如何在python中统一分割图像？

我用cv2加载了一个图像。我重新缩放了图像，将其转换为YCbCR颜色空间。我将图像分为3个部分

    image_rescaled.shape
    Output[8]: (2016, 1512, 3)
    Y, Cr, Cb = cv2.split(image_rescaled)
    Y.shape
    Output[9]: (2016, 1512)

一旦我执行了我需要的任何操作，我就想把这三个组件合并回去。我怎样才能做到？我在这一点上陷入了困境。

OpenCV有一个函数可以做到这一点。它可以合并任意数量的通道。此外，我们也会做同样的事情

您还可以使用

np.split（）

或

np.dsplit（）

将三通道图像分割为单独的通道；但这与

cv2.split（）；检查结果操作的形状（特别是拆分后单个通道的形状）：

使用OpenCV函数：

>>> img = cv2.imread('image.png')
>>> b, g, r = cv2.split(img)
>>> bgr = cv2.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640)
>>> bgr.shape
(508, 640, 3)

>>> img = cv2.imread('image.png')
>>> b, g, r = np.dsplit(img, 3)
>>> bgr = np.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640, 1)
>>> bgr.shape
(508, 640, 3)

使用numpy功能：

>>> img = cv2.imread('image.png')
>>> b, g, r = cv2.split(img)
>>> bgr = cv2.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640)
>>> bgr.shape
(508, 640, 3)

>>> img = cv2.imread('image.png')
>>> b, g, r = np.dsplit(img, 3)
>>> bgr = np.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640, 1)
>>> bgr.shape
(508, 640, 3)

无论哪种方式，在与OpenCV或numpy合并后，生成的形状都是您想要的。请注意，这两种方法都可以用于堆叠任意矩阵，不管您需要多少通道。这有助于堆叠图像序列以进行处理或存储。您甚至可以将单通道图像与多通道图像（或者，可能更常见的是，将一个或多个通道添加到图像堆栈中）堆叠在一起：

因此，下一个问题是“是否有任何理由使用一个而不是另一个？”因为输出是相同的，并且它们都处理我们可能需要的输入，所以唯一的另一个主要问题是速度。而且（令我惊讶的是），OpenCV的
cv2.merge（）
函数的速度快了一个数量级：

import cv2
import numpy as np

img = cv2.imread('image.png')
b, g, r = cv2.split(img)

import timeit
times = range(50000)

start_time = timeit.default_timer()
for t in times:
    A = cv2.merge([b, g, r])
print("cv2.merge: ", timeit.default_timer() - start_time, "s")

start_time = timeit.default_timer()
for t in times:
    A = np.dstack([b, g, r])
print("np.dstack: ", timeit.default_timer() - start_time, "s")

cv2.merge:3.03491634999922724 s

np.dstack:22.386054433998652秒

OpenCV有一个函数可以实现这一点。它可以合并任意数量的通道。此外，我们也会做同样的事情

您还可以使用
np.split（）
或
np.dsplit（）
将三通道图像分割为单独的通道；但这与
cv2.split（）；检查结果操作的形状（特别是拆分后单个通道的形状）：

使用OpenCV函数：

>>> img = cv2.imread('image.png')
>>> b, g, r = cv2.split(img)
>>> bgr = cv2.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640)
>>> bgr.shape
(508, 640, 3)

>>> img = cv2.imread('image.png')
>>> b, g, r = np.dsplit(img, 3)
>>> bgr = np.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640, 1)
>>> bgr.shape
(508, 640, 3)

使用numpy功能：

>>> img = cv2.imread('image.png')
>>> b, g, r = cv2.split(img)
>>> bgr = cv2.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640)
>>> bgr.shape
(508, 640, 3)

>>> img = cv2.imread('image.png')
>>> b, g, r = np.dsplit(img, 3)
>>> bgr = np.merge([b, g, r])
>>> img.shape
(508, 640, 3)
>>> b.shape
(508, 640, 1)
>>> bgr.shape
(508, 640, 3)

无论哪种方式，在与OpenCV或numpy合并后，生成的形状都是您想要的。请注意，这两种方法都可以用于堆叠任意矩阵，不管您需要多少通道。这有助于堆叠图像序列以进行处理或存储。您甚至可以将单通道图像与多通道图像（或者，可能更常见的是，将一个或多个通道添加到图像堆栈中）堆叠在一起：

因此，下一个问题是“是否有任何理由使用一个而不是另一个？”因为输出是相同的，并且它们都处理我们可能需要的输入，所以唯一的另一个主要问题是速度。而且（令我惊讶的是），OpenCV的
cv2.merge（）
函数的速度快了一个数量级：

import cv2
import numpy as np

img = cv2.imread('image.png')
b, g, r = cv2.split(img)

import timeit
times = range(50000)

start_time = timeit.default_timer()
for t in times:
    A = cv2.merge([b, g, r])
print("cv2.merge: ", timeit.default_timer() - start_time, "s")

start_time = timeit.default_timer()
for t in times:
    A = np.dstack([b, g, r])
print("np.dstack: ", timeit.default_timer() - start_time, "s")

cv2.merge:3.03491634999922724 s

np.dstack:22.386054433998652秒

你的回答很好，所以我将删除我的。谢谢你的详细回答。这帮了大忙。@SanketWagh如果这帮了你的忙，你介意把答案标记为已接受吗？否则，如果您对此有其他问题，请告诉我。@cᴏʟᴅsᴘᴇᴇᴅ 谢谢你的支持；我本来打算把
cv2.merge（）
作为对你答案的评论，但我决定对差异进行计时，当我看到
cv2.merge（）
的巨大差异时，我就写了这篇文章。你的答案很好，所以我将删除我的答案。谢谢你提供的详细答案。这帮了大忙。@SanketWagh如果这帮了你的忙，你介意把答案标记为已接受吗？否则，如果您对此有其他问题，请告诉我。@cᴏʟᴅsᴘᴇᴇᴅ 谢谢你的支持；我本来打算把
cv2.merge（）
作为对您答案的评论，但我决定对差异进行计时，当我看到
cv2.merge（）
的巨大差异时，我结束了这篇文章。