cv2.mean() 用于计算图像的像素值的平均值

函数cv::mean(&cv::Mat)用于计算Mat(图像像素)的平均值,可以用于单通道图像、多通道图像(如彩色图像)、带掩码的图像等。

函数定义 :

Scalar cv::mean(InputArray src, InputArray mask = noArray());

src: 输入图像或矩阵,类型可以是多通道或单通道图像。

mask: (可选)掩码图像,它是一个8位单通道的二值图像。如果提供掩码,则只对掩码中非零的像素区域计算平均值。如果不提供掩码,函数将对整个图像计算。

返回值: 返回一个 cv::Scalar 类型的对象,其包含图像的平均值。

1)单通道图像,cv::Scalar 前3个元素相等,表示图像灰度的平均值,第4个为0。

2)3通道图像,cv::Scalar 4个元素,分别为蓝色B、绿色G、红色R通道的均值,第4个为0(Alpha或者填充0)。

3)4通道图像(BGRA),cv::Scalar 4个元素,分别为蓝色B、绿色G、红色R通道的均值,Alpha通道的均值。

例如:

对于灰度图像(单通道),返回的 cv::Scalar 是一个包含单个元素的标量,表示图像的灰度平均值。

对于 RGB 图像(3 通道),返回的 cv::Scalar 是一个包含三个元素的标量,分别表示 B、G、R 通道的平均值。

1.Python实例:

1)计算灰度图像的每个通道的平均值

python 复制代码
import cv2 

# 读取图像:image.jpg为灰度图像,或者彩色转为灰度图像
image = cv2.imread('image.jpg')

# 计算整个图像的平均值、标准差、最小值和最大值
mean_val = cv2.mean(image)
print("平均值:", mean_val[0])  # 对于灰度图,直接使用 mean_val[0]
print("标准差:", mean_val[1])  # 对于灰度图,直接使用 mean_val[1]
print("最小值:", mean_val[2])  # 对于灰度图,直接使用 mean_val[2]
print("最大值:", mean_val[3])  # 对于灰度图,直接使用 mean_val[3]

2)计算彩色图像的每个通道的平均值

python 复制代码
import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 分离颜色通道
b, g, r = cv2.split(image)

# 计算每个通道的均值
mean_b = cv2.mean(b)[0]
mean_g = cv2.mean(g)[0]
mean_r = cv2.mean(r)[0]

print(f'Blue mean: {mean_b}')
print(f'Green mean: {mean_g}')
print(f'Red mean: {mean_r}')

2.C++实例:

1)计算灰度图像的每个通道的平均值

cpp 复制代码
// 方法1:
//cv::Mat gray = cv::imread("img.jpg", cv::IMREAD_GRAYSCALE);

// 方法1:
cv::Mat gray;
cv::Mat image = cv::imread("img.jpg" );
cout << "输入图像大小image.size: " << image.size() << std::endl;
cout << "输入图像通道image.channels = " << image.channels() << endl;
if (image.channels() > 1)               // 通道 > 1 ,则需要转为灰度图像; = 1表示是灰度图像,不需要转换 。
{
	cvtColor(image, gray, COLOR_RGB2GRAY); 
}
cout << "灰度图像通道gray.channels = " << gray.channels() << endl;

cv::Scalar meanVal = cv::mean(gray);
std::cout << "图像平均灰度值Average intensity: " << meanVal[0] << std::endl;
// 计算整个图像的平均值、标准差、最小值和最大值
cout << "meanVal: " << meanVal<< std::endl;

2)计算彩色图像的每个通道的平均值

cpp 复制代码
cv::Mat img = cv::imread("image.jpg");
cv::Scalar meanVal = cv::mean(img);
std::cout << "B: " << meanVal[0] << " G: " << meanVal[1] << " R: " << meanVal[2] << std::endl;

彩色图像,meanVal[0] 是蓝色通道的平均值,meanVal[1] 是绿色通道的平均值,meanVal[2] 是红色通道的平均值。
相关推荐
7177775 小时前
国内 AI 研发效能工具怎么选:2026 年基于公开信息的选型框架与 Gitee 实践
人工智能·gitee
Csvn5 小时前
换供应商要改一遍代码?把模型接入收进一层网关(C04)
人工智能·aigc·agent
孟健5 小时前
开源AutoClip切直播:1小时48分出19段,整月API只花0.08元
人工智能·开源·aigc
翰墨之道5 小时前
AI日报:豆包工作ARR超20亿,GPT-6.2跑分与实测割裂
人工智能·gpt·数据挖掘
Maynor9966 小时前
Trymodel 使用介绍:一个平台同时用 Claude、GPT、Gemini 和 Grok
人工智能·gpt·ai·程序员·教程·claude·语音
字节跳动视频云技术团队7 小时前
接大模型别再自己配 Key、搭代理了,火山引擎 IGA Pages 一步搞定
人工智能
阿里云大数据AI技术7 小时前
EMR Serverless StarRocks 产品介绍:从统一 OLAP 走向多模态分析与检索
人工智能
Forget the Dream8 小时前
Spring AI 2.0 系列(二):第一个 ChatClient——从注入到一次完整调用
java·人工智能·spring boot·ai·springai
郝学胜-神的一滴9 小时前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
火山引擎开发者社区9 小时前
豆包工作,3 个月,800 万,20 亿
人工智能