1、访问和修改像素值
加载彩色图像：
import numpy as np import cv2 as cv image=cv.imread("dog2.jpg",1)
谷歌colab上显示图像：
from google.colab.patches import cv2_imshow cv2_imshow(image)
你可以通过行和列坐标来访问像素值。对于 BGR 图像，它返回一个由蓝色、绿色和红色值组成的数组。对于灰度图像，只返回相应的灰度。
px=image[100,100]
array([193, 200, 215], dtype=uint8)
blue=image[100,100,0]
193
你可以用相同的方式修改像素值。
image[100,100]=[255,255,255]
array([255, 255, 255], dtype=uint8)
警告
Numpy是用于快速数组计算的优化库。因此，简单地访问每个像素值并对其进行修改将非常缓慢，因此不建议使用。
注意 上面的方法通常用于选择数组的区域，例如前5行和后3列。对于单个像素访问，Numpy数组方法array.item()和array.itemset())被认为更好，但是它们始终返回标量。如果要访问所有B，G，R值，则需要分别调用所有的array.item()。
更好的像素访问和编辑方法：
image.item(100,100,2)
255
img.itemset((10,10,2),100)
2、访问图像属性
图像属性包括行数，列数和通道数，图像数据类型，像素数等。、
（1）图像的形状：image.shape
（2）像素总数：image.size
（3）图像的数据类型：image.dtype
3、图像的感兴趣区域
有时候，你不得不处理一些特定区域的图像。对于图像中的眼睛检测，首先对整个图像进行人脸检测。在获取人脸图像时，我们只选择人脸区域，搜索其中的眼睛，而不是搜索整个图像。它提高了准确性(因为眼睛总是在面部上:D )和性能(因为我们搜索的区域很小)。
使用Numpy索引再次获得ROI。在这里，我要选择球并将其复制到图像中的另一个区域：
ball = img[280:340, 330:390]
img[273:333, 100:160] = ball
4、拆分和合并通道
有时你需要分别处理图像的B，G，R通道。在这种情况下，你需要将BGR图像拆分为单个通道。在其他情况下，你可能需要将这些单独的频道加入BGR图片。你可以通过以下方式简单地做到这一点：
b,g,r=cv.split(image)
image=cv.merge(b,g,r)
要么
b=image[:,:,0]
警告
cv.split()是一项耗时的操作（就时间而言）。因此，仅在必要时才这样做。否则请进行Numpy索引。
5、为图像设置边框（也就是padding操作）
如果要在图像周围创建边框（如相框），则可以使用cv.copyMakeBorder()。它在卷积运算，零填充等方面有更多应用。此函数采用以下参数：
-
src - 输入图像
-
top，bottom，left，right 边界宽度（以相应方向上的像素数为单位）
-
borderType - 定义要添加哪种边框的标志。它可以是以下类型：
- cv.BORDER_CONSTANT - 添加恒定的彩色边框。该值应作为下一个参数给出。
- cv.BORDER_REFLECT - 边框将是边框元素的镜像，如下所示： fedcba | abcdefgh | hgfedcb
- cv.BORDER_REFLECT_101或 cv.BORDER_DEFAULT与上述相同，但略有变化，例如： gfedcb | abcdefgh | gfedcba
- cv.BORDER_REPLICATE最后一个元素被复制，像这样： aaaaaa | abcdefgh | hhhhhhh
-
cv.BORDER_WRAP难以解释，它看起来像这样： cdefgh | abcdefgh | abcdefg
-
value -边框的颜色，如果边框类型为cv.BORDER_CONSTANT
下面是一个示例代码，演示了所有这些边框类型，以便更好地理解：
import cv2 as cv import numpy as np from matplotlib import pyplot as plt BLUE = [255,0,0] img1 = cv.imread('opencv-logo.png') 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) 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.show()
请参阅下面的结果。（图像与matplotlib一起显示。因此红色和蓝色通道将互换）：
参考：http://woshicver.com/FourthSection/3_1_%E5%9B%BE%E5%83%8F%E7%9A%84%E5%9F%BA%E6%9C%AC%E6%93%8D%E4%BD%9C/