图像像素矩阵操作的核心是将图片视为数值数组并进行基础运算来实现视觉效果变化；灰度图为二维数组，彩色图（RGB）为三维数组，需注意OpenCV与PIL/matplotlib通道顺序差异。
图像像素矩阵操作的核心，就是把图片看作一个或多个数值数组，再用基础数组运算改变其中的数值，从而实现视觉效果变化。不需要调用复杂库函数，只要理解像素值怎么存、怎么改、改完怎么还原，就能手动实现滤镜、调色、变形等常见特效。
灰度图与彩色图的矩阵结构差异
灰度图像在内存中就是一个二维数组，比如 512×512 的图对应一个 512 行 × 512 列 的整数矩阵，每个元素是 0–255 的亮度值。
彩色图像（如 RGB）则是三维数组：高度 × 宽度 × 3。第三维按顺序存放 R、G、B 三个通道的值。注意：OpenCV 默认读取为 BGR 顺序，而 PIL 和 matplotlib 默认为 RGB，处理前需确认通道顺序。
实际操作中可先转为灰度简化问题，或分别对三个通道做相同/不同运算来控制色调。
基础像素值修改：亮度、对比度、二值化
这些操作本质是对矩阵元素做标量运算，不涉及邻域或卷积，适合初学上手：
-
亮度调整：对整个矩阵加/减一个常数，如
img_matrix + 30；超出 0–255 范围时需截断（np.clip(img_matrix, 0, 255)） -
对比度拉伸：先中心化（减去 128），再缩放，最后平移回原范围，例如
np.clip(1.4 * (img_matrix.astype(float) - 128) + 128, 0, 255).astype(np.uint8) -
二值化：设定阈值，如
img_binary = (img_matrix > 128).astype(np.uint8) * 255，得到只有黑白两色的矩阵
颜色矩阵（ColorMatrix）调色原理
对 RGB 图像每个像素的 R、G、B 值做线性组合，用一个 5×4 或 4×4 矩阵描述变换规则。以 4×4 形式为例（忽略 alpha）：
新 R = a₁×R + a₂×G + a₃×B + a₄
新 G = b₁×R + b₂×G + b₃×B + b₄
新 B = c₁×R + c₂×G + c₃×B + c₄
这相当于对每个像素点执行一次向量乘法。实践中可预定义常用矩阵：
- 偏黄效果：R 和 G 通道整体加正偏移（如 +50），B 不变
- 老照片：降低蓝色分量、轻微提升红色、加入棕色调系数
- 黑白效果：按加权和合并三通道，如
0.299*R + 0.587*G + 0.114*B
注意每步计算后仍要强制限制在 [0, 255] 区间，避免溢出失真。
空间变换背后的矩阵映射逻辑
平移、旋转、缩放等几何操作，不是直接改像素值，而是重新安排像素位置。其底层依赖一个 3×3 变换矩阵，作用于每个像素的齐次坐标 [x, y, 1]：
新坐标 = 变换矩阵 × [x, y, 1]ᵀ
例如：
- 平移 (dx, dy)：左上角 2×2 是单位阵，第三列是 [dx, dy, 1]
- 旋转 θ（绕原点）：a=e=cosθ，b=−sinθ，d=sinθ，其余为 0 或 1
- 缩放 (sx, sy)：a=sx，e=sy，其余同单位阵
实际编码时，通常采用“反向映射”——遍历输出图像每个坐标，用逆变换算出它在原图中对应哪一点，再插值取值，避免空洞或重叠。
