2. OpenCV基础（一）：图像读取、显示、保存、色彩空间转换与ROI提取

好，咱们正式开始动手。这一章是OpenCV的入门基本功，说白了就是怎么把一张图片弄进来、看一眼、改个颜色、再存回去。别小看这些操作，我做了这么多年视觉项目，90%的坑都出在最基础的读写和色彩空间上。

2.1 图像读取：imread() 的正确打开方式

先说说读取。OpenCV的 cv2.imread() 看起来简单，但坑不少。我见过太多新手直接这么写：

import cv2
img = cv2.imread('cat.jpg')  # 默认以彩色模式读取
print(type(img))  # <class 'numpy.ndarray'>
print(img.shape)  # (height, width, 3)

嗯，这里有个关键点——OpenCV默认读取的是BGR格式，不是RGB。你想想看，如果你用matplotlib直接显示，颜色就全乱了。为什么会这样？历史原因，OpenCV早期用BGR是因为Windows的BMP格式就是BGR，后来就一直沿用下来了。

我个人习惯在读取时就明确指定模式，避免后续混淆：

标志	值	说明
cv2.IMREAD_COLOR	1	默认，读取彩色图（BGR），忽略透明度
cv2.IMREAD_GRAYSCALE	0	读取为单通道灰度图
cv2.IMREAD_UNCHANGED	-1	保留所有通道（包括Alpha通道）

2.2 图像显示：imshow() 与 waitKey() 的黄金搭档

显示图像，核心就两个函数：imshow() 和 waitKey()。缺了后者，窗口一闪就没了。

cv2.imshow('My Window', img)
cv2.waitKey(0)      # 等待任意按键
cv2.destroyAllWindows()  # 关闭所有窗口

这里有个细节：waitKey(0) 表示无限等待，直到你按键盘。如果填 waitKey(30)，那就是等待30毫秒，常用于视频流。返回值是按键的ASCII码，可以用来做交互。

2.3 图像保存：imwrite() 的格式与质量

保存用 cv2.imwrite()，第一个参数是文件名（同样不支持中文路径），第二个参数是图像数据。

cv2.imwrite('output.jpg', img)  # 默认JPEG质量95
cv2.imwrite('output.png', img)   # PNG无损

如果想控制质量，可以加第三个参数：

# JPEG质量控制，范围0-100，默认95
cv2.imwrite('output_high.jpg', img, [cv2.IMWRITE_JPEG_QUALITY, 95])

# PNG压缩级别，范围0-9，默认3
cv2.imwrite('output_compressed.png', img, [cv2.IMWRITE_PNG_COMPRESSION, 9])

格式	参数	说明
JPEG	IMWRITE_JPEG_QUALITY	值越高质量越好，文件越大。95以上人眼看不出区别
PNG	IMWRITE_PNG_COMPRESSION	值越高压缩率越大，但保存越慢。9是最大压缩
WEBP	IMWRITE_WEBP_QUALITY	类似JPEG，但同等质量下文件更小

2.4 色彩空间转换：BGR、RGB、HSV、GRAY

色彩空间转换是OpenCV里最常用的操作之一。核心函数就一个：cv2.cvtColor()。

# BGR 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR 转 RGB（用于matplotlib显示）
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# BGR 转 HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

为什么HSV这么重要？因为它在做颜色分割时特别好用。BGR对光照变化敏感，而HSV把色调（H）、饱和度（S）、明度（V）分开了。我在做交通灯检测项目时，就是用HSV提取红色和绿色区域，比BGR阈值稳定得多。

转换	OpenCV标志	应用场景
BGR → GRAY	COLOR_BGR2GRAY	灰度化，减少计算量
BGR → RGB	COLOR_BGR2RGB	与matplotlib/PIL兼容
BGR → HSV	COLOR_BGR2HSV	颜色分割、物体跟踪
BGR → LAB	COLOR_BGR2LAB	颜色距离计算、图像增强

2.5 像素操作：读取与修改

图像在OpenCV里就是numpy数组，所以像素操作本质上就是数组索引。

# 读取某个像素（BGR顺序）
b, g, r = img[100, 200]  # 第100行，第200列

# 修改某个像素
img[100, 200] = [255, 0, 0]  # 变成蓝色

# 使用item()方法（更快）
pixel_value = img.item(100, 200, 0)  # 获取B通道值
img.itemset((100, 200, 0), 255)      # 设置B通道值

遍历像素时，千万别用Python的for循环，慢到怀疑人生。用numpy的向量化操作：

# 错误示范（慢）
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        img[i, j] = [0, 0, 255]  # 全红

# 正确示范（快）
img[:, :] = [0, 0, 255]  # 全红，一行搞定

2.6 ROI提取：用numpy切片搞定一切

ROI（Region of Interest）就是感兴趣区域。在OpenCV里提取ROI，说白了就是numpy切片。

# 提取从(100, 200)到(300, 400)的区域
roi = img[100:300, 200:400]

# 复制ROI到另一个位置
img[50:250, 50:250] = roi

这里要注意：切片返回的是视图，不是副本。修改roi会影响原图。如果需要独立副本，用 .copy()：

roi_copy = img[100:300, 200:400].copy()  # 深拷贝

2.7 综合示例：从读取到ROI的一站式操作

最后，给一个完整的示例，把今天的内容串起来：

import cv2
import numpy as np

# 1. 读取图像
img = cv2.imread('test.jpg')
if img is None:
    print("图片读取失败，检查路径")
    exit()

# 2. 显示原图
cv2.imshow('Original', img)

# 3. 转灰度并保存
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imwrite('gray_output.jpg', gray)

# 4. 提取ROI并修改
roi = img[50:200, 100:300].copy()
# 将ROI转为HSV，做颜色过滤
hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
# 假设我们要提取蓝色区域
lower_blue = np.array([100, 50, 50])
upper_blue = np.array([130, 255, 255])
mask = cv2.inRange(hsv_roi, lower_blue, upper_blue)
# 将蓝色区域在原图上标记为红色
img[50:200, 100:300][mask > 0] = [0, 0, 255]

# 5. 显示结果
cv2.imshow('Modified', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个例子涵盖了读取、显示、保存、色彩空间转换、ROI提取和像素修改。你可以在自己的图片上试试，把参数调一调，看看效果。