2、图像基础回顾：数字图像表示（RGB、灰度）、图像坐标系、图像读取与显示（OpenCV基础）
好，咱们正式开始图像融合之前，我得先带你把地基打牢。你想想看，如果连图像在计算机里长什么样都不清楚，那后面的全景拼接、多曝光融合，基本就是空中楼阁。
这一节，咱们就聊聊数字图像最核心的几个概念。我保证，不会讲得太枯燥。咱们边聊边动手，把OpenCV这个趁手的工具也一并熟悉了。
2.1 数字图像的本质：一个数字矩阵
说白了，一张数字图像在计算机眼里，就是一个巨大的数字表格——矩阵。每个小格子就是一个像素（Pixel）。
我个人习惯把图像想象成一张坐标纸。每个格子都有自己的位置（坐标），也有自己的颜色值（数值）。
核心公式：
图像 = f(x, y)
其中 (x, y) 是像素坐标，f(x, y) 是该坐标处的亮度或颜色值。
嗯，这里要注意：这个公式虽然简单，但它是一切图像处理算法的起点。你后面学到的滤波、变换、融合，本质上都是在操作这个 f(x, y)。
2.2 RGB 彩色图像：三原色的世界
我们平时看到的彩色照片，在计算机里是怎么存的？答案是：三个通道。
每个像素由三个数值组成：R（红）、G（绿）、B（蓝）。每个数值的范围是 0~255，0 代表最暗，255 代表最亮。
举个例子：
- 纯红色：R=255, G=0, B=0
- 纯绿色：R=0, G=255, B=0
- 纯蓝色：R=0, G=0, B=255
- 白色：R=255, G=255, B=255
- 黑色：R=0, G=0, B=0
我在项目中遇到过一个问题：用手机拍的全景图，颜色总是偏紫。排查了半天，发现是白平衡算法在拼接时把 RGB 三个通道的增益算错了。你看，理解 RGB 通道，能帮你快速定位这种 bug。
小技巧： 在 OpenCV 中，图像的通道顺序是 BGR，不是 RGB！这是历史遗留问题。很多新手在这里栽过跟头。如果你用 matplotlib 显示 OpenCV 读取的图像，颜色会完全错乱。记得用 cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 转换一下。
2.3 灰度图像：一个通道就够了
有时候我们不需要颜色信息，比如做边缘检测、特征点匹配。这时候用灰度图就够了。
灰度图只有一个通道，每个像素值也是 0~255。0 是纯黑，255 是纯白，中间是各种深浅的灰色。
彩色转灰度，常用的公式是：
Gray = 0.299 * R + 0.587 * G + 0.114 * B为什么权重不一样？因为人眼对绿色最敏感，对蓝色最不敏感。这个公式是国际标准，你直接用就行。
避坑指南： 我曾经在做一个图像融合项目时，直接对 RGB 三个通道取了平均值来转灰度，结果图像细节丢失了一大半。后来改用标准加权公式，效果才正常。记住：不要偷懒用平均法。
2.4 图像坐标系：原点在哪里？
这个问题看似简单，但很容易搞混。图像坐标系和数学坐标系不一样。
- 原点 (0, 0)：在图像的左上角
- x 轴：水平向右（列方向）
- y 轴：垂直向下（行方向）
也就是说，像素 (x, y) 表示第 y 行、第 x 列的那个点。注意顺序：先列后行。
你想想看，为什么这么设计？因为计算机内存是一维的，图像数据按行存储。从左上角开始，一行一行往下读，最符合内存访问习惯。
下面我用一张 SVG 图来展示这个坐标系，帮你建立直观印象：
2.5 OpenCV 基础：读取与显示
好了，理论讲完了，咱们来点实际的。OpenCV 是图像处理的瑞士军刀，我几乎每天都在用。
先看最基础的操作：读取一张图片并显示出来。
import cv2
# 读取图像
img = cv2.imread('panorama.jpg')
# 检查是否读取成功
if img is None:
print("图片没找到，检查路径！")
else:
print(f"图像尺寸：{img.shape}") # (高度, 宽度, 通道数)
# 显示图像
cv2.imshow('My Image', img)
# 等待按键，0表示无限等待
cv2.waitKey(0)
# 关闭所有窗口
cv2.destroyAllWindows()这段代码虽然简单，但有几个细节我得提醒你：
- cv2.imread() 默认以 BGR 彩色模式读取。如果你想读成灰度图，加第二个参数：
cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE) - img.shape 返回的是一个元组。对彩色图是 (h, w, 3)，对灰度图是 (h, w)。
- cv2.waitKey(0) 这行不能省。没有它，窗口一闪就没了。
我的习惯： 在调试时，我经常用 cv2.imwrite('output.jpg', img) 把中间结果保存下来，而不是每次都弹窗显示。这样方便对比不同处理步骤的效果。
2.6 像素操作：动手试试
读取图像之后，我们就能直接操作像素了。比如把某个像素改成红色：
import cv2
import numpy as np
# 创建一个 300x300 的黑色图像
img = np.zeros((300, 300, 3), dtype=np.uint8)
# 把 (100, 100) 位置的像素设为红色（注意是 BGR）
img[100, 100] = (0, 0, 255) # B=0, G=0, R=255
# 把一块区域设为绿色
img[50:150, 50:150] = (0, 255, 0)
cv2.imshow('Pixel Demo', img)
cv2.waitKey(0)
cv2.destroyAllWindows()你看，操作像素就是这么直接。img[y, x] 就是访问第 y 行、第 x 列的像素。记住：先行后列，和坐标系里的 (x, y) 顺序是反的。
为什么会这样？因为 numpy 数组的索引是 (row, column)，而 row 对应 y，column 对应 x。这个反直觉的设计，我刚开始也经常搞混。
2.7 本章知识体系总览
最后，我用一张 SVG 图把这一节的核心知识串起来，方便你复习：
好了，这一节的内容就到这里。你掌握了数字图像的表示方法、坐标系，以及 OpenCV 的读写操作。这些都是后面做图像融合的必备基础。
记住：多动手写代码，多看看像素值的变化。图像处理这东西，光看是学不会的。