完整教程：Opencv(一): 用Opencv了解图像

文章目录

思维导图
前言
- 一、图像的最小单元
- - 1. 像素的本质
  - 2. 像素的存储形式
- 二、图像的颜色体系
- - 1. RGB三通道的定义
  - 2. 通道数值的物理意义
  - 3. 灰度图与单通道
- 三、存储图像的核心
- - 1. 不同类型图像的数组维度
  - 2. OpenCV的BGR通道顺序
- 四:实验现象
- 五.总结

思维导图

在这里插入图片描述

前言

大家每天浏览的图片、视频，在计算机眼中并非“画面”，而是一串有规律的数字和数组。本文从底层原理到实操细节，逐点拆解计算机处理图像的核心逻辑，帮你建立“数字视角”理解图像。

一、图像的最小单元

像素是图像的基本单元，每个像素存储着图像的颜色、亮度和其他特征，一张
由很多个像素组成的。就是图片
要理解计算机如何看图像，必须先吃透像素的3个核心属性：

1. 像素的本质

像素（Pixel = Picture Element）是图像的基本构成单元，每个像素都承担着“存储信息”的能力，具体包含两类关键数据：

颜色信息：决定该像素显示什么颜色（如红色、蓝色，或灰度图中的明暗）；
位置信息：在图像中的具体坐标（如第3行第5列），确保像素按顺序排列成完整画面。

举个直观例子：一张1920×1080分辨率的图片，意味着它横向有1920个像素，纵向有1080个像素，总像素数为1920×1080=2,073,600个——每个像素都有自己的颜色和位置，共同组成我们看到的画面。

2. 像素的存储形式

计算机只能识别二进制（0和1），因此像素的信息会被转化为二进制数字存储，但我们日常查看时会以十进制或十六进制显示，核心规则如下：

单通道（如灰度图）：每个像素用8位二进制表示，对应十进制的0-255，共256种状态。其中，0代表纯黑色，255代表纯白色，1-254对应不同深浅的灰色（数值越大，颜色越亮）；
多通道（如RGB彩色图）：每个像素由多个通道的数值组合而成，每个通道同样遵循0-255的范围，组合后可表示的颜色总数为255×255×255≈1678万种，足以覆盖人眼能识别的绝大多数颜色。

比如“纯红色”像素，在RGB模型中对应的十进制数值是（255,0,0），转化为二进制就是（11111111, 00000000, 00000000），这就是计算机存储该像素的“原始语言”。

二、图像的颜色体系

日常生活中99%的彩色图像都基于RGB颜色模型，它是计算机处理彩色信息的“通用标准”，应该从“通道定义”“混合规则”“特殊注意事项”三个维度理解：

注意:在OpenCV中像素值的存储顺序是 BGR而不是RGB。计算机处理图像本质上就是对三维数组中的像素值进行操作。

1. RGB三通道的定义

日常生活中常见的图像都是RGB三色图，R代表红色、G代表绿色、B代表蓝色。
RGB图是由很多个像素点构成的，每一个像素点都是由R、G、B三个颜色混合而
成的，几乎所有的颜色都可以借助这三种颜色合成。

而在计算机中，RGB三种颜色被称为RGB三通道，且每个通道的取值都是0-255，
根据这三个通道存储的像素值来对应不同的颜色。

RGB分别对应三种基础色光：Red（红色）、Green（绿色）、Blue（蓝色），这三种色光被称为“三原色光”，其核心特性是：

独立性：每个通道的数值独立控制对应色光的强度，互不干扰；
叠加性：三种色光按不同强度叠加，可生成几乎所有可见颜色（这与颜料混合的“减法原理”不同，RGB是“加法混色”）。

例如：

红色（255,0,0）+ 绿色（0,255,0）= 黄色（255,255,0）；
红色（255,0,0）+ 蓝色（0,0,255）= 品红色（255,0,255）；
绿色（0,255,0）+ 蓝色（0,0,255）= 青色（0,255,255）；
红+绿+蓝（255,255,255）= 白色，（0,0,0）= 黑色。

2. 通道数值的物理意义

每个RGB通道的数值范围是0-255，该范围并非随意设定，而是由“8位二进制”的存储能力决定（2^8=256，即0到255共256个等级），数值大小直接对应色光的“亮度”：

数值=0：该色光完全不发光，通道“关闭”；
数值=255：该色光发光强度最大，通道“满功率”；
数值介于0-255之间：色光强度按比例减弱，比如R=128代表红色亮度是最大值的50%。

我们在“画图”软件或设计工具中看到的“十六进制颜色码”（如#FF0000），本质就是RGB数值的简写：FF对应十进制255（红色通道），00对应0（绿色通道），00对应0（蓝色通道），即纯红色。

3. 灰度图与单通道

灰度图是RGB图像的“简化形式”，它仅保留“亮度信息”，舍弃“颜色信息”，对应计算机中的“单通道”存储：

存储维度：仅用二维数组表示，维度为“图像高度（行数）× 图像宽度（列数）”；
数值意义：每个位置的数值（0-255）直接代表该像素的亮度，0=纯黑，255=纯白，中间数值对应不同灰度（如128=中灰色）；
应用场景：文字识别、边缘检测等场景中，灰度图能减少计算量（无需处理3个通道），同时保留关键的轮廓信息。

三、存储图像的核心

“可视化的图片文件”，但在计算机内存中，它的本质是就是很多人误以为图像多维数组——所有图像处理（如裁剪、调色、滤波），最终都是对数组中数值的修改。

1. 不同类型图像的数组维度

大家以“7×7像素”的图像（横向7列，纵向7行）为例，拆解不同图像的数组结构：

图像类型	数组维度	维度含义	示例（数组形状）	每个元素的意义
灰度图	二维数组	高度（行）× 宽度（列）	(7, 7)	单个0-255的亮度值
RGB彩色图	三维数组	高度（行）× 宽度（列）× 3（RGB通道）	(7, 7, 3)	长度为3的列表，分别对应R、G、B值（如[255,0,0]）

举个具体例子：一张7×7的RGB彩色图，数组中“第2行第3列”的元素是[255,0,0]，意味着该位置的像素是纯红色——其中“第2行第3列”是像素的位置，[255,0,0]是像素的颜色信息。

2. OpenCV的BGR通道顺序

在实际编程中，有一个极易踩坑的细节：OpenCV库存储RGB图像时，通道顺序是BGR（蓝→绿→红），而非常规的RGB。

这意味着：

当你用OpenCV读取一张“纯红色”图片时，计算机内存中存储的数组元素是[0,0,255]（B=0, G=0, R=255），而非[255,0,0]；
若直接用OpenCV显示读取的图像，颜色会出现“反转”（如红色变蓝色），需通过cv2.cvtColor(img, cv2.COLOR_BGR2RGB)将BGR转为RGB，才能正常显示颜色。

OpenCV的历史设计，但作为初学者必须牢记，否则会导致后续实验或项目中颜色处理异常。就是这个细节的根源

四:实验现象

注意:输出的名字不要写重复的,不然会覆盖之前的图像
代码核心逻辑解析：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 创建一个空白的 700x700 彩色图像
image = np.zeros((700, 700, 3), dtype=np.uint8)
# 绘制黑色边框，每个 100x100 像素的块周围
block_size = 100
for i in range(0, 700, block_size):
for j in range(0, 700, block_size):
top_left = (j, i)
bottom_right = (j + block_size - 1, i + block_size - 1)
# 绘制 X 型图案，将两个对角线方向的块填充为红色
if ((i // block_size == j // block_size) or (i // block_size + j // block_size == 6)) and (i != 0) and (i != 600):
cv2.rectangle(image, top_left, bottom_right, (0, 0, 255), -1)  # 使用 -1 填充矩形为红色
else:
cv2.rectangle(image, top_left, bottom_right, (255, 255, 255), 2)  # 绘制其他块的白色边框
# 将 BGR 通道顺序转换为 RGB 顺序，用于 Matplotlib 显示
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 在 Jupyter Notebook 中显示图像
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')  # 不显示坐标轴
plt.show()
# 拆分彩色通道
b, g, r = cv2.split(image)
# 创建空白图像，用于每个通道
blue_channel = np.zeros((700, 700, 3), dtype=np.uint8)
green_channel = np.zeros((700, 700, 3), dtype=np.uint8)
red_channel = np.zeros((700, 700, 3), dtype=np.uint8)
# 分配颜色通道数据
blue_channel[:, :, 0] = b
green_channel[:, :, 1] = g
red_channel[:, :, 2] = r
# 将 BGR 通道顺序转换为 RGB 顺序，用于 Matplotlib 显示
blue_channel_rgb = cv2.cvtColor(blue_channel, cv2.COLOR_BGR2RGB)
green_channel_rgb = cv2.cvtColor(green_channel, cv2.COLOR_BGR2RGB)
red_channel_rgb = cv2.cvtColor(red_channel, cv2.COLOR_BGR2RGB)
# 在 Jupyter Notebook 中显示拆分的颜色通道
plt.subplot(131)
plt.imshow(blue_channel_rgb)
plt.title('Blue Channel')
plt.axis('off')
plt.subplot(132)
plt.imshow(green_channel_rgb)
plt.title('Green Channel')
plt.axis('off')
plt.subplot(133)
plt.imshow(red_channel_rgb)
plt.title('Red Channel')
plt.axis('off')
plt.tight_layout()
plt.show()

输出结果为:
请添加图片描述

五.总结

本文从图像的基础构成到计算机存储逻辑，再到实验实操，拆解了计算机 “看” 图像的核心逻辑：像素是图像的最小单元，利用 0-255 的数值存储颜色与亮度；RGB 三通道以加法混色原理生成彩色，灰度图则用单通道简化存储亮度；而计算机本质是将图像以多维数组形式处理，OpenCV 的 BGR 通道顺序是实操中需重点注意的细节。