这些相当于我的学习笔记，所以并没有很强的结构性和很全的介绍，请见谅。
1. 读取/写入图像
下面是一个简短的载入图像、打印尺寸、转换格式及保存图像为.png的例子：
# -*- coding: utf-8 -*-
import cv2
import numpy as np
# 读入图像
im = cv2.imread('../data/empire.jpg') # 打印图像尺寸
h, w = im.shape[:2]
print h, w # 保存原jpg格式的图像为png格式图像
cv2.imwrite('../images/ch10/ch10_P210_Reading-and-Writing-Images.png',im)
# 注：imread默认读取的是RGB格式，所以即使原图像是灰度图，读出来仍然是三个通道，所以，在imread之后可以添加参数
# 注：这里是相对路径: \与/是没有区别的，‘’ 和 “” 是没有区别的。 ../表示返回到上一级目录下，./表示与该源码文件同一级目录下。
"\"这种斜杠使用需要用转义字符，即"\\"表示单“\”。而“/” 不需要转义字符，即单个斜杠就可以了。所以在使用时，形式如下：
im = cv2.imread('../data/empire.jpg')
im = cv2.imread('..\\data\\empire.jpg')
# 注：函数imread()将图像返回为一个标准的NumPy数组。
1.1 相关注释
cv2.imread
Python: cv2.imread(filename[, flags])
| Parameters: |
|
|---|
cv2.imwrite
Python: cv2.imwrite(filename, img[, params])
| Parameters: |
|
|---|
2.图像RGB/HSV 通道分离
# Convert BGR to r,g,b
b,g,r = cv2.split(im) # Convert BGR to HSV
image_hue_saturation_value = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
h,s,v=cv2.split(image_hue_saturation_value) # Convert BGR to gray
image_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 注：RGB channels is indexed in B G R which is different from matlab。
# 注：Any channels could be split using cv2.split， pay attention to the sequence of channels
2.1 相关注释
Python: cv2.split(m[, mv]) → mv
| Parameters: |
|
|---|
Python: cv2.cvtColor(src, code[, dst[, dstCn]]) → dst
| Parameters: |
|
|---|
3.图像矩阵的操作（点乘，复制，截取，1到N维矩阵）
# mask seed 3D matrix
seed_mask_single_channel_list = np.array([[[1,0,0],[0,0,0],[0,0,0]],[[0,1,0],[0,0,0],[0,0,0]],[[0,0,1],[0,0,0],[0,0,0]],
[[0,0,0],[1,0,0],[0,0,0]],[[0,0,0],[0,1,0],[0,0,0]],[[0,0,0],[0,0,1],[0,0,0]],
[[0,0,0],[0,0,0],[1,0,0]],[[0,0,0],[0,0,0],[0,1,0]],[[0,0,0],[0,0,0],[0,0,1]]])
# cut image
image_new_sample = image_source[:200,:200] #取前200个行和列的元素，python是从0开始的，所以0:200表示的是0-199这200个元素，取不到200.而初始位置0可以省略 #separate channel
mask_singel_channel = np.tile(seed_mask_single_channel_list[1],(70,70))[:200,:200] #第一个3*3的mask作为一个单元进行复制成为70行,70列，截取前200行,200列
single_channel_image = mask_singel_channel * image_new_sample #表示点乘
# 注：矩阵的操作用Numpy这个类库进行。
3.1 相关注释
numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
| Parameters: |
object : array_like
dtype : data-type, optional
copy : bool, optional
order : {‘C’, ‘F’, ‘A’}, optional
subok : bool, optional
ndmin : int, optional
|
|---|---|
| Returns: |
out : ndarray
|
e.g. 最外层始终都是[],所以如果是1维就一个[],2维就2个，N维就N个
>>> np.array([1, 2, 3])
array([1, 2, 3])
>>> np.array([[1, 2], [3, 4]])
array([[1, 2],
[3, 4]])
>>> np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])
numpy.tile(A, reps)
| Parameters: |
A : array_like
reps : array_like
|
|---|---|
| Returns: |
c : ndarray
|
e.g.
>>> b = np.array([[1, 2], [3, 4]])
>>> np.tile(b, 2)
array([[1, 2, 1, 2],
[3, 4, 3, 4]])
>>> np.tile(b, (2, 1))
array([[1, 2],
[3, 4],
[1, 2],
[3, 4]])