參數(shù)：reverse

另一個(gè)關(guān)鍵字參數(shù)reverse是簡單的布爾值，用于指明是否要進(jìn)行反向排序
>>> x=[3,1,2,6,4,5,7,9,8]
>>> x.sort(reverse=True)
>>>x
[9, 8, 7, 6, 5, 4, 3, 2, 1]

注意：cmp,key,reverse參數(shù)都可用于sorted函數(shù)。

4. 元組
元組與列表一樣，也是一種序列，但元組是不可變列表，元組不能修改。

元組的作用

體現(xiàn)在映射（和集合的成員）中當(dāng)做鍵使用——列表不行
元組在很多內(nèi)建函數(shù)的返回值存在，也就是說我們必須對(duì)元組進(jìn)行處理

（1）創(chuàng)建元組
創(chuàng)建一個(gè)元組
>>>1,2,3
(1,2,3)

元組大部時(shí)候通過圓括號(hào)括起來
>>>x=(1,2,3)
>>>x
(1,2,3)

創(chuàng)建一個(gè)空元組

空元組可以用沒有內(nèi)容的空括號(hào)括起來
>>>()
()

創(chuàng)建一個(gè)包含一個(gè)元素的元組
>>>(10,)
(10,)

是的，一個(gè)元素也需要用逗號(hào)。逗號(hào)很重要，看下面的例子
>>>2*(3+2)
10
>>>2*(3+2,)
(5, 5)

不加逗號(hào)為數(shù)字，加逗號(hào)就是元組。

（2）tuple函數(shù)
tuple函數(shù)以一個(gè)序列作為參數(shù)并轉(zhuǎn)換為元組，如果參數(shù)本身就是元組，則不發(fā)生變化。
>>>tuple([1,2,3])
(1,2,3)
>>>tuple(['a','b','c'])
('a','b','c')
>>>tuple((1,2,3))
(1,2,3)

（3）元組基本操作
元組除了創(chuàng)建和訪問其元素外，沒有太多其他操作，元組操作與操作其他序列類似。
>>>x=1,2,3
>>>x[1]
2
>>>x[0:2]
(1,2)

5. NumPy的array（數(shù)組）對(duì)象

NumPy模塊用于python計(jì)算機(jī)視覺編程時(shí)的向量、矩陣的表示與操作，是opencv for python的主要數(shù)據(jù)結(jié)構(gòu)模塊。NumPy中的數(shù)組對(duì)象array是多維的，可以用來表示向量、矩陣和圖像。一個(gè)數(shù)組對(duì)象很像一個(gè)列表（或者是列表的列表），但數(shù)組中的元素必須具有相同的數(shù)據(jù)類型。除非創(chuàng)建數(shù)組對(duì)象時(shí)指定數(shù)據(jù)類型，否則數(shù)據(jù)類型會(huì)按照數(shù)據(jù)的類型自動(dòng)確定。

本節(jié)代碼假定已經(jīng)以如下形式導(dǎo)入OpenCV和NumPy兩個(gè)庫
import cv2
import numpy as np

（1）np.array()創(chuàng)建數(shù)組
>>> a = np.array([1, 2, 3, 4])
>>> b = np.array((5, 6, 7, 8))
>>> c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
>>> b
array([5, 6, 7, 8])
>>> c
array([[1, 2, 3, 4],
[4, 5, 6, 7],
[7, 8, 9, 10]])
>>> d = np.arange(15).reshape(3, 5)
>>> d
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])

（2）np.array()創(chuàng)建黑白圖像
使用np.zeros()創(chuàng)建一幅圖像，dtype為元素?cái)?shù)據(jù)類型，下文有具體分析，8位灰度圖像為uint8型。接著用np.ones()創(chuàng)建一幅圖像，通過賦值稱為一幅白色圖像。
img1 = np.ones((100,200),dtype=np.uint8)
img2 = np.ones((100,200),dtype=np.uint8)
img2[:]=255;
cv2.imshow('img1',img1)
cv2.imshow('img2',img2)
cv2.waitKey(0)

?

彩色圖像的創(chuàng)建需要指定一個(gè)3維數(shù)組，具體方法請(qǐng)看下文。

（3）ndarray.shape屬性獲得/修改數(shù)組形狀

獲取數(shù)組 shape 屬性

數(shù)組的形狀可以通過其shape 屬性獲得，它是一個(gè)描述數(shù)組各個(gè)軸長度的元組(tuple)，看看上文定義的a,c數(shù)組的shape屬性：
>>> a.shape
(4,)
>>> c.shape
(3, 4)

數(shù)組a的shape 屬性只有一個(gè)元素，因此它是一維數(shù)組。而數(shù)組c的shape屬性有兩個(gè)元素，因此它是二維數(shù)組，其中第0軸的長度為3，第1軸的長度為4。

獲取圖像的寬高

圖像本質(zhì)是矩陣，因此可以使用shape屬性獲取圖像矩陣的行、列和通道數(shù)，如果圖像是灰度圖，則沒有第3個(gè)參數(shù)。我們也可以用ndim方法判斷圖像通道數(shù)：
img = cv2.imread('f:/images/cow.jpg')
rows,cols,channels = img.shape
print 'rows,cols,channels = ',rows,cols,channels
print 'demension = ',img.ndim
cv2.imshow('test',img)
cv2.waitKey(0)

運(yùn)行結(jié)果：

rows,cols,channels = 400 600 3

demension = 3

修改數(shù)組 shape 屬性

可以通過修改數(shù)組的shape 屬性，在保持?jǐn)?shù)組元素個(gè)數(shù)不變的情況下，改變數(shù)組每個(gè)軸的長度。下面的例子將數(shù)組c的shape 屬性改為(4,3)，注意：從(3,4)改為(4,3)并不是對(duì)數(shù)組進(jìn)行轉(zhuǎn)置，而只是改變每個(gè)軸的大小，數(shù)組元素在內(nèi)存中的位置并沒有改變。
>>> c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
>>> c.shape = 4,3
>>> c
array([[ 1, 2, 3],
[ 4, 4, 5],
[ 6, 7, 7],
[ 8, 9, 10]])

當(dāng)設(shè)置某個(gè)軸的元素個(gè)數(shù)為-1 時(shí)，將自動(dòng)計(jì)算此軸的長度。由于數(shù)組c 中有12 個(gè)元素，因此下面的程序?qū)?shù)組c 的shape 屬性改為了(2,6)：
>>> c.shape = 2,-1
>>> c
array([[ 1, 2, 3, 4, 4, 5],
[ 6, 7, 7, 8, 9, 10]])

使用數(shù)組的reshape()方法，可以創(chuàng)建指定形狀的新數(shù)組，而原數(shù)組的形狀保持不變
>>> a = np.array([1, 2, 3, 4])
>>> e = a.reshape((2,2)) # 也可以用a.reshape(2,2)
>>> e
array([[1, 2],
[3, 4]])
>>> a
array([1, 2, 3, 4])

注意：數(shù)組a 和e 其實(shí)共享數(shù)據(jù)存儲(chǔ)空間，因此修改其中任意一個(gè)數(shù)組的元素都會(huì)同時(shí)修改另外一個(gè)數(shù)組的內(nèi)容：
>>> a[1] = 100 # 將數(shù)組a 的第一個(gè)元素改為100
>>> e # 注意數(shù)組d 中的2 也被改為了100
array([[ 1, 100],
[3, 4]])

（4）ndarray.ndim屬性：數(shù)組維度
返回?cái)?shù)組的軸數(shù)量，即維度。在Python中維度稱為rank

（5）ndarray.dtype屬性：數(shù)組元素類型
數(shù)組的元素類型可以通過dtype 屬性獲得。前面例子中，創(chuàng)建數(shù)組所用序列的元素都是整數(shù)，因此所創(chuàng)建的數(shù)組的元素類型是整型，并且是32bit 的長整型：
>>> c.dtype
dtype('int32')
>>>print img1.dtype
uint8

NumPy 中的數(shù)據(jù)類型都有幾種字符串表示方式，字符串和類型之間的對(duì)應(yīng)關(guān)系都存儲(chǔ)在typeDict 字典中，例如'd'、'double'、'float64'都表示雙精度浮點(diǎn)類型：
>>> np.typeDict["d"]

>>> np.typeDict["double"]

>>> np.typeDict["float64"]

完整的類型列表可以通過下面的語句得到，它將typeDict字典中所有的值轉(zhuǎn)換為一個(gè)集合，從而去除其中的重復(fù)項(xiàng)：
>>> print set(np.typeDict.values())
set([, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ])

（6）ndarray.size屬性：數(shù)組元素個(gè)數(shù)
數(shù)組中所有元素的個(gè)數(shù)。這個(gè)參數(shù)等于shape屬性返回的參數(shù)的乘積。
>>>print img1.shape
(100,200)
>>>print img1.size
20000

（7）ndarray.itemsize屬性：單個(gè)數(shù)組元素所占字節(jié)數(shù)
數(shù)組單個(gè)元素所占的字節(jié)數(shù)。例如，數(shù)組元素為float64型時(shí)，其itemsize=8 (=64/8)。如果是復(fù)數(shù)complex32類型，則itemsize 4 (=32/8)。
>>>print img1.itemsize
1

（8）ndarray.data屬性：實(shí)際數(shù)組元素的緩存
通常用不到這個(gè)屬性，因?yàn)榭梢酝ㄟ^下標(biāo)方位數(shù)組元素。

（9）訪問像素/訪問多維數(shù)組元素
NumPy的array數(shù)組對(duì)象與Python中的序列一樣，可以通過下標(biāo)、切片的方式訪問。

多維數(shù)組的存取和一維數(shù)組類似，因?yàn)槎嗑S數(shù)組有多個(gè)軸，因此它的下標(biāo)需要用多個(gè)值表示。NumPy 采用元組(tuple)作為數(shù)組的下標(biāo)，元組中的每個(gè)元素和數(shù)組的每個(gè)軸對(duì)應(yīng)。下圖顯示了一個(gè)形狀為(6,6)的數(shù)組a，圖中用不同顏色和線型標(biāo)識(shí)出各個(gè)下標(biāo)對(duì)應(yīng)的選擇區(qū)域。
>>> a = np.arange(0, 60, 10).reshape(-1, 1) + np.arange(0, 6)
>>> a
array([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])

?

Python 的下標(biāo)語法(用[]存取序列中的元素)本身并不支持多維，但是由于可以使用任何對(duì)象作為下標(biāo)，因此NumPy 使用元組作為下標(biāo)存取數(shù)組中的元素，使用元組可以很方便地表示多個(gè)軸的下標(biāo)。雖然在Python 程序中，經(jīng)常用圓括號(hào)將元組的元素括起來，但其實(shí)元組的語法只需要用逗號(hào)隔開元素即可，例如“x,y=y,x”就是用元組交換變量值的一個(gè)例子。因此a[1,2]和a[(1,2)]完全相同，都是使用元組(1,2)作為數(shù)組a 的下標(biāo)。

（10）np.array()創(chuàng)建彩色圖像
下面的例子通過創(chuàng)建一個(gè)3維數(shù)組作為3通道彩色圖像，并給不同通道賦值，創(chuàng)建兩幅不同的色彩圖像：
import cv2
import numpy as np
import random

# create a blue image
img3 = np.zeros((100,200,3),dtype=np.uint8)
img3[:,:,0]=255 # blue channel

# create a random color image
img4 = np.zeros((100,200,3),dtype=np.uint8)
seq = xrange(0,255)
ch0 = random.sample(seq,200)
ch1 = random.sample(seq,200)
ch2 = random.sample(seq,200)
img4[0:200,:,0] = ch0
img4[0:200,:,1] = ch1
img4[0:200,:,2] = ch2

# display image
cv2.imshow('img3',img3)
cv2.imshow('img4',img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

?

（11）通道分離
下面的代碼實(shí)現(xiàn)BGR通道分離：
img = cv2.imread('f:/images/Lena.jpg')

b = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
g = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)
r = np.zeros((img.shape[0],img.shape[1]), dtype=img.dtype)

b[:,:] = img[:,:,0]
g[:,:] = img[:,:,1]
r[:,:] = img[:,:,2]

cv2.imshow("Blue", r)
cv2.imshow("Red", g)
cv2.imshow("Green", b)
cv2.waitKey(0)
cv2.destroyAllWindows()

?

（12）設(shè)置mask屏蔽不感興趣區(qū)域
img = cv2.imread('f:/images/Lena.jpg',0)
mask = np.zeros((img.shape[0],img.shape[1]),dtype=img.dtype)
mask[img.shape[0]/4:3*img.shape[0]/4,img.shape[1]/4:3*img.shape[1]/4] = 255
img_mask = img.copy()
img_mask[mask==0]=0
cv2.imshow('mask',mask)
cv2.imshow('Lena_mask',img_mask)
cv2.imshow('Lena',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

讀取彩色或黑白圖像都可已使用上述代碼。讀取彩色圖像cv2.imread()的可選標(biāo)志為置1。