OpenCV(九)：NumPy中的矩阵的检索与赋值

基本检索（访问单个元素）

对于2D图像（矩阵），通常使用**行（高度）和列（宽度）**索引来访问像素。

语法： matrix[行索引, 列索引]

图像类型	访问方式	含义
灰度图 (2D)	`img[r, c]`	访问位于 (r,c) 处的像素强度值（一个数值）。
彩色图 (3D)	`img[r, c]`	访问位于 (r,c) 处的像素，返回一个包含 (B, G, R) 三个通道值的数组。
彩色图 (3D)	`img[r, c, ch]`	访问位于 (r,c) 处的像素的特定通道值（一个数值），`ch` 是通道索引（0: Blue, 1: Green, 2: Red）。

示例：

python 复制代码

import numpy as np
import cv2

# 创建一个 3x3 的灰度图 (uint8)
img_gray = np.array([[10, 20, 30],
                     [40, 50, 60],
                     [70, 80, 90]], dtype=np.uint8)

# 创建一个 3x3x3 的彩色图 (uint8)
# (r, c, ch) -> BGR
img_color = np.zeros((3, 3, 3), dtype=np.uint8)
img_color[1, 1] = [100, 150, 200] # 第二行第二列的 BGR

# 1. 访问灰度图的元素 (第二行，第三列)
pixel_gray = img_gray[1, 2] # 60
print(f"灰度图 (1, 2) 处的值: {pixel_gray}")

# 2. 访问彩色图的像素 (第二行，第二列)
pixel_color = img_color[1, 1] # [100, 150, 200]
print(f"彩色图 (1, 1) 处的像素 (BGR): {pixel_color}")

# 3. 访问彩色图的特定通道 (第二行，第二列的蓝色通道)
blue_value = img_color[1, 1, 0] # 100
print(f"彩色图 (1, 1) 处的 B 通道值: {blue_value}")

基本赋值（修改单个元素）

赋值操作与检索操作类似，只需将访问结果设置为新值即可。

语法： matrix[行索引, 列索引] = 新值

示例:

python 复制代码

# 修改灰度图的元素 (第一行，第一列)
img_gray[0, 0] = 5 
print(f"修改后的灰度图 (0, 0): {img_gray[0, 0]}") # 5

# 修改彩色图的像素 (第三行，第一列)
img_color[2, 0] = [10, 20, 30] # 设置 BGR
print(f"修改后的彩色图 (2, 0) 像素: {img_color[2, 0]}") # [10, 20, 30]

# 修改彩色图的特定通道 (第二行，第二列的红色通道)
img_color[1, 1, 2] = 255 # R 通道设置为 255
print(f"修改后的彩色图 (1, 1) 像素: {img_color[1, 1]}") # [100, 150, 255]

区域检索与赋值（切片 Slice）

NumPy强大的**切片（Slicing）**功能允许您访问或修改矩阵的子区域。

语法： matrix[起始行:结束行, 起始列:结束列]

切片范围是前闭后开 ：[start:stop]，包含 start 但不包含 stop。
可以省略 start 或 stop 来表示从头开始或到尾部。
使用 : 单独表示选取该轴上的所有元素。

示例:

python 复制代码

# 假设 img 是一个 100x150 的彩色图像

# 1. 检索一个 50x50 的子区域 (从第10行到第60行，从第20列到第70列)
roi = img_color[1:3, 0:2] # 选取 (1,0), (1,1), (2,0), (2,1) 四个像素的区域

# 2. 访问图像的所有行，但只访问第10列到第20列
column_slice = img_color[:, 1:3] 

# 3. 访问图像的所有列，但只访问第50行到第60行
row_slice = img_color[0:2, :] 

# 4. 赋值：将一个区域的所有像素设置为白色 (假设是 uint8 图像)
# 注意：在彩色图中，白色是 (255, 255, 255)
img_color[0:1, 0:1] = [255, 255, 255] # 将 (0,0) 像素设为白色
print(f"修改后的彩色图 (0, 0) 像素: {img_color[0, 0]}") # [255, 255, 255]

# 5. 赋值：将一个区域的所有像素设置为一个标量（仅对灰度图或某一通道有效）
img_gray[0:2, 0:2] = 0 # 将左上角 2x2 区域设为黑色 (0)
print(f"修改后的灰度图: \n{img_gray}") 
# [[ 0  0 30]
#  [ 0  0 60]
#  [70 80 90]]

布尔检索（Boolean Indexing）

布尔索引使用一个与矩阵形状相同的布尔（True/False）矩阵来选择元素。

示例:

python 复制代码

# 检索：找出所有像素值大于 50 的位置
condition = img_gray > 50
print(f"布尔条件矩阵: \n{condition}")

# 检索：获取所有大于 50 的值
values_gt_50 = img_gray[condition]
print(f"大于 50 的值: {values_gt_50}") # [60, 70, 80, 90]

# 赋值：将所有像素值大于 50 的像素设置为 255
img_gray[img_gray > 50] = 255
print(f"布尔赋值后的灰度图: \n{img_gray}")
# [[ 0  0 30]
#  [ 0  0 255]
#  [255 255 255]]

重要提示：切片是引用！

在NumPy中，当你使用切片（例如 roi = img[r1:r2, c1:c2]）时，roi 并不是原始矩阵的副本 ，而是一个视图（View），它引用了原始矩阵的同一块数据。

这意味着：

修改 roi 会同时修改原始矩阵 img。
如果你需要一个独立的副本，请使用 .copy() 方法：roi_copy = img[r1:r2, c1:c2].copy()。
使用像 numpy.array() 这样的函数进行的简单索引（例如 img[1, 2]）返回的是值本身，而不是引用。