计算机视觉之路——处理文件的基本操作
——————————————————————————
基本 I/O脚本：
读文件操作
opencv的imread函数和imwrite函数支持各种静态图像文件格式，不同系统支持的文件不一样，但是都支持BMP格式。接下来在Python和Numpy中展示一幅图像的细节（Python和Numpy的操作不在此处进行介绍，可查阅官方文档进一步了解）。
每个像素对应一个数值，由8位整数来表示，因此每个像素的取值范围是0~255，可以用cv2.cvtColor将图像转换为BGR格式（Blue-Green-Red）。看一下这样处理的效果：
#in terminal environment
import numpy as np
import cv2
img = np.zeros((3, 3), dtype = np.uint8)
print(img) #打印一个纯黑的图像
[[0 0 0]
[0 0 0]
[0 0 0]]
print(img.shape)
(3,3)转换为BGR的图像：
#in terminal environment
img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) #gray to BGR
print(img)
[[[0 0 0]
[0 0 0]
[0 0 0]]
[[0 0 0]
[0 0 0]
[0 0 0]]
[[0 0 0]
[0 0 0]
[0 0 0]]]
print(img.shape)
(3,3,3)可以看到，每一个像素由三元数组组成，每个整型向量代表一个B(blue)、G(green)、R(red)的通道来表述一个色彩空间。从图像的形状来看(shape)，最开始的(3,3)变成了(3,3,3)，表明BGR格式的图像每个像素存在着三个通道。
写文件操作
import cv2
image = cv2.imread('test.png')
cv2.imwrite('test.jpg', image)可以看到，读入png格式的文件，以jpg格式的文件写出，即imwrite可以改变文件的格式。注意：大多数常见的opencv的函数都在cv2的模块内，如果遇到cv2.cv，可能是较老的opencv的版本所采用的形式，如果对应的语句报错可以去度一下新版本该语句的语法。
在默认的情况下，imread()总会返回一个BGR格式的图像，也就是常说的RGB，只是顺序反了一下，但是imread()函数会删除 通道的信息，即得到的图像会没有透明度。而imwrite()函数要求图像为BGR格式或者灰度格式，上面的代码为BGR格式，那么如何创建灰度格式呢？看下面的程序
import cv2
grayimg = cv2.imread('test.png', cv2.IMREAD_GRAYSCALE)
cv2.imwrite('test.png', grayimg)除此之外，imwrite()函数输出的文件中会支持所有的通道，每个通道还会有一定的位数，bmp有8位，而png允许有16位。
本小节结束
—————————————————————————————————————————
图像与原始字节的转换：
一个字节为8位，可以表示0~255的整数，每一个像素也由每个通道的一个字节表示。一个opencv的图像是.array类型的二维或三位数组，一个8位的灰度图像只有一个通道，因此它是一个二维数组，而BGR则可以理解为24位的三维数组。
举例说明：image[0,0]和image[0,0,0]，第一个坐标代表 坐标，0表示顶部；第二个坐标代表横坐标，0表示最左边，第三个值表示的即为颜色的通道。对于一个左上角有白色像素的8位灰度图而言，image[0,0]的值为255，对于左上角有一个蓝色像素的24位BGR图而言，image[0,0]的值为[255,0,0]。
在对像素进行操作时，还可以用另外的表达式，比如image[0,0]可以表示为image.item((0,0))，image[0,0] =128可以表示为image.setitem((0,0),128)。对与单像素的操作而言，第二种表达方式更为有效，后文会提到这种处理形式。
如果一幅图像的每个通道为8位，则可以将其显示转换为标准的一维python bytearray格式：
bytearray = bytrarray(image)相反，如果bytearray含有顺序恰当的字节，可以通过显示转换和重构，得到numpy.array形式的图像：
grayimage = numpy.array(grayByteArray).reshape(height, width)
bgrimage = numpy.array(bgrButeArray).reshape(height, width, 3)举例说明：
import numpy as np
import cv2
import os
# make an array of 120,000 random bytes
randombytearray = bytearray(os.urandom(120000))
flatnumpyarray = np.array(randombytearray)
#convert the array to make a 400*300 gray scale image
grayimage = flatnumpyarray.reshape(300, 400)
cv2.imwrite('gray.png', grayimage) #Generated image
#convert the array to make a 400*100 color image
bgrimage = flatnumpyarray.reshape(100, 400, 3)
cv2.imwrite('bgr.png', bgrimage) #Generated image 本小节结束
—————————————————————————————————————————
使用numpy访问数据元素
在对生成图像有了进一步的理解之后，下一步要进行基本的图像操作，从最基本的开始学起，将BGR图像在(0,0)处的像素转换为白像素。
import cv2
import numpy as np
img = cv.imread('test.png')
img[0, 0] = [255, 255, 255]可以看到上面的转换极为粗暴，如果利用numpy来进行转换，会比普通的python转换的快的多。
假设想要改变一个特定像素的蓝色值，例如坐标(150,200)的坐标处的蓝色值，使用上文提到的item()方法会很便捷，注意：某一位置三个通道的数据也是按照BGR的顺序保存的，下面的例子会将(150,200)坐标出的蓝色值变为255：
import cv2
import numpy as np
img = cv2.imread('bgr.png')
img = np.array(img) #convert to a numpy array
img.itemset((150, 120, 0), 255) # 0 means blue，1 means green，2 means red使用numpy.array的原因为numpy处理这类问题是经过优化的，在矩阵处理上的确更胜一筹更且速度快了很多，是不是觉得很一般？那就看下面的例子：
img = cv2.imread('bgr.png')
img = np.array(img) #convert to a numpy array
img[:, :, 1] = 0一段简单的代码，会将图像中所有区域的G值设为0，处理后会发现图像中不含绿色，可读性强，足够简洁，也令人惊讶。
通过numpy的索引来访问原始数组，可以进行很多有趣的操作，比如设定感兴趣的区域ROI(region of interest)：设定该区域后可以进行很多操作，例如将该区域和变量绑定，设定第二区域，将第一个区域的值付给第二区域：
import cv2
import numpy as np
img = cv2.imread('bgr.png')
img = np.array(img)
my_roi = img[0:100, 0:100]
img[300:400, 300:400] = my_roi当然numpy还有更多的操作，size，shape，dtype等，还要进一步熟悉numpy的操作，因为这是 python处理图像的基础。
基本的IO操作介绍到这里，下一步开始介绍高级的图像处理操作。
本小节结束
—————————————————————————————————————————
小插曲：一些基本概念
当前，在计算机视觉中有三种常见的色彩空间：灰度、BGR和HSV(Hue, Saturation, Value)。