前文传送门：
图像属性
图像属性包括行数，列数和通道数，图像数据类型，像素数等。
1. 形状：shape
图像的形状可以通过 shape 关键字进行获取，使用 shape 关键的后，获取的信息包括行数、列数、通道数的元祖。
示例如下：import cv2 as cv
# 读取彩色图片
color_img = cv.imread("maliao.jpg", cv.IMREAD_ANYCOLOR)
print(color_img.shape)
# 结果打印
(310, 560, 3)
# 读取灰度图片
gray_img = cv.imread("maliao.jpg", cv.IMREAD_GRAYSCALE)
print(gray_img.shape)
# 结果打印
(310, 560)
2. 像素数量：size
图像的像素数量可以通过关键字 size 进行获取。import cv2 as cv
# 读取彩色图片
color_img = cv.imread("maliao.jpg", cv.IMREAD_ANYCOLOR)
print(color_img.size)
# 结果打印
520800
# 读取灰度图片
gray_img = cv.imread("maliao.jpg", cv.IMREAD_GRAYSCALE)
print(gray_img.size)
# 结果打印
173600
3. 图像类型-dtype
图像类型是通过关键字 dtype 获取的，通常返回 uint8 ，这个属性在彩色图片和灰度图片中是保持一致的。import cv2 as cv
# 读取彩色图片
color_img = cv.imread("maliao.jpg", cv.IMREAD_ANYCOLOR)
print(color_img.dtype)
# 结果打印
uint8
# 读取灰度图片
gray_img = cv.imread("maliao.jpg", cv.IMREAD_GRAYSCALE)
print(gray_img.dtype)
# 结果打印
uint8
获取图像感兴趣 ROI 区域
ROI（Region of Interest）表示感兴趣区域。
它是指从被处理图像以方框、圆形、椭圆、不规则多边形等方式勾勒出需要处理的区域。可以通过各种算子（Operator）和函数求得感兴趣ROI区域，并进行图像的下一步处理，被广泛应用于热点地图、人脸识别、图像分割等领域。
如果我们要对于图像中的眼睛检测，首先对整个图像进行人脸检测。在获取人脸图像时，我们只选择人脸区域，搜索其中的眼睛，而不是搜索整个图像。它提高了准确性(因为眼睛总是在面部上:D )和性能(因为我们搜索的区域很小)。
我们通过像素矩阵可以直接得到 ROI 区域，如： img[200:400, 200:400] 。
比如下面这个示例我们获取马里奥的脸，然后再把它显示出来：import cv2 as cv
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
face = img[10:175, 100:260]
# 原始图像显示
cv.imshow("demo", img)
# 马里奥的脸显示
cv.imshow("face", face)
#等待显示
cv.waitKey(0)
cv.destroyAllWindows()
它的结果如下：
如果我们要把这两张图像合成一张图像，可以对图像进行区域赋值：import cv2 as cv
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
# 获取 ROI 区域
face = img[10:175, 100:260]
# 图像赋值
img[0:165, 0:160] = face
# 原始图像显示
cv.imshow("demo", img)
#等待显示
cv.waitKey(0)
cv.destroyAllWindows()
结果如下：
这里我稍微偷点懒，直接就把 ROI 区域放在了图片的左上角，这个位置可以随意指定，但是指定的区域要和 ROI 的区域一样大，否则会报一个 ValueError 的错误。
拆分和合并图像通道
1. 拆分图像通道
有些时候，我们需要分别处理图像的 B，G，R 通道。的通道，用 PS 抠过图的人应该都清楚抠图的时候可以使用单通道进行抠图操作。
将图像的通道拆分出来可以使用 split() 函数，如下：import cv2 as cv
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
#拆分通道
b, g, r = cv.split(img)
# 分别显示三个通道的图像
cv.imshow("B", b)
cv.imshow("G", g)
cv.imshow("R", r)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
结果如下：
可以看到，三个通道的图像看起来都是灰白色的，这个玩过 PS 的人应该都很熟悉。
除了使用 split() 函数获取图像通道，还可以通过索引进行获取，代码如下：b = img[:, :, 0]
g = img[:, :, 1]
r = img[:, :, 2]
如果需要将所有红色像素都设置为零，无需先拆分通道，索引更快：img[:, :, 2] = 0
2. 合并图像通道
合并图像通道我们使用函数 merge() ，示例如下：import cv2 as cv
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
# 拆分通道
b, g, r = cv.split(img)
# 合并图像通道
m = cv.merge([r, g, b])
cv.imshow('merge', m)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
结果如下：
这里如果是按照 [r, g, b] 进行图像通道合并，我们的马里奥就会变身成为蓝精灵，因为 OpenCV 是按照 BGR 读取的，如果想要显示会原图，合并的时候也按照 [b, g, r] 合并即可，如下：
如果我们想要做一个真正的蓝精灵，可以只提取 B 颜色通道，其余两个 G 、 R 通道全部设置为 0 ，这样，我们就获得了一个真正的蓝精灵（整个图像只有蓝色通道），代码如下：import cv2 as cv
import numpy as np
# 读取图片
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
rows, cols, chn = img.shape
# 拆分通道
b = img[:, :, 0]
g = np.zeros((rows,cols), dtype=img.dtype)
r = np.zeros((rows,cols), dtype=img.dtype)
# 合并图像通道
m = cv.merge([b, g, r])
cv.imshow('merge', m)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
结果如下：
同理，如果想要绿精灵和红精灵，一样可以做出来。
示例代码
如果有需要获取源码的同学可以在公众号回复「OpenCV」进行获取。
参考
opencv python3 找图片色块_Python 图像处理 OpenCV （3）：图像属性 图像感兴趣 ROI 区域及通道处理...
