一、引言

在OpenCV中，图像装载后以矩阵保存，对于灰度图矩阵为二维矩阵，对于彩色图像则为三维矩阵。彩色图像又分为BGR格式和BGRA格式，BGR格式对于像素的蓝、绿、红三个通道，BGRA格式蓝、绿、红三个颜色通道加一个代表透明度的阿尔法通道。有时出于处理需要，需要针对图像矩阵的单个通道进行处理，这时就需要进行图像单通道数据的访问。

二、使用split拆分图像通道

OpenCV提供了专门的通道拆分的函数split，调用语法如下：
split(img, mv=None) 其中的参数为输入图像矩阵，mv是可选的拆分后结果，一般不需要，因为该函数返回的就是拆分的结果。
返回值为一个列表对象，对象的元素个数为输入图像的通道数，每个元素为一个二维矩阵，内容为每个通道的数据。如BGRA格式的图像，则返回4个元素，每个元素分别对应B、G、R、A四个通道的数据。

示例代码：

>>> import cv2
>>> img = cv2.imread(r'f:\pic\ring.png',cv2.IMREAD_UNCHANGED)
>>> img.shape
(742, 1156, 4)
>>> ret = cv2.split(img)
>>> len(ret)
4
>>> B,G,R,A = ret
>>> B
array([[28, 28, 28, ..., 29, 29, 29],
       [28, 28, 28, ..., 29, 29, 29],
       [28, 28, 28, ..., 29, 29, 29],
       ...,
       [35, 35, 35, ..., 35, 35, 35],
       [35, 35, 35, ..., 35, 35, 35],
       [35, 35, 35, ..., 35, 35, 35]], dtype=uint8)
>>> B.shape
(742, 1156)

拆分的通道可以通过merge将其合并成一个图像矩阵，例如对上面拆分的4个通道的BGR通道进行合并，可以执行如下代码：

>>> imgBGR = cv2.merge((B,G,R))
>>> imgBGR.shape
(742, 1156, 3)

三、使用矩阵进行通道数据访问

由于图像在OpenCV中为矩阵，就可以直接使用numpy的矩阵索引来进行矩阵数据的访问。例如要针对输入图像img分别获取BGR通道的数据，可以执行如下代码：

imgBlueC0 = img[:,:,0]
    imgBlueC1 = img[:, :, 1]
    imgBlueC2 = img[:, :, 2]

四、关于通道拆分的建议

  1. 通道拆分和合并操作对应图像来说处理开销比较大，建议仅在必要时才进行
  2. 对于通道拆分，numpy矩阵索引性能要优于OpenCV，图像越大，numpy矩阵索引性能越优

五、一个通道拆分对比的例子

针对如下图像（文件名：手握蓝球.JPG）：

RGB python 颜色表示出错 python中rgb颜色通道_图形图像处理


我们使用两种通道拆分方式分别拆分，然后对比一下拆分结果：

import cv2
import numpy as np

from opencvPublic import preparePreviewImg,previewImgList,previewImg,cmpMatrix,readImgFile

def main():
    imgFName = r'f:\pic\手握蓝球.JPG'

    img = readImgFile(imgFName, False) #自定义读入图片文件的函数，readImgFile(filename,bConvertGray=False,bConvertBinImg=False,bConvertKernal = False)
    imgBlue,imgGreen,imgRed = cv2.split(img)
    imgBlueAnd = cv2.bitwise_and(img,255)
    imgBlueC0 = img[:,:,0]
    imgBlueC1 = img[:, :, 1]
    imgBlueC2 = img[:, :, 2]

    preparePreviewImg(img, imgFName + ': 原图')

    preparePreviewImg(imgBlue, '原图split后B通道')
    preparePreviewImg(imgGreen,  '原图split后G通道')
    preparePreviewImg(imgRed, '原图split后R通道')
    preparePreviewImg(imgBlueAnd, 'imgBlueAnd')
    preparePreviewImg(imgBlueC0, '原图0号通道（B通道）')
    preparePreviewImg(imgBlueC1, '原图1号通道（G通道）')
    preparePreviewImg(imgBlueC2, '原图2号通道（R通道）')

    retB = cmpMatrix(imgBlue, imgBlueC0)
    retG = cmpMatrix(imgGreen, imgBlueC1)
    retR = cmpMatrix(imgRed, imgBlueC2)
    print(f"split拆分图像3通道与图像矩阵数字3通道访问图像比对结果如下：{(retB,retG,retR)}")


    previewImgList()
    cv2.waitKey(5000)

main()

上述代码中从opencvPublic模块导入的函数请参考《/article/details/111351901：OpenCV-Python图形图像处理：自用的一些工具函数功能及调用语法介绍》的介绍。

执行程序后，运行后显示的图像如下：

RGB python 颜色表示出错 python中rgb颜色通道_程序人生_02


系统输出的文本信息如下：

split拆分图像3通道与图像矩阵数字3通道访问图像比对结果如下：(True, True, True)

从以上结果可以看到，两种拆分方式的通道数据完全相同。另外由于拆分后的通道数据被作为灰度图像对待，因此显示的图像为灰度图。上图中imgBlueAnd 对应图像为彩色图像位于255标量后的结果图像，因为值保留了蓝色通道的值，其他通道的值被置为0，因此显示为整体蓝色的图像。

六、小结

本文介绍了OpenCV图像通道拆分的两种方式，可以看到，OpenCV的split函数和numpy的矩阵索引两种拆分方式得到的结果数据是相同的，但numpy矩阵索引方式性能更好。因此图像通道的拆分非必要不执行，如果要执行，尽量采用numpy矩阵操作。