高級 OpenCV：BGR 像素強度圖
介紹
到目前為止，在我們的高級 OpenCV 教程中，我們已經(jīng)：
理解對比度的概念。
了解直方圖均衡的概念。
在灰度圖像上實施對比度增強。
繪制灰度圖像的像素直方圖。
然而，眾所周知，我們的世界由很多很多顏色組成?，F(xiàn)在我們將嘗試分析彩色圖像的對比度和像素強度，即存在顏色通道的圖像。
為了促進這種特殊的高級 OpenCV 學習體驗，我們將使用可從此鏈接（https://wallpaperaccess.com/cool-outer-space）下載的圖像?；蛘?，你可以保存下面找到的圖像。
了解彩色圖像
如果你閱讀過我們之前的文章，沒記錯的話，我們了解了高級 OpenCV 使用 BGR 顏色通道，而不是 RGB。你會發(fā)現(xiàn)紅色和藍色通道已被交換。
如上圖所示，有很多顏色既醒目又吸引眼球。這些不同色調(diào)的顏色是混合顏色通道的結(jié)果。
此圖像中存在三個顏色通道：
藍色
綠色
紅色
正是通過這些顏色的混合，才能出現(xiàn)屬于色譜的二次色和許多其他顏色。
獲得圖像洞察力
第一步也是最重要的一步是將必要的包導入到我們的 python 腳本中，然后我們將圖像加載到我們的系統(tǒng) RAM 中。這將使用通過 OpenCV 包提供的 imread() 方法來完成：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('C:/Users/Shivek/Pictures/Picture1.jpg')
上述代碼塊的輸出將顯示如下：
正如人們可能觀察到的那樣，圖像太大而無法在我的屏幕上以全尺寸顯示。但是，我們不會減小圖像的大小。這是因為我們想深入了解像素的屬性和相關信息。
首先，讓我們查看 Image 的形狀（NumPy 數(shù)組）：
print(image.shape)
上述代碼行的輸出將顯示如下：
在仔細檢查這一信息元組后，將按如下方式對其進行解密：
顏色通道是BGR-NOT RGB。接下來，讓我們查看圖像的大小——大小告訴我們構(gòu)成整個圖像的像素總數(shù)。
print(image.size)
輸出：
6912000
我們的圖像中有超過 600 萬像素。
讓我們查看圖像中的第一個像素。這是第一行第一列中的像素。
print(image[0][0])
它的 BGR 值分別為 22、15 和 6。
現(xiàn)在我們繼續(xù)：BGR 像素計數(shù)圖。
BGR 像素強度線圖
由于我們圖像中的每個像素都包含 3 個顏色通道，因此我們將需要遍歷所有像素 3 次，每次分別從 B、G 和 R 通道中挑選出值。要執(zhí)行此操作，可以將 for 循環(huán)與 enumerate() 函數(shù)結(jié)合使用。
我們可能已經(jīng)知道， enumerate() 函數(shù)將允許我們遍歷固定數(shù)量的元素，并自動記錄每個元素的數(shù)量。
我們將使用 MatPlotLib 包以折線圖的形式獲得像素強度和計數(shù)的視覺效果。
colors = ('blue','green','red')
label = ("Blue", "Green", "Red")
for count,color in enumerate(colors):
histogram = cv2.calcHist([image],[count],None,[256],[0,256])
plt.plot(histogram,color = color, label=label[count]+str(" Pixels"))
上述代碼塊的逐行解釋如下：
在下面的代碼行中，我們創(chuàng)建了一個元組，其中包含圖形三個不同線條的顏色。由于有 3 次迭代，每次迭代都會選擇不同的顏色，因此我們可以在圖表上看到 BGR 模式。
顏色=（'藍色'，'綠色'，'紅色'）
此后，我們繼續(xù)創(chuàng)建一個元組，其中包含圖表圖例的相應標簽。同樣，在每次迭代時，將選擇一個標簽來標記圖形的相應顏色。這些標簽將包含在圖表的圖例中，我們將在后面的代碼行中看到。
label = ("Blue", "Green", "Red")
為了便于圖形生成，我們有一個 for-enumerate 循環(huán)，該循環(huán)將被執(zhí)行以從像素數(shù)組和元組中選擇每個所需項目，在這些項目上，它們將在同一畫布上繪制為折線圖。
for count,color in enumerate(colors):
histogram = cv2.calcHist([image],[count],None,[256],[0,256])
plt.plot(histogram,color = color, label=label[count]+str(" Pixels"))
for循環(huán)中的代碼行如下所示：
histogram = cv2.calcHist([image],[count],None,[256],[0,256])
我們將使用 OpenCV 包中的 calcHist() 方法，該方法將獲得像素強度的直方圖，正如我們在之前的文章中所了解的那樣。我們傳入以下參數(shù)：
為了繪制圖形，我們使用 MatPlotLib 包提供的 plot() 方法，如下所示：
plt.plot(histogram, color=color, label=label[count]+str(" Pixels"))
我們傳入要繪制的數(shù)據(jù)，然后是適當?shù)念伾?。為圖指定一個標簽，并根據(jù)for循環(huán)迭代索引元組中的相應標簽。我們將“像素”附加到標簽名稱中，以使查看者清楚地看到完成的圖形。
在將圖表顯示給最終用戶之前，我們在圖表中添加了一些元素，例如：
標題。
Y 軸的標簽。
X 軸的標簽。
一個圖例。
為了結(jié)束處理，我們使用 MatPlotLib 包提供的 show() 方法在屏幕上顯示視覺效果。
plt.title("Histogram Showing Number Of Pixels Belonging To Respective Pixel Intensity", color="crimson")
plt.ylabel("Number Of Pixels", color="crimson")
plt.xlabel("Pixel Intensity", color="crimson")
plt.legend(numpoints=1, loc="best")
plt.show()
最終的 BGR 像素強度線圖將如下所示：
上面的可視化顯示并準確地告訴我們像素在原始彩色圖像中是如何分布的。構(gòu)成我們圖像的 600 萬+ 像素的位置可以概括在上面的線圖中。
我們的大部分像素都位于圖像的左側(cè)，從圖中可以看出，圖像的中間到右側(cè)是藍色的，如藍色像素強度線所示。藍色像素強度線在這些區(qū)域中占主導地位 - 如果人們查看圖像，是這樣的：
請注意完整圖像如何適合我的計算機屏幕 - 這是因為我調(diào)整了它的大小。
一個非常有趣的事實是，雖然我已經(jīng)調(diào)整了圖像的大小，但如果我要在調(diào)整大小的圖像上創(chuàng)建一個像素強度圖，那么與原始圖像相比，BGR 圖的梯度并沒有任何不同——它只是縮小了大小或“規(guī)?！?。
結(jié)論
在本文中，我們研究了：
在 Python 編程語言中使用 OpenCV 理解彩色圖像
BGR 顏色通道
使用 Python 中的 MatPlotLib 包將 BGR 像素映射到 BGR 像素強度線圖