NumPy读取图像后得到的是三维ndarray，形状为(height, width, channels)，dtype通常为uint8。
NumPy读取图像后得到的是什么结构？
直接用 cv2.imread() 或 PIL.Image.open().numpy() 得到的不是“图像对象”，而是三维 ndarray：形状为 (height, width, channels)，dtype 通常是 uint8。这意味着你不能直接对它做除法、取对数或负数运算——会溢出或截断。
常见错误现象：img * 1.5 后出现大量纯黑/纯白块；img - 50 中本该变暗的区域却突然变亮（因为 uint8 下 20 - 50 == 225）。
实操建议：
- 立刻转成浮点型：
img = img.astype(np.float32)（别用float64，内存翻倍且无必要） - 归一化到
[0, 1]更安全：img = img / 255.0，后续所有运算都在这个范围内做 - 保存前记得转回：
np.clip(img * 255, 0, 255).astype(np.uint8)，漏掉np.clip会导致花屏
如何对RGB通道分别做不同运算？
NumPy 的轴索引和布尔索引是关键。比如想让R通道乘1.2、G通道减20、B通道不变——不能写循环，要用向量化切片。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 用
img[:, :, 0]取R通道（OpenCV默认BGR，注意顺序！PIL是RGB） - 批量修改：
img[:, :, 0] = np.clip(img[:, :, 0] * 1.2, 0, 255) - 更灵活的做法：构造系数数组
coeff = np.array([1.2, 0.9, 1.0])，然后img = np.clip(img * coeff, 0, 255)（自动广播） - 如果只想处理特定区域（比如左上角100×100），直接切片：
img[:100, :100, 0] *= 1.3
为什么 np.where 比 for 循环快，但有时反而更慢？
np.where(condition, x, y) 看似万能，但它会先计算 x 和 y 的全部值，再按条件选——如果 x 是耗时函数，就白算了。
常见错误场景：用 np.where(img > 128, expensive_func(img), img)，结果 expensive_func 被调用两次（全图）。
实操建议：
- 只在
x和y是标量或简单表达式时用np.where - 复杂逻辑改用布尔索引：
mask = img > 128，然后img[mask] = process(img[mask]) - 注意内存：大图上多次
img[mask]会复制数据，可加copy=False参数（但需确认原数组可写）
保存结果图像时颜色异常怎么办？
最常被忽略的是通道顺序和值域。OpenCV 读入是 BGR，但 cv2.imwrite() 也期望 BGR；而 matplotlib 显示默认按 RGB 解释。
实操建议：
- 统一用 PIL 保存避免混乱：
Image.fromarray(img.astype(np.uint8)).save("out.png") - 若坚持用 OpenCV，且处理时按 RGB 操作了，保存前必须转换：
cv2.cvtColor(img, cv2.COLOR_RGB2BGR) - 检查 dtype：保存前打印
img.dtype，必须是uint8；如果是float32，OpenCV 会静默丢弃小数部分，导致全黑
像素级运算是个窄门——看似只是数组计算，但 uint8 溢出、通道错位、归一化遗漏这三处，几乎覆盖了 90% 的调试时间。
