【OpenCV】Python图像处理之像素操作

OpenCV-Python 中的像素操作是图像处理的基础，包括像素值的读取、修改、算术运算、逻辑运算等。由于图像在 OpenCV 中以 NumPy 数组表示，像素操作本质上是对数组的操作，结合 NumPy 的高效运算可实现灵活的像素级处理。以下详细介绍常见的像素操作方法及示例：

一、像素值的读取与修改

1. 单个像素操作

通过数组索引访问像素值，注意 OpenCV 图像的索引顺序为[行, 列, 通道]（行对应 y 轴，列对应 x 轴）。

import cv2
import numpy as np

# 读取彩色图像（BGR格式）
img = cv2.imread('image.jpg')

# 读取单个像素值（第100行，第200列）
b, g, r = img[100, 200]  # BGR顺序
print(f"原始像素值(BGR): ({b}, {g}, {r})")

# 修改单个像素值（设为红色）
img[100, 200] = (0, 0, 255)  # BGR: 蓝=0, 绿=0, 红=255
print(f"修改后像素值(BGR): {img[100, 200]}")

# 灰度图像的像素操作
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
pixel = gray_img[100, 200]
print(f"灰度像素值: {pixel}")
gray_img[100, 200] = 255  # 设为白色

2. 区域像素操作

通过切片操作修改图像的特定区域，效率远高于逐个像素修改。

# 将图像中左上角100x100区域设为绿色
img[0:100, 0:100] = (0, 255, 0)  # BGR: 绿色

# 将灰度图像中某区域设为黑色
gray_img[50:150, 50:150] = 0

# 提取图像的ROI（感兴趣区域）
roi = img[200:400, 300:500]  # 行200-400，列300-500
img[0:200, 0:200] = roi  # 将ROI复制到左上角

二、像素的算术运算

1. 加减运算（亮度调整）

对像素值进行加减可调整图像亮度，需注意像素值溢出（超过 0 或 255），可通过cv2.add()/cv2.subtract()自动截断，或手动处理。

# 方法1：直接算术运算（可能溢出）
img_bright = img + 50  # 增加亮度（值>255时会溢出，如250+50=44）
img_dark = img - 50    # 降低亮度（值<0时会溢出，如10-50=216）

# 方法2：使用OpenCV函数（自动截断）
img_bright_safe = cv2.add(img, np.ones_like(img) * 50)
img_dark_safe = cv2.subtract(img, np.ones_like(img) * 50)

2. 乘除运算（对比度调整）

乘法增强对比度，除法降低对比度，同样需注意溢出。

# 增强对比度（乘以1.5）
img_contrast = np.clip(img * 1.5, 0, 255).astype(np.uint8)

# 降低对比度（除以2）
img_contrast_low = (img / 2).astype(np.uint8)

3. 图像混合（加权和）

使用cv2.addWeighted()实现两幅图像的线性混合，公式：dst = α·img1 + β·img2 + γ。

img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')
img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))  # 统一尺寸

# 图像混合（α=0.7, β=0.3, γ=0）
blended = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)

三、像素的逻辑运算

包括与（AND）、或（OR）、非（NOT）、异或（XOR），常用于图像掩码、区域提取等。

# 创建两幅测试图像
img_a = np.zeros((200, 200), dtype=np.uint8)
img_a[50:150, 50:150] = 255  # 白色正方形

img_b = np.zeros((200, 200), dtype=np.uint8)
img_b[100:200, 100:200] = 255  # 白色正方形

# 逻辑运算
and_img = cv2.bitwise_and(img_a, img_b)
or_img = cv2.bitwise_or(img_a, img_b)
not_img = cv2.bitwise_not(img_a)
xor_img = cv2.bitwise_xor(img_a, img_b)

四、像素值的统计分析

通过 NumPy 函数统计图像的像素特征，如均值、最值、方差等。

# 彩色图像的通道均值
mean_b = np.mean(img[:, :, 0])  # 蓝色通道均值
mean_g = np.mean(img[:, :, 1])  # 绿色通道均值
mean_r = np.mean(img[:, :, 2])  # 红色通道均值
print(f"通道均值(BGR): ({mean_b:.2f}, {mean_g:.2f}, {mean_r:.2f})")

# 灰度图像的最值与方差
min_val = np.min(gray_img)
max_val = np.max(gray_img)
std_val = np.std(gray_img)
print(f"灰度图像: 最小值={min_val}, 最大值={max_val}, 标准差={std_val:.2f}")

# 像素值直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])

五、像素阈值处理

将像素值与阈值比较，实现二值化或分段处理，常用cv2.threshold()。

OpenCV中‌cv2.threshold()函数用于图像阈值处理，将灰度图像转换为二值图像或其他形式。以下是核心信息：

函数定义：

cv2.threshold(src, thresh, maxval, type)

• src：输入灰度图像
• thresh：设定的阈值（若使用‌Otsu方法，此值设为0）
• maxval：像素值高于/低于阈值时的设定值（如255）
• type：‌阈值类型，常用类型包括：
  • cv2.THRESH_BINARY：大于阈值设为maxval，否则0
  • cv2.THRESH_BINARY_INV：反转上述结果
  • cv2.THRESH_TRUNC：大于阈值设为thresh，否则不变
  • cv2.THRESH_TOZERO：大于阈值不变，否则0
  • cv2.THRESH_TOZERO_INV：反转上述结果
• 返回值：ret（实际使用的阈值，如Otsu方法自动计算）和处理后的图像

示例代码：

# 简单阈值处理
ret, binary = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)  # >127设为255，否则0
ret, binary_inv = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY_INV)  # 反向

# 自适应阈值（局部阈值）
adaptive_binary = cv2.adaptiveThreshold(
    gray_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
)

注意事项：

• 阈值类型需与maxval配合使用，例如THRESH_BINARY要求maxval为255。
• 若使用cv2.THRESH_OTSU，需将thresh设为0，函数会自动计算最优阈值 。

六、像素的遍历与批量处理

1. 逐像素遍历（效率较低，适合简单操作）

# 遍历灰度图像并反转像素值
height, width = gray_img.shape
for i in range(height):
    for j in range(width):
        gray_img[i, j] = 255 - gray_img[i, j]  # 反色

2. 批量处理（推荐，利用 NumPy 向量化运算）

# 批量反色（效率远高于逐像素遍历）
gray_img_inverted = 255 - gray_img

# 批量将像素值限制在[50, 200]
img_clipped = np.clip(img, 50, 200)

七、掩码操作（卷积核滤波）

通过自定义卷积核对像素进行邻域运算，实现模糊、锐化等效果。

# 均值模糊（3x3卷积核）
kernel = np.ones((3, 3), np.float32) / 9
blurred = cv2.filter2D(img, -1, kernel)

# 图像锐化
kernel_sharpen = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
sharpened = cv2.filter2D(img, -1, kernel_sharpen)

八、完整示例：像素操作综合应用

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 1. 修改区域像素（画红色矩形）
img[50:150, 200:300] = (0, 0, 255)

# 2. 调整亮度和对比度
img_bright = cv2.add(img, np.ones_like(img) * 30)
img_contrast = np.clip(img * 1.2, 0, 255).astype(np.uint8)

# 3. 灰度图像二值化
_, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 4. 显示结果
cv2.imshow('Original', img)
cv2.imshow('Bright', img_bright)
cv2.imshow('Contrast', img_contrast)
cv2.imshow('Binary', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

像素操作是 OpenCV 图像处理的核心，需结合 NumPy 的数组运算特性：

• 单个 / 区域像素操作通过索引或切片实现；
• 算术 / 逻辑运算可调整图像亮度、对比度或实现掩码；
• 批量处理优先使用 NumPy 向量化运算，避免低效的逐像素遍历；
• 阈值处理和掩码操作常用于图像分割、特征提取等场景。

通过这些操作，你可以读取、修改和保存图像中的像素数据，实现各种图像处理任务。**记得在进行大量或复杂的像素操作时优先使用NumPy的高效数组操作，以提高代码的执行效率。**掌握像素操作的底层逻辑，能更灵活地实现自定义图像处理算法。