计算机眼中的图像（机器视觉）

图像增强有很多方式，在最后的智能分拣项目中主要用的就是亮度的调节。 除了亮度的调节外，还做了镜像翻转的实验

一、像素

1.1 像素的概念

像素是图像的基本单元，每一个像素存储着图像的颜色、亮度和其他特征，一张图片是由很多像素组成的。 像素是组成图像的最小单元，通常以矩阵形式组织。每个像素可以理解为一个色彩点，具有不同的颜色和亮度值。

1.2 分辨率

像素数量决定图像的分辨率。图像的分辨率越高，像素越多，图像越清晰。 举例：1080p (1920 x 1080) 意味着有1920个水平像素和1080个垂直像素，总共2,073,600个像素 右边是669x669像素点，左边100x100像素点 image.png

1.3 灰度图像

灰度图像仅包含亮度信息，像素值范围为0到255（8-bit），其中0代表黑色，255代表白色。

灰度图像 image.png

二、RGB颜色

日常生活中常见的图像都是RGB三色图，R代表红色、G代表绿色、B代表蓝色。RGB图是由很多像素点构成的，每一个像素点都是由R、G、B三个颜色混合构成的，几乎所有的颜色都可以通过这三种颜色合成。 除了RGB颜色模型之外还有很多其他的颜色模型 [[01-颜色模型]]

而在计算机中，RGB三种颜色被称为RGB三通道，且每个通道的取值 image.png

[!CAUTION] 三通道的拓展 在计算机内部，三通道的图像不是三张独立的图片，而是通过逐像素存储颜色分量的方式来保存整个图像。 每张图片都是由多个像素组成的，而每一个像素存储三个值，分别代表红绿蓝三个颜色的强度。例如一个像素的颜色值可能是（255，153，153）这个颜色会呈现一种粉色。如果一张图片是100x100那么就会有10000个像素。

通常计算机会逐行存储每一个像素的RGB值。 假设图像宽度W像素，高度H像素，那么在内存中存储的时候，图像的大小为W*H*3字节（每一个通道占用1字节，8位图像情况下） 每一个像素颜色数据按照顺序依次存储：R1,G1,B1,R2,G2,B2,...Rn,Gn,Bn 常见的格式：通常RGB图像可以以不同的格式存储，如BMP、PNG、JPEG等，不同格式的压缩方式和元数据结构可能不同，但是底层依旧基于RGB通道的存储方式。 除了上面提到的逐像素存储之外，还有分通道存储，分通道存储就是将图像中所有红色通道存储在一个数组中，所有绿色通道存储在一个数据中，所有蓝色通道存储在一个数组中，这种方式较少使用，因为它增加图像处理的复杂度。

三、计算机中图像的存储方式

在计算机中，图像都是以数组的形式存在的。一个RGB图像放到内存中就是一个三维数组，其中第一维表示图像的宽度，第二维表示图像的高度，第三维则是图像中每一个像素点的RGB三个像素点，但是在OpenCV中，像素值的存储顺序是BGR，而不是RGB。

计算机处理图像本质上就是三维数组中的像素值进行操作。 、

假设我们有一张 2x2 的彩色图片，它的像素值如下（表示为 BGR）：

位置蓝色（B)绿色（G)红色（R)
(0,0)0128255
(0,1)50100150
(1,0)25500
(1,1)200150100
[
	# 一维代表图像的高度（2行）
	[
		# 二维代表图像的宽度（2列）
		[0,128,255],    # 三维是每个像素的三个通道，存储着BGR值（蓝色、绿色、红色）
		[50,100,150]
	],
	[
		[255,0,0],
		[200,150,100]
	]
]

四、实验代码

import numpy as np  
import cv2  
import matplotlib.pyplot as plt  
  
  
# 创建一个空白的700 * 700 彩色图像  
image = np.zeros((700,700,3),dtype = np.uint8)  
  
  
# 显示 image 图像  
# cv2.imshow("image",image)  
# cv2.waitKey(0)  
  
# 使用plt 显示 image 图像  
plt.imshow(image)  
plt.title("image")  # 显示标签  
plt.axis("off")  
plt.show()

import numpy as np  
import cv2  
import matplotlib.pyplot as plt  
  
  
# 创建一个空白的700 * 700 彩色图像  
image = np.zeros((700,700,3),dtype = np.uint8)  
  
  
# 对图像进行处理，添加上白色分割线  
block_size = 100  
for i in range(0,700,block_size):  
    for j in range(0,700,block_size):  
        image[i, :, :] = (255,255,255)  
        image[:, j, :] = (255,255,255)  
  
# 给图像的 3*3 的位置一个颜色  
rand_color = (125,250,255)  
  
# 要填充的位置的顶点坐标  
top_left = (200, 200)  
bottom_right = (300, 300)  
  
cv2.rectangle(image, top_left, bottom_right, rand_color,-1)  
  
# 将BGR通道顺序转换为RGB顺序，用于matplotlib显示  
image_rgb = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)  
  
# 显示 image 图像  
# cv2.imshow("image",image)  
# cv2.waitKey(0)  
  
# 使用plt 显示 image 图像  
plt.imshow(image_rgb)  
plt.title("image")  # 显示标签  
plt.axis("off")  
plt.show()  
  
  
'''  
    测试一下cv2.split 是如何拆分三通道的  
'''  
# test_image = np.zeros((2,2,3),dtype=np.uint8)  
#  
# m = 1  
# for x in range(0,2):  
#     for y in range(0,2):  
#         for z in range(0,3):  
#             test_image[x, y, z] = m  
#             m+=1  
#  
# print(test_image)  
  
  
# 对上面的图像拆分三通道  
# b, g, r = cv2.split(test_image)  
#  
# print("b = ",b)  
# print("g = ",g)  
# print("r = ",r)  
  
  
b,g,r = cv2.split(image)  
  
# 创建空白通道，用于每个通道  
blue_channel = np.zeros((700,700,3),dtype=np.uint8)  
green_channel = np.zeros((700,700,3),dtype=np.uint8)  
red_channel = np.zeros((700,700,3),dtype=np.uint8)  
  
# 分配颜色通道数据  
blue_channel[:, :, 0] = b  
green_channel[:, :, 1] = g  
red_channel[:, :, 2] = r  
  
  
# 将BGR通道顺序转换为RGB顺序，用于matplotlib显示  
blue_rgb = cv2.cvtColor(blue_channel,cv2.COLOR_BGR2RGB)  
green_rgb = cv2.cvtColor(green_channel,cv2.COLOR_BGR2RGB)  
red_rgb = cv2.cvtColor(red_channel,cv2.COLOR_BGR2RGB)  
  
# 按照1行3列的布局，这是第1行  
plt.subplot(131)  
plt.imshow(blue_rgb)  
plt.title("blue Channel")  
plt.axis("off")  
  
  
plt.subplot(132)  
plt.imshow(green_rgb)  
plt.title("green Channel")  
plt.axis("off")  
  
plt.subplot(133)  
plt.imshow(red_rgb)  
plt.title("red Channel")  
plt.axis("off")  
  
# 自动调整子图之间的关系，使得更加紧凑  
plt.tight_layout()  
plt.show()

image.png

image.png