1.导入必要的库

import numpy as npimport scipy%matplotlib  inlineimport matplotlib.pyplot as plt

2.加载图片

image = matplotlib.pyplot.imread('../datas/f4.jpg') #读入的是灰度图像

3.查询图像数据几何数据和像素数量

# 图像的高和宽rows,cols = image.shape # 图像的像素数量，对于灰度图像和二图像pixels = rows*cols,对于RGB或RGBA图像：pixel=rows * cols * channelspixels = image.size

4.查询图像统计信息

# 像素最大和最小值print('max pixel value = %d,min pixel value = %d' % (camera.max(),camera.min()))# 整个图像像素均值print('mean = %f' % camera.mean())

5.图像像素索引

图像像素在通过Numpy的NDArray表示，操作方式和操作普通矩阵没有什么区别。 例如。在这里需要注意的一点是，image.shape[0]表示图像的行，image.shape[1]表示图像的列。访问图像的第10行，第20列的像素（Slicing操作）：

print('pixel at image(10,20) = %d' % (image[10,20]))

设置前10行为黑色：

image[0:10] = 0

Masking操作（通过布尔值来索引），例如，灰度图像二值化： 查找图像所有小于87的像素值,半把这些像素设置为255：

mask = image < 87image[mask] = 255

优雅索引（通过坐标集来索引），例如：

index_r = np.arange(len(image))index_c = 4 * index_r % len(image)image[index_r,index_c] = 0

使用Mask方式对图像索引，特别是需要对图像像素进一步操作时，相当方便。Mask可以任何与图像大小相同的boolean值数组或者可以广播成图像大小的boolean数组。例如，定义图像兴趣区域(ROI):

camera = plt.imread('../datas/f2.jpg')nrows,ncols = camera.shaperow,col = np.ogrid[:nrows,:ncols]cnt_row,cnt_col = nrows / 2,ncols / 2outer_disk_mask = ((row - cnt_row) ** 2 + (col - cnt_col) ** 2 > (nrows / 2) ** 2)camera[outer_disk_mask] = 0

6.彩色图像

彩色图像也可能使用Numpy的数组来表示，只不过比灰度图像多了一个维度。

cat = plt.imread('../datas/cat.jpg')print('shape of clolor image = ',cat.shape)

对像素的索引区别不大，只不过彩色图像返回的是RGB或其他彩色空间类型值

# R、G、B分量print('pixel = ',cat[10,20])#设置第50行第60列的像素为0cat[50,60] = 0# 设置第50行第60列的像素为绿色cat[50,60] = [0,255,0]

对彩色图像，同样可以使用Mask方式索引，例如：

cat = data.chelsea()# 对图像第一个通道像素进行Mask索引reddish = cat[:,:,0] > 160cat[reddish] = [0,255,0]plt.imshow(cat)

7.坐标约定

由于我们使用Numpy array来表示图像，所以图像的坐标必须同Numpy的array相对应。如下所示：