OpenCV Python 图像基本操作详解：像素访问、图像属性、ROI、通道拆合与 copyMakeBorder 边界填充

本文以 OpenCV 官方 Python 教程“Basic Operations on Images”为主体，系统讲解图像像素的读写、图像属性（shape/size/dtype）的读取、感兴趣区域（ROI）的选取、BGR 通道的拆分与合并，以及 cv.copyMakeBorder() 的五种边界类型。读完后你将能够熟练使用 NumPy 索引与 OpenCV API 完成日常图像处理的基本操作，并理解这些操作在 OpenCV C++ 源码中的真实实现依据。

教程目标与前提

该教程（py_basic_ops.markdown）要求读者学会四件事：

• 访问并修改像素值（Access pixel values and modify them）
• 访问图像属性（Access image properties）
• 设置感兴趣区域 ROI（Region of Interest）
• 拆分与合并图像通道（Split and merge images）

教程明确指出：本节几乎所有操作本质上都是 NumPy 数组操作，而非 OpenCV 专属功能。“Almost all the operations in this section are mainly related to Numpy rather than OpenCV. A good knowledge of Numpy is required to write better optimized code with OpenCV.”——扎实的 NumPy 功底是写出高效 OpenCV Python 代码的前提。示例均以 Python 交互终端（单行命令）形式给出。

访问与修改像素值

先加载一张彩色图像：

>>> import numpy as np
>>> import cv2 as cv

>>> img = cv.imread('messi5.jpg')
>>> assert img is not None, "file could not be read, check with os.path.exists()"

cv.imread() 读取成功后，图像就是一个 NumPy 数组。可以用行列坐标直接访问像素值：对 BGR 彩色图像，返回一个包含蓝、绿、红三个分量的一维数组；对灰度图像，则只返回对应的灰度强度值：

>>> px = img[100,100]
>>> print( px )
[157 166 200]

# accessing only blue pixel
>>> blue = img[100,100,0]
>>> print( blue )
157

注意 OpenCV 与 NumPy 的索引顺序是 img[行, 列, 通道]，即 [y, x, c]，这与某些库的 [x, y, c] 习惯不同。img[100,100,0] 取的是第 100 行、第 100 列像素的蓝色分量（BGR 顺序中第 0 通道）。

以完全相同的方式可以修改像素值：

>>> img[100,100] = [255,255,255]
>>> print( img[100,100] )
[255 255 255]

性能警告（原文强调）：NumPy 是面向快速数组运算优化的库，逐像素地访问和修改每个像素会非常慢，教程明确不推荐（"very slow and it is discouraged"）。批量操作应使用切片、广播等向量化手段，见下文 ROI 与通道处理部分。

访问图像属性

图像属性包括行数、列数、通道数、数据类型、总像素数等。

shape：img.shape 返回一个元组 (行数, 列数, 通道数)，通道数仅在彩色图像时出现：

>>> print( img.shape )
(342, 548, 3)

注：如果图像是灰度图，返回的元组只有行数和列数两项（如 (342, 548)）。因此 shape 的维度数是判断图像是灰度还是彩色的简便方法。

size：总像素数通过 img.size 获得（行 × 列 × 通道）：

>>> print( img.size )
562248

dtype：图像数据类型通过 img.dtype 获得：

>>> print( img.dtype )
uint8

注：img.dtype 在调试中非常重要——OpenCV-Python 代码中出现的大量错误源于数据类型无效（例如把 float 型矩阵传给了只接受 uint8 的函数）。

图像 ROI（感兴趣区域）

实际应用中经常需要只处理图像的某个区域。典型场景是人脸/眼睛检测：先对整幅图做人脸检测，得到人脸后，只选取人脸区域在其中搜索眼睛，而不用搜索整幅图。这既提高了准确率（眼睛总是在脸上），也提升了性能（搜索范围更小）。

ROI 同样通过 NumPy 索引获得。下面的示例选取图中的“足球”区域，并把它复制到图像中的另一个位置（先切片取出，再赋值过去）：

>>> ball = img[280:340, 330:390]
>>> img[273:333, 100:160] = ball

第一行用切片 img[280:340, 330:390] 取出 60×60 的球区域；第二行将其赋值到 img[273:333, 100:160] 指定的目标区域，完成一次“区域复制”。

从底层看，这种切片赋值依赖 NumPy 视图（view）语义：ball 与原图共享内存，对它的修改会反映到 img 上——这既是方便之处，也意味着赋值方向（img[...] = ball）与预期一致时才能安全使用。

拆分与合并图像通道

有时需要单独处理 B、G、R 中的某一个通道（例如只操作红色），此时需要将 BGR 图像拆分成单通道；反之也常需要把独立通道合并回 BGR 图像。

方式一：使用 OpenCV 的 split / merge

>>> b,g,r = cv.split(img)
>>> img = cv.merge((b,g,r))

方式二：直接使用 NumPy 索引取单通道

>>> b = img[:,:,0]

性能提示：如果你的目标只是修改某一个通道，根本不需要先拆分。例如要把所有红色像素置零，直接用 NumPy 索引更快：

>>> img[:,:,2] = 0

警告（原文强调）：cv.split() 是耗时操作，仅在确实需要独立通道对象（例如对单个通道做滤波、统计）时才使用；否则优先用 NumPy 索引。

为图像创建边界：cv.copyMakeBorder()

若要给图像加一圈“相框”式的边界，可以使用 cv.copyMakeBorder()。但它在工程中有更广泛的应用：卷积操作的边界扩展、零填充（zero padding）等——从源码结构看，它本身就是 OpenCV 内部许多算法的基础设施，例如模板匹配在补齐模板块时调用它（templmatch.cpp 第 201 行附近），CLAHE 用 BORDER_REFLECT_101 扩展图像到 tile 边界（clahe.cpp 第 381 行），warpAffine 用 BORDER_WRAP 处理角点（imgwarp.cpp 第 3130 行），轮廓检测与泛洪填充则用 BORDER_CONSTANT | BORDER_ISOLATED 隔离 ROI 边界（contours_new.cpp 第 703 行、floodfill.cpp 第 510 行）。

函数参数

copyMakeBorder() 的完整签名（见 core.hpp）：

void copyMakeBorder(InputArray src, OutputArray dst,
                    int top, int bottom, int left, int right,
                    int borderType, const Scalar& value = Scalar() );

参数说明：

• src — 输入图像
• top, bottom, left, right — 上、下、左、右四个方向各扩展的像素数
• borderType — 边界类型标志
• value — 当 borderType 为 cv.BORDER_CONSTANT 时的边界颜色

输出图像 dst 的尺寸为 Size(src.cols+left+right, src.rows+top+bottom)，与 src 类型相同。

边界类型 BorderTypes

教程中列出的五种边界类型，与 OpenCV 源码中的枚举定义一一对应，枚举及各类型的 ASCII 示意图在 base.hpp：

enum BorderTypes {
    BORDER_CONSTANT    = 0, //!< `iiiiii|abcdefgh|iiiiiii`  with some specified `i`
    BORDER_REPLICATE   = 1, //!< `aaaaaa|abcdefgh|hhhhhhh`
    BORDER_REFLECT     = 2, //!< `fedcba|abcdefgh|hgfedcb`
    BORDER_WRAP        = 3, //!< `cdefgh|abcdefgh|abcdefg`
    BORDER_REFLECT_101 = 4, //!< `gfedcb|abcdefgh|gfedcba`
    ...
    BORDER_DEFAULT     = BORDER_REFLECT_101
};

各类型含义（| 为原图边界）：

• cv.BORDER_CONSTANT — 用指定常量色填充边界（颜色由 value 参数给出），形如 iiiiii|abcdefgh|iiiiiii
• cv.BORDER_REPLICATE — 沿边缘无限复制最后一个像素，形如 aaaaaa|abcdefgh|hhhhhhh
• cv.BORDER_REFLECT — 边界元素的镜面反射，形如 fedcba|abcdefgh|hgfedcb
• cv.BORDER_REFLECT_101（即 cv.BORDER_DEFAULT，默认值）— 与 REFLECT 类似但略有不同，形如 gfedcb|abcdefgh|gfedcba
• cv.BORDER_WRAP — 环绕式边界，形如 cdefgh|abcdefgh|abcdefg

另外源码枚举中还定义了 BORDER_TRANSPARENT（视越界像素为透明，形如 uvwxyz|abcdefgh|ijklmno）和 BORDER_ISOLATED（标志位 16，插值/外推被限制在 ROI 边界内——即上文的 note：当 src 本身是更大图像的一个 ROI 时，copyMakeBorder 默认会尝试利用 ROI 外部的真实像素来构造边界，加上 BORDER_ISOLATED 可禁用该行为）。

完整示例代码

下面示例对同一图像分别生成五种类型的边界并用 matplotlib 展示（边界宽度均为 10 像素）：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

BLUE = [255,0,0]

img1 = cv.imread('opencv-logo.png')
assert img1 is not None, "file could not be read, check with os.path.exists()"

replicate = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REPLICATE)
reflect = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REFLECT)
reflect101 = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_REFLECT_101)
wrap = cv.copyMakeBorder(img1,10,10,10,10,cv.BORDER_WRAP)
constant= cv.copyMakeBorder(img1,10,10,10,10,cv.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()

注意两点：

1. 示例中 value=BLUE 即 [255,0,0]——因为 OpenCV 读取的图像是 BGR 顺序，[255,0,0] 表示的是蓝色（虽然变量名沿用教程习惯）。
2. 结果图由 matplotlib 显示，matplotlib 使用 RGB 顺序，因此红色与蓝色通道会互换，直接 imshow BGR 图像时颜色可能“看起来反了”。

小结与工程建议

结合本教程与源码可以归纳出以下实践准则：

• 优先 NumPy 索引，慎用 cv.split/cv.merge：单通道读取 img[:,:,0]、单通道写入 img[:,:,2]=0 都更快；cv.split() 开销大，仅在需要独立通道对象时使用。
• 避免 Python 级逐像素循环：像素读写用切片/广播完成，性能差异显著。
• shape 三元组判断彩色/灰度：(rows, cols) 为灰度，(rows, cols, 3) 为彩色。
• dtype 是首要调试对象：OpenCV-Python 大量异常源于数据类型不匹配，报错时先检查 img.dtype。
• copyMakeBorder 是通用垫底工具：边界宽度四参数 + 五种（及以上）borderType，既可用作视觉“相框”，也是卷积、模板匹配、CLAHE 等算法内部零填充/边界外推的标准手段；需要隔离 ROI 外部像素时记得 BORDER_ISOLATED。

延伸阅读：同系列教程中的图像算术运算 py_image_arithmetics.markdown 与优化 py_optimization.markdown，以及 borderInterpolate（copyMakeBorder 文档中的 @sa 关联函数，用于单像素边界外推）在 core.hpp 中的声明。