這兩種技術應該會產生相似的結果。為什么圖像在 for 循環技術中會倒轉？
因為你應該這樣做，轉換數據類型：
imgc = np.uint64(img_paris.copy()) # <-- convert datatype
for x in range(yellow_image.shape[0]):
for y in range(yellow_image.shape[1]):
imgc[x,y] = (imgc[x,y] * yellow_image[x,y])
解釋部分 1 (dtype)
這是因為dtype在重新分配完整矩陣時會發生變化，而在重新分配切片時不會發生：
a = np.array([[1]], np.uint8)
b = np.array([[1]], np.float64)
a[0] = a[0] * b[0] # assigning slices dtype of a does not change
print(a.dtype) #=> uint8
a = a * b # while assigning the full matrix it does
print(a.dtype) #=> float64
如果您dtype一路打印，您會看到：
yellow_image_1 = np.ones(img_paris.shape) * 255
print(yellow_image_1.dtype) #=> float64
yellow_image_1[:,:,0] *= 0
print(yellow_image_1.dtype) #=> float64
imgc_1 = img_paris.copy()
print(imgc_1.dtype) #=> uint8
imgc_1 = (imgc_1 * yellow_image_1)
print(imgc_1.dtype) #=> float64
和這個：
yellow_image_2 = np.ones(img_paris.shape) * 255
print(yellow_image_2.dtype) #=> float64
yellow_image_2[:,:,0] *= 0
print(yellow_image_2.dtype) #=> float64
imgc_2 = img_paris.copy()
print(imgc_2.dtype) #=> uint8
for x in range(yellow_image_2.shape[0]):
for y in range(yellow_image_2.shape[1]):
imgc_2[x,y] = (imgc_2[x,y] * yellow_image_2[x,y])
print(imgc_2.dtype) #=> uint8
所以你最終會得到不同的dtype矩陣。
解釋部分 2 (OpenCV BGR)
如前所述，請記住 OpenCv 使用BGR 格式并且每個像素值從到0，255說np.uint8。
因此，如果您使用的是 matplotlib，為了顯示圖像，您必須交換 B 和 R 通道：
img_paris = cv2.imread('3ClnT.jpg')
plt.imshow(img_paris[:,:,::-1])
如果您使用cv2.imwrite()或cv2imshow()保存，則不需要這樣做，例如：
cv2.imwrite('paris.jpg', img_paris)
也就是說，您可以使用這個線性命令生成純黃色圖像：
yellow_image = np.ones_like(img_paris) * (0, 255, 255)
并顯示或保存它：
plt.imshow(yellow_image[:,:,::-1])
cv2.imwrite('solid_yellow.jpg', yellow_image)
現在，乘法結果的paris_yellow = img_paris * yellow_image值大于255：
[0..1]使用 RGB 數據（對于浮點數或[0..255]整數）將輸入數據剪切到 imshow 的有效范圍。
所以，當你相乘時，你最終得到的最大像素值可以是255 * 255 = 65025.
然后你需要：
將乘法項轉換為支持整數的數據類型65025
乘法后，歸一化然后轉換回uint8
這是一個例子：
paris_yellow_2 = np.int64(img_paris) * np.int64(yellow_image) # <- use int64 terms
max_px_val = np.amax(paris_yellow_2) # <-- Max pixel alue
paris_yellow_2 = np.uint8((paris_yellow_2/max_px_val) * 255) # <- normalize and convert back to uint8
plt.imshow(paris_yellow_2[:,:,::-1])
這是結果：
給出不同結果的其他選項G是將和通道相乘以獲得大于crop 值的R系數。在這種情況下，您需要使用 float ：1>255dtype
paris_yellow_3 = np.float64(img_paris) * (1, 3, 3)
paris_yellow_3[paris_yellow_3 > 255] = 255 # <- crops to 255 pixels values > 255
paris_yellow_3 = paris_yellow_3.astype(np.uint8) # <- back to uint8
在這種情況下B，乘以1（不變），G并R乘以3，得到以下結果：
