在上个教程中，我们介绍了使用鼠标画笔的功能。本次教程，我们将要谈及OpenCV图像处理的基本操作。
本教程我们需要介绍的是：
· 查看图像的像素值并修改它们
· 查看图像属性
· 查看感兴趣区域（ROI）
· 分割并合并图像
本次教程的所有操作基本上都和Numpy相关，而不是与OpenCV相关。要使用OpenCV编写更好的优化代码，需要Numpy的丰富知识。
查看和修改像素值
我们要想查看一幅图像中某一个像素点的像素值，首先需要进行定位，将其坐标标定，我们先来看一个彩色图像（仍然是我们的猫咪，本次教程它是我们的主角）：
现在我想查看某一个坐标的像素值，我们在pycharm中输入代码：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)代码为查看图像坐标（200，200）处的像素值，我们来看结果：
在之前的教程中我们谈到，OpenCV对于图像的读取并非是RGB通道，而是BGR通道，那么程序输出的[178，189，186]则分别对应于BGR的像素，我们可以进行验证：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
B = img[200,200,0]
G = img[200,200,1]
R = img[200,200,2]
print(px,B,G,R)
现在我们假设，如果图像并非彩色，而是黑白的灰度图像，那么将会怎么输出？先进行实验：
我们仍然用刚刚的代码进行实验（前提是图像已经灰度化处理，这在后面会讲到），效果：
可以看到，BGR的像素一致，我们得出一个结论：对于灰度图像，其输出的像素值本质上为它的亮度强度值，值的范围为0-255之间，当为0时，则全部为黑色，相反则为白色。
接下来我们来修改像素值，将指定坐标的像素值用一个数组进行赋值：
import cv2
import numpy as np
img = cv2.imread("cat1.jpg")
#获取像素值
px = img[200,200]
print(px)
img[200,200] = [225,225,225]
print(img[200,200])查看输出：
可以看到，初始像素值跟修改之后的像素值。
一般来说，数组通常选择的是某一片区域，比如头几行或者最后几列。而对于某个像素点的访问，Numpy数组方法，array.item() 和array.itemset()有着更好的作用。但是它返回的是一个标量。所以如果我们想访问所有的B, G, R值，就需要分开调用array.item()，我们来看代码（仍然以坐标200，200为例）：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)
print(img.item(200,200,0))我们用item输出像素的B值，也就是蓝色像素的数值：
实验可以看到，跟之前的效果是一样的。
对于指定坐标的赋值，我们使用itemset函数可以精确到某个像素，比如现在我只对蓝色像素的数值进行改变：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
#获取像素值
px = img[200,200]
print(px)
print(img.item(200,200,0))
img.itemset((200,200,0),100)
print(img.item(200,200,0))
可以看到，对于指定的颜色通道的赋值时完全可以的。
查看图像属性
现在将要对图像的各个属性进行研究，图像属性包括行数，列数和通道数；图像数据类型；像素数；等等。
对于一个图像，我们使用shape可以返回行数、列数以及颜色通道的元数：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
print(img.shape)
输出的第三个数值代表的是图像的BGR三个通道的元数，也就是3。现在我们使用灰度图像做实验：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(img.shape)灰度图像在之后的教程中会进行讲解，这里先用做实验：
可以看到，如果图像是灰度的，则返回的元组仅包含行数和列数，因此这是检查加载的图像是灰度还是彩色的好方法。
通过size可以返回当前图像的所有的像素点的总数：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
print(img.size)
图像的数据类型可以通过dtype获得：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
print(img.dtype)
imread函数默认读取图像的格式就是uint8，所以返回的全部都是这个格式。在以后我们学习深度学习框架时会发现，uint8的图像数据格式用来进行模型训练时，做数据归一化（预处理阶段）会导致精度缺失，最后导致分割精度下降。当然这是后话，我们现在不提。
如果我们想修改图像的格式，我们需要用到astype函数，现在将图像修改为float32格式的（这种格式的图像被广泛的应用于深度学习的模型训练）：
import cv2
import numpy as np
img = cv2.imread("cat.jpg").astype(np.float32)
print(img.dtype)
dtype在调试时非常重要，因为OpenCV-Python代码中的大量错误是由无效的数据类型引起的，我们在以后的学习中会经常遇到这些问题。
图像ROI
对于图像中的特定区域的选取我们称之为ROI，其实际上就是对图像的xy坐标进行操作，我们来看示例：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
husky = img[1:240,60:270]
cv2.imshow("img",husky)
cv2.waitKey(0)
cv2.destroyAllWindows()
本质相当于截取某一部分图片，现在我们来做一些有意思的操作，将截取部分覆盖到图像的其他地方，本质相当于前面讲过的像素修改：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
husky = img[1:240,60:270]
img[61:300,270:480] = husky
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()
分割和合并图像通道
有时我们需要在B，G，R通道图像上单独进行操作。 在这种情况下，需要将BGR图像分割为单个通道。需要使用split函数与merge函数，它们的作用分别为分离和合并：
b,g,r = cv2.split(img) #拆分图像通道
img = cv2.merge((b,g,r))
此操作可以将BGR三通道分离出来，从而可以对某一通道进行操作，比如现在我们将R像素全部设置为0：
import cv2
import numpy as np
img = cv2.imread("cat.jpg")
b,g,r = cv2.split(img) #拆分图像通道
img[:,:,2] = 0
r = img[:,:,2]
img = cv2.merge((b,g,r))
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()r则为R通道，看效果：
将红色通道去除后，我们的猫咪变的有点绿了。当然，大家还可以进行其他的通道的实验。
图像边框填充
如果要在图像周围创建边框（如相框），则可以使用函数cv2.copyMakeBorder（）。它在卷积运算（很重要），零填充等方面有更多应用。此函数采用以下参数：
cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])
· src - 输入图像
· top，bottom，left，right - 相应方向上像素数的边框宽度
· value : cv2.BORDER_CONSTANT,cv2.BORDER_REFLECT,cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT ,cv2.BORDER_REPLICATE,cv2.BORDER_WRAP
· 
cv2.BORDER_REFLECT_101或cv2.BORDER_DEFAULT - 与上面相同，但略有改动，如下所示：gfedcb | abcdefgh | gfedcba
cv.BORDER_REPLICATE - 最后一个像素在整个过程中被复制，像:aaaaaa |abcdefgh|hhhhhhh这样
cv.BORDER_WRAP - 对称方向 像素互换 就像： cdefgh|abcdefgh|abcdefg 这样。
我们来看代码：
import cv2
from matplotlib import pyplot as plt
BLUE = [255,0,0]
img1 = cv2.imread('cat.jpg')
replicate = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img1,10,10,10,10,cv2.BORDER_WRAP)
constant= cv2.copyMakeBorder(img1,10,10,10,10,cv2.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()实验效果：
对于五个参数都进行了实验，可以看到明显的不同，当然，在这里为了方便图片对比显示，我们使用了matplotlib库，不过这属于python的知识，在这里就不一一介绍讲解了，大家也可以修改代码用OpenCV进行其他参数输出。