
print(color_img.shape)

输出的内容是 (516, 787, 3)，核对一下图片的宽度和高度，恰好与刚才的数值对应。

上述输出的元组最后的 3 表示这张图片是一个 RGB 图像。

相应的修改一下读取图片的参数，读取进来一个灰度图，再输出 shape 属性，得到的就没有最后的 3 了。

import numpy as np
import cv2

# 读取灰度图片
gray_img = cv2.imread("test.jpg", cv2.IMREAD_GRAYSCALE)
# 输出的结果中并没有 3
print(gray_img.shape)

输出的结果如下。

(516, 787)

如果直接输出元组里面的内容，得到的数据如下：

[[70 70 70 ... 70 70 70]
 [69 70 69 ... 70 70 70]
 [70 70 70 ... 70 70 70]
 ...
 [26 26 25 ... 27 27 27]
 [26 26 25 ... 27 27 27]
 [27 26 26 ... 26 26 26]]

如果读取正常的彩色图片，得到的数组为：

# 正常读取图片
img = cv2.imread("test.jpg")
print(img.shape)
print(img)

[[[43 67 87]
  [43 67 87]
  [43 67 87]
  ...
  [43 67 87]
  [43 67 87]
  [43 67 87]]

 [[42 66 86]
  [43 67 87]
  [42 66 86]
  ...

可以看到上述两个内容最大的区别是，彩色图片输出的是三维数组，灰度图片输出的是二维数组，如果不太清楚，可以反复多尝试几次，如果橡皮擦把概念说错了，咱就先按能理解的理解，后面慢慢进行更正，非专业人士，请谅解。

操作图片的像素点

既然图片都能当成一个矩阵来进行操作了，那对于每个位置的元素都可以进行获取与修改，例如获取 100,100 位置的像素颜色。

import numpy as np
import cv2

img = cv2.imread("test.jpg")
pixel = img[100, 100]
print(pixel)

输出结果是 [44 69 89] ,这个知识点经过检索发现说法一般叫做使用 OpenCV 获取每个像素点的 RGB 颜色分量，还有一个需要注意，得到的数组是按照 BGR 的顺序返回，这个要记忆一下。

设置像素点的 RGB 颜色分量。

import numpy as np
import cv2

img = cv2.imread("test.jpg")
pixel = img[100, 100]
print(pixel)
img[100, 100] = [200, 220, 1]  # 设置像素值

cv2.imshow("img show", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

打开图片，在 100,100 位置寻找设置的点，可以预先猜一下这个点的颜色是什么颜色。
[200,220,1] 对应的 BGR，200 的蓝色，220 的绿色，1 的红色，实际用屏幕取色工具找到那个点，发现颜色为 1, 220, 200，注意下图的小点。

通过取色器对应了一下，发现颜色对应的没有问题。

其实看到这里，我就在想如果在图片上随机画白点，岂不是能得到好看的图片？

椒盐现象图片

搜了一下，还真找到了，刚才提及的叫做椒盐图片，还挺有趣的，说干就干，看代码。
不过在实现之前，还要

import numpy as np
import cv2

img = cv2.imread("test.jpg")
# pixel = img[100, 100]
# print(pixel)
# img[100, 100] = [255, 255, 255]  # 设置像素值
# 输出的是（高度像素，宽度像素）
print(img.shape)

for k in range(1000):
    i = int(np.random.random() * img.shape[1])
    j = int(np.random.random() * img.shape[0])

    img[j, i] = [255, 255, 255]
    img[j, i] = [255, 255, 255]
    img[j, i] = [255, 255, 255]

cv2.imshow("img show", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行之后的效果还可以，有那么点意思了。

上述代码，在实验的时候，可以按照下面的代码设置内容。

img[j, i] = 255
img[j, i] = 255
img[j, i] = 255

通过该方法修改之后，得到的结果和直接设置三个值是一样的。

今天的 OpenCV 尾声

1 个小时好快，尤其是在学习新的东西的时候，今天的日程到这里啦，一起加油吧。本阶段可以执着于像素点上的操作，这个应该是未来解决图片问题的最佳突破点。

如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。