1、学习目标 对图像进行一些基本和算术运算。 在此次实验中 （1）更改图片上一些图形(感兴趣的区域ROI)的位置 （2）叠加两张图片 2、使用函数方法 img.shape：返回行数，列数和通道数的元组 img.size：返回访问的总像素数 img.dtype：返回获取Image数据类型 cv2.split（img）：数组的输出向量;如果需要，数组本身将被重新分配。 cv2.merge（（b，g，r））：通道数将是矩阵数组中通道的总数 cv2.resize（）： 调整图像大小 cv2.add（img，img2）： 计算两个数组或数组和标量的每元素总和。 cv2.addWeighted（img，.2，img2，.8,0）：计算两个数组的加权和。 3、程序 （1）把图像中的ball这个图形从[7:9, 10,14]这个部位移到[2:3, 5:8]这个地方 结果实例： （2）将两张图调整一样的大小，叠加在一起。 结果 （3）调整两张图片各自的权重 程序函数讲解 （1）访问和修改像素值 加载彩色图像
import cv2 import numpy as np img = cv2 . imread ( 'messi5.jpg' )通过行和列坐标访问像素值。 对于BGR图像，它返回一个蓝色，绿色，红色值的数组。 对于灰度图像，仅返回相应的强度。
px = img [ 100 , 100 ] print px 得到的结果 [157 166 200] # 仅访问蓝色像素 blue = img [ 100 , 100 , 0 ] print blue 得到结果 157以相同的方式修改像素值
img [ 100 , 100 ] = [ 255 , 255 , 255 ] print img [ 100 , 100 ] 得到结果 [255 255 255]修改像素值的其他更好的方法
# 获得red的像素值 img . item ( 10 , 10 , 2 ) 结果 59 # 修改red的像素值 img . itemset (( 10 , 10 , 2 ), 100 ) img . item ( 10 , 10 , 2 ) 结果100（2）访问图像属性 图像属性包括行数，列数和通道数，图像数据类型，像素数等。
（a）访问图像的形状
img.shape 返回一组行，列和通道的元组（如果图像是彩色的） 如果图像是灰度，则返回的元组仅包含行数和列数。（b）访问的像素总数
img.size（c）图像数据类型
img.dtype img.dtype在调试时非常重要， 因为OpenCV-Python代码中的大量错误是由无效的数据类型引起的。（3）图像 （a）对图像的某一区域进行处理 （例如，对于图像中的眼睛检测，在整个图像上进行第一次面部检测，并且当获得面部时，我们单独选择面部区域并搜索其内部的眼睛而不是搜索整个图像） 例如上述程序（1） 使用Numpy索引再次获得ROI 选择球并将其复制到图像中的另一个区域
ball = img[280:340, 330:390] img[273:333, 100:160] = ball（b）拆分和合并图像通道 在B,G,R通道图像上单独工作 将BGR图像分割为单个平面 或者将这些单独的通道连接到BGR图像。
b,g,r = cv2.split(img) img = cv2.merge((b,g,r))或
b = img[:,:,0]将所有红色像素设为零，使用Numpy索引
img[:,:,2] = 0cv2.split（）是一项代价高昂的操作（就时间而言）。 所以只有在你需要时才这样做。 否则去Numpy索引。
内容来自 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_core/py_basic_ops/py_basic_ops.html
（4）计算两个数组的加权和。
cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) → dst 此函数可以用一下矩阵表达式来代替： dst = src1 * alpha + src2 * beta + gamma; alpha 为 src1 透明度，beta 为 src2 透明度 src1 - 第一个输入数组。 alpha - 第一个数组元素的权重。 src2 - 与src1具有相同大小和通道编号的第二个输入数组。 beta - 第二个数组元素的权重。 dst - 与输入数组具有相同大小和通道数的输出数组。 gamma - 标量加到每个总和。 dtype - 输出数组的可选深度;当两个输入数组具有相同的深度时， dtype可以设置为-1，这相当于src1.depth（）程序中的例子
cv2.addWeighted（img，.2，img2，.8,0）