| OpenCV里imshow()处理不同数据类型的numpy.ndarray分析 | 您所在的位置：网站首页 › region复数 › OpenCV里imshow()处理不同数据类型的numpy.ndarray分析 |
OpenCV里imshow()处理不同数据类型的numpy.ndarray分析
|
文章目录
测试不同数据类型uint8uint16int32float32和float64
实际使用注意总结
Python 3.6opencv-python==3.4.2.16numpy==1.16.2
针对不同数据类型的numpy.ndarray，cv2.imshow()处理结果不同。 本文就此进行试验，新建不同类型的numpy.ndarray，使用cv2.imshow()显示结果分析。 使用pycharm按住Ctrl加鼠标左键进入函数cv2.imshow()可以看见文档 The function imshow displays an image in the specified window. If the window was created with the . cv::WINDOW_AUTOSIZE flag, the image is shown with its original size, however it is still limited by the screen resolution. . Otherwise, the image is scaled to fit the window. The function may scale the image, depending on its depth: . . - If the image is 8-bit unsigned, it is displayed as is. . - If the image is 16-bit unsigned or 32-bit integer, the pixels are divided by 256. That is, the . value range [0,255*256] is mapped to [0,255]. . - If the image is 32-bit or 64-bit floating-point, the pixel values are multiplied by 255. That is, the . value range [0,1] is mapped to [0,255]. 机翻： imshow函数在指定窗口中显示图像。如果窗口是用WINDOW_AUTOSIZE标志，图像以其原始大小显示，但仍受屏幕分辨率的限制。 否则，将缩放图像以适应窗口。该函数可根据图像的深度缩放图像： 如果图像是8位无符号的，则按原样显示。 如果图像是16位无符号或32位整数，则像素除以256。也就是说值范围[0, 255*256]映射到[0, 255]。 如果图像是32位或64位浮点，则像素值乘以255。也就是说值范围[0, 1]映射到[0, 255]。 写demo演示 测试不同数据类型 uint8 import cv2 import numpy as np height, width = 200, 200 def test_uint8(): img_a = np.zeros((height, width, 3), dtype='uint8') img_a[:, :, 0] = 255 print(f'img_a[0, 0, 0]={img_a[0, 0, 0]}\n' f'type(img_a)={type(img_a)}\nimg_a.dtype={img_a.dtype}\nimg_a.shape={img_a.shape}\n') ''' img_a[0, 0, 0]=255 type(img_a)= img_a.dtype=uint8 img_a.shape=(200, 200, 3) ''' img_b = np.zeros((height, width, 3), dtype='uint8') img_b[:, :, 0] = 0.8 print(f'img_b[0, 0, 0]={img_b[0, 0, 0]}\n' f'type(img_b)={type(img_b)}\nimg_b.dtype={img_b.dtype}\nimg_b.shape={img_b.shape}\n') ''' img_b[0, 0, 0]=0 type(img_b)= img_b.dtype=uint8 img_b.shape=(200, 200, 3) ''' img_c = np.zeros((height, width, 3), dtype='uint8') img_c[:, :, 0] = 300 print(f'img_c[0, 0, 0]={img_c[0, 0, 0]}\n' f'type(img_c)={type(img_c)}\nimg_c.dtype={img_c.dtype}\nimg_c.shape={img_c.shape}\n') ''' img_c[0, 0, 0]=44 type(img_c)= img_c.dtype=uint8 img_c.shape=(200, 200, 3) ''' img_d = np.zeros((height, width, 3)) img_d[:, :, 0] = 256 print(f'img_d[0, 0, 0]={img_d[0, 0, 0]}\n' f'type(img_d)={type(img_d)}\nimg_d.dtype={img_d.dtype}\nimg_d.shape={img_d.shape}\n') # 对其进行类型转换 img_d = img_d.astype('uint8') print(f'img_d[0, 0, 0]={img_d[0, 0, 0]}\n' f'type(img_d)={type(img_d)}\nimg_d.dtype={img_d.dtype}\nimg_d.shape={img_d.shape}\n') ''' img_d[0, 0, 0]=256.0 type(img_d)= img_d.dtype=float64 img_d.shape=(200, 200, 3) img_d[0, 0, 0]=0 type(img_d)= img_d.dtype=uint8 img_d.shape=(200, 200, 3) ''' cv2.imshow('a', img_a) cv2.imshow('b', img_b) cv2.imshow('c', img_c) cv2.imshow('d', img_d) cv2.waitKey(0) cv2.destroyAllWindows()显示图片为 显示如图 显示图片如下 这里以float32为例，float64类似 def test_float32(): img_a = np.zeros((height, width, 3), dtype='float32') img_a[:, :, 0] = 255 print(f'img_a[0, 0, 0]={img_a[0, 0, 0]}\n' f'type(img_a)={type(img_a)}\nimg_a.dtype={img_a.dtype}\n') ''' img_a[0, 0, 0]=255.0 type(img_a)= img_a.dtype=float32 ''' cv2.imshow('a', img_a) img_a[:, :, 0] = 1 print(f'img_a[0, 0, 0]={img_a[0, 0, 0]}\n' f'type(img_a)={type(img_a)}\nimg_a.dtype={img_a.dtype}\n') ''' img_a[0, 0, 0]=1.0 type(img_a)= img_a.dtype=float32 ''' cv2.imshow('b', img_a) img_a[:, :, 0] = 0.5 print(f'img_a[0, 0, 0]={img_a[0, 0, 0]}\n' f'type(img_a)={type(img_a)}\nimg_a.dtype={img_a.dtype}\n') ''' img_a[0, 0, 0]=0.5 type(img_a)= img_a.dtype=float32 ''' cv2.imshow('c', img_a) img_a[:, :, 0] = -0.8 print(f'img_a[0, 0, 0]={img_a[0, 0, 0]}\n' f'type(img_a)={type(img_a)}\nimg_a.dtype={img_a.dtype}\n') ''' img_a[0, 0, 0]=-0.800000011920929 type(img_a)= img_a.dtype=float32 ''' cv2.imshow('d', img_a) cv2.waitKey(0) cv2.destroyAllWindows()显示如图 根据实际使用中的经验，需要注意的地方有： 针对图像，如果是进行归一化后的float32或者float64类型numpy.ndarray，则像素值范围在0~1内，用cv2.imshow()可以正常显示。 但如果进行类型转换为uint8，再用cv2.imshow()显示，则为全黑，无法正常显示；如果转换为uint16或int32，则显示也是全黑。 def float32_else(): img = np.zeros((200, 300, 3), dtype='float32') img[:, :, 2] = 1.0 print(f'img.dtype={img.dtype}, img[0,0,2]={img[0,0,2]}') cv2.imshow('float32', img) img = img.astype('uint8') print(f'img.dtype={img.dtype}, img[0,0,2]={img[0,0,2]}') cv2.imshow('uint8', img) img = img.astype('uint16') print(f'img.dtype={img.dtype}, img[0,0,2]={img[0,0,2]}') cv2.imshow('uint16', img) img = img.astype('int32') print(f'img.dtype={img.dtype}, img[0,0,2]={img[0,0,2]}') cv2.imshow('int32', img) cv2.waitKey(0) cv2.destroyAllWindows() ''' img.dtype=float32, img[0,0,2]=1.0 img.dtype=uint8, img[0,0,2]=1 img.dtype=uint16, img[0,0,2]=1 img.dtype=int32, img[0,0,2]=1 '''显示图片为 |
uint8为无符号8位整型，uint8范围为0 ~
2
8
−
1
2^8-1
28−1，即0~255。 将所有像素值类型都转换为uint8类型，imshow()再按原样显示。转换规则为
uint16为无符号16位整型，uint16范围为0 ~
2
16
−
1
2^{16}-1
216−1，即0~65535。
int32为有符号32位整型，范围为
−
2
31
∼
2
31
−
1
-2^{31} \sim 2^{31}-1
−231∼231−1 。 同uint16一样，首先将像素值类型转换为int32类型；其次imshow()将像素值除以256显示 由实验猜测对于int32类型像素值在范围0~255x256的除以256显示，对于超出范围的去除超出部分按最小或最大值计算。
−
2
31
∼
0
-2^{31} \sim 0
−231∼0 按0计算，
255
×
256
+
1
∼
2
31
−
1
255 \times 256+1\sim2^{31}-1
255×256+1∼231−1按255*256计算。
float32是浮点型，imshow()是将0 ~ 1范围像素值乘以255，映射为0 ~ 255显示。 由实验猜测对于0~1以外的像素值，作截断处理，分别取对应的边界，然后再乘以255显示。
同样，其他的数据类型转换，用cv2.imshow()也可能会出现问题，这里就不再一一演示了，感兴趣的同学可以自己尝试下。 但只要熟知针对不同数据类型的numpy.ndarray，cv2.imshow()的不同处理方式，就可以弄懂其中原因，并进行修改。【本文地址】