当前位置: 首页 > news >正文

OpenCV Python——Numpy基本操作(Numpy 矩阵操作、Numpy 矩阵的检索与赋值、Numpy 操作ROI)

  • 1 Numpy 矩阵操作
  • 2 Numpy 矩阵的检索与赋值
    • 2.1 完整代码
  • 3 Numpy 操作ROI

在这里插入图片描述

1 Numpy 矩阵操作

详细教程:Numpy矩阵操作 (array、zeros矩阵、ones矩阵、full矩阵、identity单位矩阵、eye矩阵)

2 Numpy 矩阵的检索与赋值

在这里插入图片描述

#画一个640*480的三通道全黑的图像

img=np.zeros((480,640,3),np.uint8)#行的个数(高),列的个数(宽)

输出坐标为(100,100)的值

print(img[100,100])#输出坐标为(100,100)的值

#对矩阵中某个元素赋值
#在x等于100处画一条长度200的竖线

count=0
while count<200:img[count,100]=255# 没有写通道数,默认三通道[255,255,255]白色count+=1cv2.imshow("img",img)

在这里插入图片描述

在x=200处,画绿色线。

img[count,200,1]=255# 1代表第二个通道,即绿色通道

或者

img[count,200]=[0,255,0]# 三通道数据

在这里插入图片描述

2.1 完整代码

import numpy as np 
import cv2#画一个640*480的三通道全黑的图像
img=np.zeros((480,640,3),np.uint8)#行的个数(高),列的个数(宽)
print(img[100,100])#输出坐标为(100,100)的值#对矩阵中某个元素赋值
#在x等于value处画一条长度200的竖线
count=0
while count<200:img[count,100]=255# 没有写通道数,默认三通道[255,255,255]白色。(在x=100处,画白线。)img[count,200,1]=255# 1代表第二个通道,即绿色通道。(在x=200处,画绿色线。)count+=1cv2.imshow("img",img)key=cv2.waitKey(0)

3 Numpy 操作ROI

在这里插入图片描述

[y1:y2,x1:x2] x,y的范围
[:,:]x,y的值全部取

在这里插入图片描述

import numpy as np
import cv2#画一个640*480的三通道全黑的图像
img=np.zeros((480,640,3),np.uint8)#行的个数(高),列的个数(宽)
cv2.imshow("img",img)roi = img[100:400, 100:600] #在原图中截取一个ROI(宽300,高500)
roi[:,:] = [0,0,255] #全部赋值红色(255,255,255)
#roi[:] = [0,0,255]
roi[100:200,300:600] = [0,0, 0] 
roi[10:200,10:200] = [0,255,0] #在选择一块赋值绿色cv2.imshow('ROI', roi)cv2.waitKey()

在这里插入图片描述

在这里插入图片描述

http://www.lryc.cn/news/624991.html

相关文章:

  • 3D检测笔记:基础坐标系与标注框介绍
  • JAiRouter 架构揭秘:一个面向 AI 时代的响应式网关设计
  • JUC读写锁
  • 宁波市第八届网络安全大赛初赛(REVERSE-Writeup)
  • 基于Spring Boot+Vue的社区便民服务平台 智慧社区平台 志愿者服务管理
  • day25|学习前端js
  • Product Hunt 每日热榜 | 2025-08-18
  • 【yocto】为什么要选择yocto?
  • 亚马逊新手突围:从流量破冰到持续出单
  • Less (CSS 预处理器)
  • 问答社区运营优化:cpolar 提升 Answer 平台远程访问速度方案
  • 性能测试(Jemter)
  • day44_2025-08-18
  • PMP-项目管理-十大知识领域:风险管理-识别、评估、应对项目风险
  • 兴趣爱好——虾哥开源小智AI机器人搭建(丐版—最低成本)ESP32开发板 MicroPython V1.0.0 Rev1
  • 继承中的向上转型、向下转型与动态绑定的深入解析
  • 学习游戏制作记录(各种独特物品效果)8.18
  • 【Langchain系列二】LangChain+Prompt +LLM智能问答入门
  • Prompt engineering(PE) —— prompt 优化如何进行?
  • 集成电路学习:什么是Face Detection人脸检测
  • leetcode4_452 and 763
  • 【论文学习】UoMo: 一个用于无线网络优化的移动流量预测通用模型
  • 学习嵌入式的第二十天——数据结构
  • 如何解决机器翻译的“幻觉“问题(Hallucination)?
  • 特赞内容运营解决方案,AI重构品牌内容价值链
  • (Arxiv-2025)OPENS2V-NEXUS:一个面向主体到视频生成的详细基准与百万规模数据集
  • 知识蒸馏 - 各类概率分布
  • 概率论基础教程第4章 随机变量(三)
  • 基于 Ansible 与 Jinja2 模板的 LNMP 环境及 WordPress 自动化部署实践
  • 数据库:表和索引结构