图像基本概念，Python 图像算法取经之旅 365 天的第 2 天

import numpy as npimport cv2# 生成一个数组矩阵，然后在将该矩阵进行转换test_array = np.arange(16).reshape(4,4)print(test_array)
# 使用 OpenCV 存储成图片cv2.imwrite('first_img.jpg',test_array)

import numpy as npimport cv2# 生成一个数组矩阵，然后在将该矩阵进行转换test_array = np.arange(255)print(test_array)
# 使用 OpenCV 存储成图片cv2.imwrite('first_img.jpg',test_array)

计算机图像可以分为两类：位图（Bitmap）和矢量图（Metafile）。位图可以被看做是一个表格，整个图像由许多的矩形块组成，每个矩形代表一个点，点的个数等于位图的横向矩形块的个数乘上纵向矩形块的个数，每一个点则被称为像素点，而且每个像素点都有确定的颜色，因此形成了一幅完整的图像。通常使用的图像大部分是位图，如相机拍摄的照片，因为位图可以表示图像的细节，能够较好的还原现实场景。位图的缺点是体积比较大，因此产生了很多压缩图像格式来存储位图图像，目前应用最广的是 JPEG 格式，另外还有 GIF、PNG 等。还有个缺点是位图在放大时，会出现“锯齿”现象，这也由位图的本质特点决定。所以在现实中，还需要使用另外一种图像格式：矢量图。
同位图不同，矢量图是利用数学公式通过线段绘制出来的，所以不管如何放大都不会出现失真现象，但是矢量图不能描述非常复杂的图像。所以各种图形图案、CAD 软件等等都是使用矢量格式来保存文件。
每个像素采用不同的位数，就可以表示出不同的颜色，颜色数量如下：
4位图像：2^4=168位图像：2^8=25616位图像：2^16=6553624位图像：2^24=16777216由此可知当采用 1Bytes（8bit）来存储一个像素点的像素值时，可以得到256种不同的结果，采用3Bytes(24bit)时，可以有 16777216 种不同结果，而不同的结果又代表不同的颜色，这已经接近人眼所能分辨的颜色了。计算机中使用最多的就是 24 位色，另外在 GDI+中还有一种 32 位色，多出来一个通道用来描述Alpha，即透明分量。
在位图中使用 RGB 三色空间表示颜色（位数少时要使用调色板），在 24位彩色图像中，3个字节分别表示R、G、B三种颜色分量，这其中是没有亮度分量的，这是因为在 RGB 表示方式中，亮度也是直接可以从颜色分量重得到的，每一颜色分量值的范围都是 0~255，某一颜色分量的值越大，就表示这一分量的亮度值越高。一个真彩色像素点转换为灰度图时它的亮度值则采用了心理学灰度公式计算：
Y=0.299R+0.587G+0.114B
使用上述公式转换时得到的灰度图最接近人眼对灰度图的感觉。灰度图中颜色数量一共只有 256 种（8bit），所以转换后的图像保存为8位格式，可以节省空间。因此彩色图像转变为灰度图像是不可逆的过程。调色板中可以保存256颜色，所以可以正好将 256 种灰度颜色保存到调色板中。

import numpy as npimport cv2
def main():    img = cv2.imread("test_img.jpg")    # 获取图片的宽度和高度    print(img.shape)    width,height,n = img.shape
    # 复制一张图片    new_img = img.copy()    for i in range(width):        for j in range(height):            # 每个像素都给修改为0            # print(new_img[i,j]) # 这个每个像素输出都是一个列表 [34 32 31]            new_img[i,j] = 0
    cv2.imshow("new_img",new_img)    cv2.waitKey(0)