与图像相关的知识。
文章目录前言一、图像表示二、Numpy相关介绍
1.ndarray对象及常用的属性
（1）ndarray.shape属性（2）ndarray.dtype属性（3）numpy的数据类型（4）ndarray.ndim属性（5）ndarray.size属性 2.Numpy常用的函数1.创建ndarray对象2.ndarray对象的索引以及切片3.ndarray对象生成随机数 总结
前言
要对一张图片进行处理，首先需要获取这张图片。可以使用相机和手机等工具获取一张彩色图片，并且以一种特定的格式保存在自己的磁盘中。所以在处理图像时，需要通过某种方式获取图像，同时以某种类型把它存放在一个容器里，并且展示给用户。
提示：以下是本篇文章正文内容，下面案例可供参考
一、图像表示数字图像在计算机中是以矩阵形式进行存储的，矩阵中的每一个元素都描述一定的图像信息，如亮度、颜色等信息。数字图像处理就是通过一系列矩阵运算过程从而提取重要信息。在python中，图像被读取进来后，被保存在一个N维数组对象ndarray中，此后的图像处理操作都是依赖于这个多维数组。
二、Numpy相关介绍 1.ndarray对象及常用的属性ndarray在numpy中可以进行快速数学运算、具有广播能力且节约空间的N维数组对象，可在数组处理中灵活使用。
（1）ndarray.shape属性这个函数表示数组的维数，返回一个元组，元组的长度即ndim（维度）。此属性可以获取图像的尺寸，对于灰度图像img，img.shape返回的数据（n，m）n表示n行，m表示m列；而对于三通道的彩色图像img0，img0.shape返回的数据（n，m，3），表示3个n行和m列的BGR图像。
（2）ndarray.dtype属性这个函数的作用是表示数组中元素的数据类型。图像在计算机存储主要由像素矩阵构成，每个像素值的大小决定了图像的质量。如果用8位无符号整数存储16位图像，会造成图像颜色的改变，从而显示错误的图像。
（3）numpy的数据类型| 数据类型 | 取值范围 | C++ |
|---|---|---|
| uint8 （8位无符号整数） | 0-255 | cv-8u |
| int8 （8位符号整数） | -128-127 | cv-8s |
| uint16（16位无符号整数） | 0-65535 | cv-16u |
| int16（16位符号整数） | -32768-32767 | cv-16s |
| int32 （32位符号整数） | -2147483648-2147483647 | cv-32s |
| float32（32位单精度浮点数） | -FLT_MAX-FLT_MAX,INF,NAN | cv-32F |
| float64（64位双精度浮点数） | -DBL_MAX-DBL_MAX,INF,NAN | cv-64F |
函数表示数组的维度。在图像中可以用来表示图像的通道数（channel）。需要注意的是在C++中灰度图的通道数img.channel=1，而在numpy中灰度图像img.channel=2.
在opencv中，通常使用C1、C2、C3、C4分别表示单通道、双通道、三通道以及四通道
函数表示数组元素的总个数，在图像中常用它来计算数组中的像素个数。
在我们使用opencv-python读取一张图片成功后，会分别输出图像的四个属性。
| 提示 | 结果 |
|---|---|
| 图像的形状 | （480，320，3） |
| 元素类型 | uint8 |
| 图像通道数 | 3 |
| 像素总数 | 460800 |
ndarray.size的作用就是将图像的像素总数进行计算表示，计算的过程，例如BGR色彩图像，图像的尺寸（480，320，3），利用ndarray.size计算得到的结果应该4803203，最终结果为460800.
2.Numpy常用的函数 1.创建ndarray对象由于在python中导入numpy库时，常常import numpy as np导入，所以程序中np就是表示numpy库，np.array（）函数属于numpy库中的一个函数，用于创建一个多维度的array数组。同时还可以利用np.ones（）建立一个全为1的矩阵’利用np.zeros（）可以建立一个全0矩阵。
2.ndarray对象的索引以及切片在对图像处理时，常常需要对图像的某一个通道进行操作，此时就需要对ndarray对象进行切片以及索引。例如，img[0,0]可以选择灰度图像img中位于（0，0）位置上的像素；img[x1:x2,y1:y2]，可以对图像进行裁剪，其中x1和y1表示图像左上角的坐标，x2和y2表示图像右下角的坐标。使用img[:,:,0]可以获取彩色图像img的蓝色通道，这个方式比opencv中的通道拆分cv.split（）函数的效率要高得多。
3.ndarray对象生成随机数np.random模块中提供了很多种可以生成多种随机数的函数，可以根据需求定义样本区间以及概率分布等。例如，在np.random.randint（）函数可以从给定的范围内随机选取整数；np.random.randn（）函数可以产生服从均值为0，标准差为1的正态分布的数据。
代码如下（示例）：
import numpy as np import cv2 as cv if__name__ == "__mian__" #创建array数组对象， #使用np.array ()创建一个5x5、数据类型为float32的对象 a = np.array（[[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15], [16,17,18,19,20], [21,22,23,24,25]],dtype='float32'）
总结
numpy的使用极大的方便了，开发人员，如果对numpy有较深的理解，可以使得具有数组编程思维的开发人员写出更加高效的代码，在这里也只是简单地介绍一下numpy的相关知识，numpy中还有很多与矩阵有关的函数以及方式还需要我们自己去了解，这个对我们编程具有很大的帮助。其次个人能力有限，文章中有不对的地方，恳请原谅。
