这个图片的尺寸是 32×41 像素，也便是说，这个图像有 1312 个像素。为了进一步解释，我们可以在每个轴上添加像素计数，如下图所示：
现在，我们来看看 (x,y) 形式的像素索引。请把稳，像素索引起始值为零，这意味着左上角位于 (0,0)而不是 (1,1)。下面的图像，索引了 4 个单独的像素，图像的左上角是原点的坐标：
单个像素的信息可以从图像中提取，方法与 Python 中引用数组的单个元素相同。
OpenCV中的通道顺序在 OpenCV 利用中，利用的颜色通道顺序为 BGR 颜色格式而不是 RGB 格式。可以不才图中看到三个通道的顺序：
BGR 图像的像素构造如下图所示，作为演示，图示详细解释了如何访问pixel(y=n, x=1)：
Tips：OpenCV 的最初开拓职员选择了 BGR 颜色格式（而不是 RGB 格式），是由于当时 BGR 颜色格式在软件供应商和相机制造商中非常盛行，因此选择 BGR 是出于历史缘故原由。
此外，也有其他 Python 包利用的是 RGB 颜色格式(例如，Matplotlib 利用 RGB 颜色格式，Matplotlib{跳转提示-稀土掘金} 是最盛行的 2D Python 绘图库，供应多种绘图方法，可以查看 Python-Matplotlib 可视化（掘金）获取更多详细信息)。因此，我们须要知道如何将图像从一种格式转换为另一种格式。
当我们节制了将图像从一种格式转换为另一种格式的方法后，就可以选择利用 OpenCV 进行图像处理，同时利用 Matplotlib 包供应的函数来显示图像，接下来，让我们看看如何处理两个库采取的不同颜色格式。 首先，我们利用 cv2.imread() 函数加载图像：
import cv2img_OpenCV = cv2.imread('sigonghuiye.jpeg')
图像存储在 img_OpenCV 变量中，由于 cv2.imread() 函数以 BGR 顺序加载图像。然后，我们利用 cv2.split() 函数将加载的图像分成三个通道 (b, g, r) 。这个函数的参数便是我们要分割的图像：
b, g, r = cv2.split(img_OpenCV)
下一步是合并通道(以便根据通道供应的信息构建新图像)，但合并时顺序与原图像不同。我们变动 b 和 r 通道的顺序以遵照 RGB 格式，即我们所须要的 Matplotlib 格式：
img_matplotlib = cv2.merge([r, g, b])
此时，我们有两个图像 (img_OpenCV 和 img_matplotlib)，接下来，我们将分别利用 OpenCV 和 Matplotlib 绘制她们，以便我们可以比拟结果。首先，我们将用 Matplotlib 显示这两个图像。
为了在同一个窗口中利用 Matplotlib 显示两个图像，我们将利用 subplot，它将多个图像放置在同一个窗口中。可以在 subplot 中利用三个参数，例如 subplot(m,n,p)，此时，子图处理 m×nm \times nm×n 网格中的图，个中 mmm 确定行数，nnn 确定列数，而 ppp 确定要在网格中放置图的位置。要利用 Matplotlib 显示图像，须要利用 imshow 函数。
在这种情形下，当我们水平显示两个图像时， m=1m = 1m=1、 n=2n = 2n=2 。我们将对第一个子图 (img_OpenCV) 利用 p=1p = 1p=1，对第二个子图(img_matplotlib) 利用 p=2p = 2p=2：
from matplotlib import pyplot as pltplt.subplot(121)plt.imshow(img_OpenCV)plt.subplot(122)plt.imshow(img_matplotlib)plt.show()
程序输出如下图所示：
可以看出，第一个子图以缺点的颜色( BGR 顺序)显示图像，而第二个子图以精确的颜色( RGB 顺序)显示图像。接下来，我们利用 cv2.imshow() 显示两个图像：
cv2.imshow('bgr image', img_OpenCV)cv2.imshow('rgb image', img_matplotlib)cv2.waitKey(0)cv2.destroyAllWindows()
以下屏幕截图显示了实行上述代码得到的结果：
正如预期的那样，屏幕截图中，第一张图以精确的色彩显示图像，而第二张图以缺点的颜色显示图像。
此外，如果我们想在同一个窗口中显示两个图像，可以构建一个包含这两个图像的拼接图像，将两张图片水平连接起来。为此，我们须要利用 NumPy 的 concatenate() 方法。该方法的参数是要连接的两个图像和要在哪个轴上进行堆叠，这里，我们令 axis = 1 (水平堆叠它们)：
import numpy as npimg_concats = np.concatenate((img_OpenCV, img_matplotlib), axis=1)cv2.imshow('bgr image and rgb image', img_concats)cv2.waitKey(0)cv2.destroyAllWindows()
下图显示了连接后的图像：
须要考虑的一个成分是 cv2.split() 是一项耗时的操作。如果确实须要划分不同通道，应该首先考虑利用 NumPy 索引。例如，如果想获取图像的一个通道，则可以利用 NumPy 索引获取通道：
B = img_OpenCV[:, :, 0]G = img_OpenCV[:, :, 1]R = img_OpenCV[:, :, 2]
另一个须要把稳的是，可以利用 NumPy 在一条语句中将图像从 BGR 转换为 RGB：
img_matplotlib = img_OpenCV[:, :, ::-1]
作者：盼小辉丶链接：https://juejin.cn/post/7054745834629857310来源：稀土掘金