numpy是图像像素级处理的底层核心，需用cv2或pil加载为ndarray；避免matplotlib.imread用于生产；加载后须检查dtype和shape；应使用向量化操作而非python循环。
NumPy 本身不处理图像格式，但它是 Python 图像像素级处理的底层核心——只要你把图像正确加载为 ndarray，后续所有逐像素计算、掩码操作、通道变换都靠它高效完成。
用 cv2.imread() 或 PIL.Image.open().numpy() 加载图像为 ndarray
别用 matplotlib.pyplot.imread() 做生产级处理：它默认把 PNG 的 alpha 通道读成 float64 归一化值（0–1），而 OpenCV 默认是 uint8 BGR（0–255），类型和通道顺序不一致极易引发后续逻辑错误。
-
cv2.imread(path)返回(h, w, 3)uint8 BGR 数组，适合颜色空间转换和 OpenCV 工具链 -
np.array(PIL.Image.open(path))返回 RGB 顺序，支持 PNG 透明通道（(h, w, 4)），且保持原始 dtype - 加载后立刻检查
img.dtype和img.shape，尤其注意是否意外出现float64或(h, w)灰度单通道
对像素做布尔索引或 np.where() 条件替换
直接用 Python 循环遍历像素是反模式。NumPy 的向量化条件操作才是正确路径，但要注意广播规则和内存连续性。
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 灰度阈值二值化：
binary = img > 127（返回 bool 数组），再转binary.astype(np.uint8) * 255得到 0/255 图像 - 多通道条件替换（如将所有红色区域置黑）：
mask = (img[:,:,2] > 200) & (img[:,:,1] ，然后 <code>img[mask] = [0, 0, 0] - 避免
np.where(condition, a, b)在大图上创建临时数组；若只改部分像素，优先用布尔索引原地修改
通道分离/合并与 np.transpose() 的坑
OpenCV 是 BGR，PIL 是 RGB，而深度学习框架（如 PyTorch）常要求 CHW 格式（channel-first）。错一次 transpose 就会让颜色全乱、模型预测崩掉。
- BGR → RGB：
img_rgb = img[:, :, ::-1]（切片翻转最后一维）比cv2.cvtColor(img, cv2.COLOR_BGR2RGB)更轻量，但不推荐用于正式流程——后者会做色彩空间校准 - HWC → CHW（PyTorch 输入）：
img_chw = np.transpose(img, (2, 0, 1))，不是(0, 1, 2)或(1, 2, 0) - 对 float32 图像做
transpose后记得检查是否仍为 C-contiguous；否则某些函数（如cv2.dnn.blobFromImage）会静默失败
真正难的不是写对某一行 NumPy 代码，而是始终清楚当前数组的 dtype、内存布局（C/F-contiguous）、通道顺序和数值范围——这四者中任一错位，结果就不可复现。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
