本文共 4040 字，大约阅读时间需要 13 分钟。

本篇文章细讲了一些numpy对于图像的一些基本的处理。以及一些numpy的基本操作。完整代码在结尾

---

1.numpy

numpy是什么

numpy是python的一个开源数据计算拓展库，提供了大量且高效的对矩阵和多维数据的算法，这些结构比python本身的数据要高效很多。同时针对数组也提供了大量的运算法。

numpy下载

如果电脑python环境已经正常的情况下，可以直接用在cmd(命令提示符)pip 命令下载python，如下：

pip install numpy -i https://pypi.douban.com/simple/

这是我已经安装好numpy的情况下。如果该命令有问题的话，大概cmd会提示，只需要给后面加上一个trust…就可以了。

测试是否下载成功，如下代码

import numpy as npay=np.zeros([4,4],np.uint8)print(ay)

结果如下：

这段代码其实就是构建了一个每个元素都是0的4*4的矩阵，并打印出来。 如果正常的话，表示已经安装成功了。

2.操作图像

利用numpy操作读取出的图像

这里将对numpy的操作直接隐身在代码之中，通过代码块的注释详解。完整代码在最后

读取图像的代码详解在上一篇博客

如上一篇文章所说，我们知晓，对于计算机来说，图像其实就是一个多维的矩阵，或者说得在泛化一些，一般的图像其实就是一个三维的矩阵。 为什么是三维呢？我们知道以前的黑白电视，它是没有其他颜色的，直到三原色可以引入到像素点上，这时候才有了彩电。而这所谓的3维的3，其实指的是三原色，我们再输出图像属性的时候，会有个高，宽，通道，可以发现一般的图像通道都是3，而我们可以通过对一张黑图的操作，将这一点展现的很清楚。这一点下面会细说到。 直接看代码： 我们首先创造一张黑图，对黑图进行操作

import cv2 as cvimport numpy as npdef creat_image():    #初始为黑图    #numpy.zeros()方法：一般两个参数，第一个参数是矩阵的维度，第二个参数是dtype也就是数据位数，或者说字节数，无符号八位表示数值的范围是0~255，很容易理解，2的8-1次方-1+2的8-1次方。返回值为一个设定维度和数据类型的全0矩阵    image=np.zeros([400,400,3],np.uint8)

运行如上方法时，我们获取了一张三个通道，高宽为400的’黑图’。说黑图，是字面意思，确实是纯黑色的图。。。如下：

对通道0进行操作

#修改为蓝图 #numpy.ones()方法:与先前的numpy.zeros是同样的参数，即矩阵维度和数据位数，这里我是直接省略了位数，因为默认的参数也可以使用。返回的是一个设定维数和数据位数的全1矩阵。    image[:,:,0]=np.ones([400,400])*255

• 这一步本质为矩阵的赋值兼乘法运算，这里的全1矩阵，每个元素为1，乘以255后，每个元素都是255，这时候就会imshow就会发现是一张全蓝图

如下：

这里就涉及到我上面要说的东西了，3，表示三原色，用我的理解来说，这里每个元素的数值应该代表的是该通道原色的亮度，为了验证这一点，我们可以来分析一下，如果该数值代表亮度的话，那意味着0即是黑色，如果我们将矩阵的每一个通道维全部化为0，那不就相当于是开头的那一步操作吗，那不正是黑图吗，这表示该数值确实可以在一定程度上代表三原色的亮度。那么同理，我们可以对通道1，通道2进行操作，获取绿图和红图。如下

#修改为绿图    image[:,:,1]=np.ones([400,400])*255    #修改为红图    image[:,:,2]=np.ones([400,400])*255

那么也很容易想到，当三个通道为皆全部为255时，就是三原色的混合，即白色，没问题把。

#得到结论 三通道对应三原色 并且三原色和在一块时也就是说，这些操作共同执行时，得到的是白图 也可以一步    image[:,:,:]=np.ones([400,400,3],np.uint8)*255

修改读取的图像

上面已经说过对纯色图的操控，那么同理我们自然可以操作读取的图像文件。

这里我们用遍历操作，其实是十分低效的，完全可以使用numpy不过本篇不讲该方法。留作自己思考问题（其实很容易实现）

def get_image_info(image):    height=image.shape[0]    width=image.shape[1]    channels=image.shape[2]    print('height: {},width: {},channels: {}'.format(image.shape[0],image.shape[1],image.shape[2]))    for i in range(height):        for j in range(width):            for c in range(channels):                cv=image[i,j,c]                image[i,j,c]=255-cv    return image

这里对读取到的图像信息进行一系列操作后，返回一个新的图像信息(多维矩阵)并imshow，就会产生一个很恐怖的图像。😂

如下： 这是正常图片： 这是亮度转化后的： 。。。 离谱好吧。😂不过也还好，不是什么正常的转化，也得不到正常的结果。

计算修改执行的时间，cv内部有可以计时的方法

def get_time(t1,t2):    print('time: {}ms'.format((t2-t1)/cv.getTickFrequency()*1000))src=cv.imread('test_1.png')#获取运行前时间t1=cv.getTickCount()src=get_image_info(src)##获取运行后时间t2=cv.getTickCount()get_time(t1,t2)

这里解释一下，getTickCount是返回计时周期数，getTickFrequency是返回一秒内重复的次数即频率，那么时间就很容易计算，(总次数)/每秒的次数=时间(秒)，这里乘1000是得到毫秒。

4.完整代码：

#import cv2 as cv#import numpy as np#def get_image_info(image):#    height=image.shape[0]#    width=image.shape[1]#    channels=image.shape[2]#    print('height: {},width: {},channels: {}'.format(image.shape[0],image.shape[1],image.shape[2]))#    for i in range(height):#        for j in range(width):#            for c in range(channels):#                cv=image[i,j,c]#                image[i,j,c]=255-cv#    return image#def get_time(t1,t2):#    print('time: {}ms'.format((t2-t1)/cv.getTickFrequency()*1000))#def creat_image():        #初始为黑图    #image=np.zeros([400,400,3],np.uint8)    #修改为蓝图    #image[:,:,0]=np.ones([400,400])*255    #修改为绿图    #image[:,:,1]=np.ones([400,400])*255    #修改为红图    #image[:,:,2]=np.ones([400,400])*255    #得到结论 三通道对应三原色 并且三原色和在一块时也就是说，这些操作共同执行时，得到的是白图 也可以一步    #image[:,:,:]=np.ones([400,400,3],np.uint8)*255    '''    #单通道127为灰图    image=np.ones([400,400,1],np.uint8)*127    '''#    return image        #src=cv.imread('test_1.png')#获取运行前时间#t1=cv.getTickCount()#src=get_image_info(src)##获取运行后时间#t2=cv.getTickCount()#get_time(t1,t2)#获取图片之后需要一个GUI显示出来#cv.namedWindow('input_1',cv.WINDOW_AUTOSIZE)#cv.imshow('input_1',src)#cv.waitKey(0)#cv.destroyAllWindows()

5.reshape

代码

import numpy as npm1=np.ones([3,3],np.uint8)*127print(m1)#维度转化。、m2=m1.reshape(1,9)print(m2)

总结

本文提到了numpy对于图像的一些基本操作,这些操作是必要掌握的，同时还有对于图像数据的一些理解，这些理解有利于后面的学习。

转载地址：http://fkcki.baihongyu.com/