本文主要內容來自於 OpenCV-Python 教程 的 核心操作 部分，這個部分的主要內容如下：
-
學習讀取和編輯像素值，使用圖像 ROI 和其它的基本操作。
-
對圖像執行算術運算
-
獲得解決方案很重要。但是以最快的方式獲得它更重要。學習檢查代碼的速度，優化代碼等。
目標
學習：
- 訪問像素值並修改它們
- 訪問圖像屬性
- 設置感興趣區域 (ROI)
- 分割和合並圖像
本節中幾乎所有的操作都主要與 Numpy 有關，而不是 OpenCV。使用 OpenCV 編寫更好的優化的代碼需要良好的 Numpy 知識。
訪問及修改像素值
讓我們先加載一幅彩色圖像：
#!/use/bin/env python
import numpy as np
import cv2 as cv
if __name__ == "__main__":
cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")
filepath = cv.samples.findFile("messi5.jpg")
img = cv.imread(filepath)
我們可以根據像素點的行和列座標訪問像素的值。對於 BGR 圖像，它返回一個藍色、綠色和紅色值的數組。對於灰度圖像，只返回相應的亮度。
px = img[100, 100]
print(px)
print(px.__class__.__name__)
blue = img[100, 100, 0]
print(blue)
這幾行代碼對應的輸出如下：
[157 166 200]
ndarray
157
彩色圖像像素點的值是由一個 Numpy 的 ndarray 表示的。我們還可以以相同的方式修改像素值。
img[100, 100] = [255, 255, 255]
print(img[100, 100])
這幾行代碼對應的輸出如下：
[255 255 255]
警告 Numpy 是一個爲快速數組計算高度優化的庫。因此，簡單地訪問每個像素值並對其進行修改將非常緩慢，並且不鼓勵這樣做。
注意 上面的方法通常用於選擇數組的一個區域，比如開始的 5 行和最後的 3 列。對於單獨的像素訪問，Numpy 數組方法，
array.item()和array.itemset()被認爲是更好的選擇。它們總是返回一個標量，然而，如果想要訪問所有的 B，G，R 值，則將需要爲每個值分別調用array.item()。
更好的像素訪問和編輯方法：
# accessing RED value
red_value = img.item(10, 10, 2)
print(red_value)
# modifying RED value
img.itemset((10, 10, 2), 100)
red_value = img.item(10, 10, 2)
print(red_value)
這幾行代碼對應的輸出如下：
59
100
訪問圖像的屬性
圖像屬性包括行數、列數和通道數；圖像數據的類型；像素的個數等等。
一幅圖像的形狀可以通過 img.shape 訪問。它返回行數、列數和通道數的元組（如果圖像是彩色的）：
print(img.shape)
這行代碼對應的輸出如下：
(342, 548, 3)
注意 如果圖像是灰度圖，則返回的元組只包含行數和列數，因而這是一種檢查加載的圖像是灰度圖還是彩色圖的好方法。
像素值的總個數通過 img.size 訪問，它是行數、列數和通道數三者的乘積，而不是行數和列數兩者的乘積：
print(img.size)
totoal_pixels = img.shape[0] * img.shape[1] * img.shape[2]
print(totoal_pixels)
這幾行代碼對應的輸出如下：
562248
562248
圖像的數據類型通過 img.dtype 獲取：
print(img.dtype)
這行代碼對應的輸出如下：
uint8
注意
img.dtype在調試時非常重要，因爲 OpenCV-Python 代碼中的大量錯誤都是由無效的數據類型引起的。
圖像 ROI
有時，我們將不得不使用某些圖像區域。對於圖像中的眼睛檢測，首先對整個圖像進行人臉檢測。當獲得人臉時，我們只選擇人臉區域並在其中搜索眼睛，而不是搜索整個圖像。它提高了精度（因爲眼睛總是在臉上：D）和性能（因爲我們在一個更小的區域內搜索）。
使用 Numpy 索引再次獲得 ROI。這裏我們選擇足球，並把它拷貝到圖像的另一個區域：
ball = img[280:340, 330:390]
img[273:333, 100:160] = ball
上面方括號中逗號前面的數字表示選取的區域的行的範圍，即區域的垂直方向的範圍，後面的數字表示選取的區域的列的範圍，即區域的水平方向的範圍。檢查結果如下：
分割和合並圖像通道
有時我們需要分別處理一幅圖像的 B，G，R 通道。在這種情況下，我們需要把 BGR 圖像分割爲單獨的通道。在其它情況下，我們可能需要合併這些單獨的通道，並創建 BGR 圖像。我們可以通過以下方式簡單地做到這一點：
b, g, r = cv.split(img)
img = cv.merge((b, r, g))
這裏有意沒有按照原來的數據格式合併數據，而是把所有像素點的綠色通道和紅色通道的值做了交換。此外，分割獲得的單個色彩通道的值可以作爲一幅灰度圖來繪製。
或者：
b = img[:, :, 0]
假設我們想要把所有像素的紅色通道值都設置爲 0 —— 我們不需要先分割通道。Numpy 的索引更快：
img[:, :, 2] = 0
警告 cv.split() 是一項代價高昂的操作（就時間而言）。因此只在需要的時候使用它。否則使用 Numpy 的索引。
爲圖像製作邊框（填充）
如果要在圖像周圍創建邊框，例如相框，可以使用 cv.copyMakeBorder()。 但它在卷積運算、零填充等方面有更多應用。此函數接收以下參數：
-
src - 輸入圖像
-
top，bottom，left，right - 相應方向上邊框的以像素爲單位的寬度。
-
borderType - 定義了添加何種邊框的標記。它可以是以下類型：
- cv.BORDER_CONSTANT - 添加一個常量彩色邊框。該值應該由下一個參數給出。
- cv.BORDER_REFLECT - 邊框將是邊框元素的鏡像，如下所示：fedcba|abcdefgh|hgfedcb
- cv.BORDER_REFLECT_101 或 cv.BORDER_DEFAULT - 與上面的相同，但有一點輕微的改變：像這樣：gfedcb|abcdefgh|gfedcba
- cv.BORDER_REPLICATE - 最後一個元素在整個過程中被複制，像這樣：aaaaaa|abcdefgh|hhhhhhh
- cv.BORDER_WRAP - 無法解釋，它看起來像這樣：cdefgh|abcdefgh|abcdefg
-
value - 如果邊框類型是 cv.BORDER_CONSTANT 這個是邊框的顏色
下面這段代碼演示了所有這些邊框類型，以使我們獲得更好的理解。
def border_type():
BLUE = [255, 0, 0]
cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")
filepath = cv.samples.findFile("opencv-logo.png")
img1 = cv.imread(filepath)
replicate = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_WRAP)
constant = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_CONSTANT, value=BLUE)
isolated = cv.copyMakeBorder(img1, 10, 10, 10, 10, cv.BORDER_ISOLATED)
plt.subplot(231), plt.imshow(img1, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')
plt.subplots_adjust(wspace=0.4, hspace=0.4)
plt.show()
這裏用到的示例圖像文件同樣在 OpenCV 的示例數據中，因而先查找這個文件的完整路徑並加載。圖像由 matplotlib 顯示。因而 RED 和 BLUE 通道將會被交換 。用 matplotlib 畫圖時，爲了防止不同圖之間相互遮蓋，這裏通過 plt.subplots_adjust(wspace=0.4, hspace=0.4) 對子圖做了一些調整。
來看下最終的結果：
參考文檔
Done.