Python | OpenCV 與 NumPy 的關係

📚 前言

在上一章我們完成了 OpenCV 的安裝與測試。
接下來要理解一個核心概念：電腦如何看待圖片，以及 OpenCV 與 NumPy 的緊密關係。

🖼️ 電腦眼中的圖片

• 一張圖片在電腦裡不是「照片」，而是由許多小方格（像素，pixel）組成。
• 每個像素都有顏色資訊，電腦用數字來表示顏色。
• 在常見的 8-bit 影像中，每個顏色通道的數值範圍是 0 ~ 255：
  • 0 → 完全黑
  • 255 → 完全亮（白或該顏色的最強值）
  • 中間值 → 不同程度的亮度

🧩 範例一：像素矩陣圖（灰階）

下圖是一張 高 16 像素 × 寬 14 像素 的灰階影像，其中數字「5」由黑色像素（0）構成，背景為白色像素（255）。
在 NumPy 中會表示為 shape (16, 14)，也就是 16 行、14 列。

這種圖像在電腦中就是一個數值矩陣：

圖：灰階影像矩陣示例，數字「5」由黑色像素構成

圖：灰階影像矩陣的數值表示方式

👉 每個數字代表一個像素的亮度，這就是灰階影像的本質。

🌈 範例二：灰階 vs 彩色矩陣

灰階圖片

• 灰階圖片只有一個通道，每個像素用一個數字表示亮度，例如：

  1 2 3

  0 = 黑色 128 = 灰色 255 = 白色

  矩陣表示方式：

  1 2 3

  [[ 0 128 255] [ 64 192 128] [255 0 64]]

  
  圖：灰階影像矩陣範例，單通道亮度值

彩色圖片

• 彩色圖片通常有 三個通道：在 OpenCV 中是 BGR（藍、綠、紅）。
• 每個像素用三個數字表示，例如：

  1	[B, G, R] = [0, 128, 255]

  → 藍色 0、綠色 128、紅色 255，組合成一種顏色。
  矩陣表示方式（3D 陣列）：

  1 2	[ [[0, 0, 255], [255, 255, 255]], [[0, 255, 0], [128, 128, 128]] ]

  
  圖：彩色影像矩陣範例，三通道 BGR 值

🎨 範例三：RGB 通道分解

一張彩色圖片，其實是由三張灰階圖組合而成：紅色通道、綠色通道、藍色通道。
下圖示範一張蘋果圖如何分解為三個通道：

圖：彩色影像分解為三個灰階通道（紅、綠、藍）

👉 每個通道都是一張灰階圖，代表該顏色的強度分佈。

🔍 影像的本質：矩陣

• 一張彩色圖片可以看成是 三維矩陣：
  • 高度（rows）
  • 寬度（columns）
  • 顏色通道（channels：BGR）
• 例如，一張 359×360 的彩色圖片，會被表示成：

  1	(360, 359, 3)

  → 360 行、359 列、3 個顏色通道。
• 📌 注意：規格表 vs. 程式中的 shape
  • 規格表或日常描述：我們通常寫成「寬 × 高」，例如 1920x1080 像素代表寬 1920 像素、高 1080 像素。這是數位影像的標準表示法。
  • NumPy / OpenCV 的 img.shape：回傳的是 (height, width, channels)，也就是 先高後寬。

🛠️ 範例程式

1
2
3
4
5
6
7
8
9
10
11
12
13

import cv2
import numpy as np

# 讀取圖片
img = cv2.imread("test.png")

print("影像型態:", type(img))
print("影像大小:", img.shape)
print("資料型態:", img.dtype)

# 取出某個像素 (y=100, x=200)
pixel = img[100, 200]
print("像素值 (BGR):", pixel)

註：雖然這段程式沒有直接呼叫 np，但影像本質就是 NumPy 陣列，因此我們仍需理解 NumPy 的操作方式。

輸出結果可能是：

1
2
3
4

影像型態: <class 'numpy.ndarray'>  # 影像就是 NumPy 陣列
影像大小: (360, 359, 3)            # 高度 360、寬度 359、3 個通道
資料型態: uint8                    # 每個像素值是 0–255 的整數
像素值 (BGR): [189 207 252]        # 該座標像素的 BGR 值

👉 可以看到，OpenCV 影像就是 NumPy 的 ndarray

圖：使用程式讀取圖片並輸出 NumPy 陣列資訊

📊 NumPy 操作影像的好處

• 快速運算：NumPy 的向量化運算比逐像素迴圈快很多。
• 靈活操作：可以用切片（slice）快速裁切影像。
• 數學工具：能直接做矩陣運算、統計分析。
• 整合性強：方便與其他科學計算套件（Pandas、SciPy、TensorFlow）結合。

⚠️ 注意事項

• OpenCV 預設顏色通道順序是 BGR，而不是常見的 RGB。
• 影像的資料型態通常是 uint8（0~255），運算時要注意溢位。
• NumPy 操作影像時，記得保持矩陣維度一致，避免出現 shape mismatch。

結語 🎯

理解 OpenCV 與 NumPy 的關係，是學習影像處理的第一步。
只要掌握「影像 = NumPy 陣列」這個核心概念，就能用 NumPy 的強大功能，靈活地操作影像資料。

接下來，我們將進入 影像基本操作，學習如何讀取、顯示、儲存圖片，以及進行大小調整與顏色轉換。

註：以上參考了
OpenCV Tutorials
OpenCV-Python Tutorials
NumPy-Learn