在OpenCV图像处理领域，所有操作本质上都是在操作像素。而想要高效地操作像素，就必须理解图像在计算机内存中的存储方式——这离不开Numpy库，尤其是numpy.array。可以说，numpy.array是Python图像处理的基石。下面我们从最基础的图像表示方法开始，逐步拆解像素访问、感兴趣区域（ROI）以及通道操作等核心概念，帮助你系统掌握OpenCV图像处理的基础技能。
图像的基本表示方法
这里我们只讨论三种最常见的类型：二值图像、灰度图像和彩色图像。理解它们的存储原理是进行OpenCV图像处理的第一步。
二值图像
二值图像顾名思义，只有黑白两色。计算机中用“1”表示白色，“0”表示黑色，存储和运算非常高效。由于只需要区分两种状态，一个比特位就能完成表示，常用于图像分割与轮廓提取等场景。
灰度图像
二值图像过于“粗糙”，只有黑白两极，表达细节的能力有限。因此实际应用中更常用的是灰度图像，它将亮度划分为256个级别，数值范围[0, 255]。255代表纯白，0代表纯黑，中间数值对应不同深浅的灰色。每个像素用一个字节（8位）即可存储，恰到好处，是OpenCV图像处理中最基础的数据形式之一。
彩色图像
彩色图像比前两者丰富得多，它基于RGB色彩空间——R（红）、G（绿）、B（蓝）三个通道，每个通道同样取值[0, 255]。通常大家习惯的通道顺序是R-G-B，但OpenCV偏偏不走寻常路，它使用B-G-R顺序，即蓝色在前、绿色居中、红色最后。这一点如果不注意，后续的像素访问和通道操作很容易出错。
像素处理
像素是图像的基本构成单元，所有OpenCV图像处理操作归根结底都是对像素的访问和修改。通过位置索引可以精确锁定每个像素，这是使用numpy.array进行图像处理的核心技巧。
二值图像及灰度图像
在OpenCV中，最小数据类型是无符号8位数，因此严格来说并不存在“二值图像”这种原生数据类型。所谓的二值图像其实是通过处理得到的——用0表示黑色，255表示白色。你可以把它理解为一种特殊的灰度图像，在numpy.array中同样以二维数组形式存储。
彩色图像
RGB图像被读入OpenCV后，会按行依次将B、G、R各通道的像素值存入ndarray的列中。也就是说，一个彩色像素在数组里对应三个数值，分别代表蓝、绿、红三个颜色分量。掌握这个结构，就能高效地进行通道操作和像素级处理。
使用numpy.array访问像素
numpy.array提供了item()和itemset()两个专用函数，它们经过底层优化，比直接索引要快得多，可读性也更好。在OpenCV图像处理中，能用到这两个函数时，建议优先使用，能显著提升像素访问效率。
二值图像及灰度图像
二值图像可以看作灰度图像的特例，因此这里以灰度图像为例说明。函数item()的语法是item(行, 列)，直接返回该位置的像素值。修改像素值则用itemset(索引值, 新值)，其中索引值是一个元组(行, 列)。这种访问方式比直接下标操作更稳定，适合大批量像素处理。
彩色图像
操作彩色图像时，item()和itemset()的用法与灰度图像类似，只是需要额外指定通道。语法变为item(行, 列, 通道)和itemset(三元组索引值, 新值)。注意：必须同时指定行、列和通道，只写行和列是不行的，否则会触发索引错误。
感兴趣区域（ROI）
处理图像时，我们往往只关心其中某个区域，比如人脸、车牌或物体轮廓。这个区域就叫感兴趣区域（Region of Interest, ROI）。设定ROI后，可以整体操作它——赋值、复制都很方便。例如img[200:400, 200:400]就截取了以(200,200)为左上角、大小为200×200的矩形区域。掌握ROI技术，能够大幅提升图像处理的效率和针对性。
通道操作
拆分通道
通过索引拆分
最简单的方式就是用索引直接提取。对于OpenCV中的BGR图像img：
b = img[:,:,0]
g = img[:,:,1]
r = img[:,:,2]
通过函数拆分
cv2.split()也能完成同样的工作，一句代码搞定：
b = cv2.split(a)[0]
g = cv2.split(a)[1]
r = cv2.split(a)[2]
两种方法本质相同，但索引方式更灵活，适合需要批量处理通道数据的场景。
通道合并
拆分是逆过程，合并则把三个单通道图像拼回彩色图。用cv2.merge()即可：
brg = cv2.merge([b, g, r])
注意合并时顺序要对应OpenCV的B-G-R，否则颜色就乱了，这也是新手最容易踩的坑。
获取图像属性
图像处理中经常需要了解图像的尺寸、类型等信息，这里介绍几个常用属性，它们都是通过numpy.array直接获取的。
- shape：彩色图像返回
(行数, 列数, 通道数)，灰度和二值图像只返回(行数, 列数)。通过判断返回值长度是2还是3，就能区分灰度和彩色图像，这是图像分类的常用技巧。 - size：返回像素总数，计算公式是
行数 × 列数 × 通道数。灰度/二值图像的通道数视为1，可用于估算内存占用。 - dtype：返回图像的数据类型，通常是
uint8。注意，如果图像经过归一化处理，类型会变成float32，影响后续运算。
最后看一个实际应用——从图像中提取肤色区域：
import cv2
img = cv2.imread("lesson2.jpg")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)
minHue = 5
maxHue = 170
hueMask = cv2.inRange(h, minHue, maxHue)
minSat = 25
maxSat = 166
satMask = cv2.inRange(s, minSat, maxSat)
mask = hueMask & satMask
roi = cv2.bitwise_and(img, img, mask=mask)
cv2.imshow("img", img)
cv2.imshow("ROI", roi)
cv2.waitKey()
cv2.destroyAllWindows()
这个例子将图像转到HSV色彩空间，通过色调和饱和度范围生成掩模，再与原图做按位与运算，就能把肤色部分单独提取出来。感兴趣区域的处理思路，其实万变不离其宗，掌握了ROI和通道操作，你就能灵活应对各种OpenCV图像处理任务。