一、一张照片 = 一个数字数组
"小陈，视觉开发的第一课：彻底搞懂'图像'在电脑里的表示。"老周打开 Jupyter Notebook：
import cv2
import numpy as np
# 读一张图（灰度图）
img = cv2.imread("book_cover.jpg", cv2.IMREAD_GRAYSCALE)
print(img.shape) # (800, 600) —— 高 800，宽 600
print(img[100, 200]) # 128 —— 第100行第200列的像素亮度（0-255）
# 显示
cv2.imshow("image", img)
cv2.waitKey(0)
灰度图（Grayscale）：
shape = (高, 宽) 的二维数组
每个元素 = 一个像素的亮度（0=纯黑，255=纯白）
0-255 共 256 个灰度级（8 位）
彩色图（RGB）：
shape = (高, 宽, 3) 的三维数组
每个像素 = 3 个值（红R、绿G、蓝B）
[ [[245, 23, 12], [250, 20, 10]],
[[247, 21, 15], [249, 22, 11]], ... ]
第一个像素：R=245 G=23 B=12（红色系）
颜色合成：
(255, 0, 0) = 纯红 (0, 255, 0) = 纯绿
(0, 0, 255) = 纯蓝 (255, 255, 255) = 白
(0, 0, 0) = 黑 (128, 128, 128) = 灰
一张 1920×1080 彩色图 = 1920×1080×3 ≈ 620 万个数字
"图像在电脑里 = 多维数字数组。 所有图像处理，本质都是'对数组做数学运算'。理解了这一点，后面所有技术都好懂了。"
二、色彩空间：同一个图，不同的"坐标系"
"颜色可以用不同方式描述——这就是色彩空间（Color Space）。"老周说：
常见色彩空间：
RGB：红/绿/蓝三通道（显示用）
HSV：色相Hue/饱和度Sat/明度Value（人眼感知，处理用）
HLS：类似 HSV（亮度 Lightness）
Lab：L亮度/a红绿/b蓝黄（感知均匀，颜色分析用）
YUV：亮度Y + 色度UV（视频压缩用）
为什么要转色彩空间？
例子：检测"红色书封"
在 RGB 里判断"红"很难（受光线影响大）
在 HSV 里：只看 H（色相）在红色范围就行（更稳定）
OpenCV 注意：
cv2 默认是 BGR 不是 RGB！（历史原因）
→ 显示/保存前要转换：cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
→ 新手最常见坑之一！
转换示例：
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
"色彩空间是'看待颜色的不同角度'——显示用 RGB，分析用 HSV，压缩用 YUV。视觉开发里'换个色彩空间'常常是解决问题的第一步。"
三、图像 IO 与像素操作：视觉开发的基本功
"读图、存图、改像素——这几招要练熟。"老周演示：
import cv2
import numpy as np
# 图像 IO
img = cv2.imread("photo.jpg") # 读图（BGR）
cv2.imwrite("out.jpg", img) # 存图
print(img.shape) # (高, 宽, 通道)
# 像素操作
pixel = img[50, 100] # 取像素 (B,G,R)
img[50, 100] = [0, 0, 255] # 改像素（变红）
# 区域操作（切片）
img[100:200, 150:250] = [255, 255, 255] # 把一块区域涂白
region = img[100:200, 150:250] # 裁剪一块区域
# 缩放 / 旋转 / 翻转
resized = cv2.resize(img, (400, 300)) # 缩放
rotated = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) # 旋转
flipped = cv2.flip(img, 1) # 水平翻转
# 叠加文字/框（可视化用）
cv2.rectangle(img, (50, 50), (200, 200), (0, 255, 0), 2) # 画框
cv2.putText(img, "Yunjian", (50, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
"OpenCV（Open Source Computer Vision Library）是视觉开发的事实标准工具库——读图、处理、画框、算法，全都有。'会 OpenCV'是视觉工程师的基本功，就像'会 Git'是程序员的标配。"
四、NumPy 是视觉开发的"幕后英雄"
"OpenCV 处理图像，底层全靠 NumPy。"老周强调：
NumPy 与图像：
OpenCV 的图 = NumPy 的 ndarray
所有图像操作，都可以直接用 NumPy 数学运算
常用 NumPy 图像操作：
np.zeros((h, w, 3)) # 创建黑色画布
img + 50 # 整体变亮（像素值+50）
img * 0.5 # 整体变暗
np.clip(img, 0, 255) # 把值限制在 0-255
np.mean(img) # 平均亮度
img[::-1] # 上下翻转
数据流向：
NumPy（数组运算）←→ OpenCV（图像算法）
深度学习（PyTorch 张量）← 图像也要转成张量
"记住这条链：图 → NumPy 数组 → 各种运算 → 视觉算法。 NumPy 处理数组的功夫，决定了你写视觉代码的上限。"
五、视频的本质：连续的图像帧
"咱们后面要做客流统计（视频），提前讲一下视频的本质。"老周说：
视频 = 连续的图像帧（Frame）
视频 = 每秒 N 张图（如 25 FPS = 每秒 25 帧）
视频处理 = 循环读帧 → 每帧做图像处理
OpenCV 读视频：
cap = cv2.VideoCapture("video.mp4")
while True:
ret, frame = cap.read() # 读一帧
if not ret:
break # 视频结束
# 对 frame 做图像处理
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 显示
cv2.imshow("video", frame)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
cap.release()
摄像头（实时）：
cap = cv2.VideoCapture(0) # 0 = 默认摄像头
# 之后循环一样（实时流 = 一帧一帧读）
"视频处理 = '逐帧图像处理'的循环——理解了这个，'客流统计'其实就是在'每一帧里数人'，再用跟踪技术把同一个人连续起来（第十一章）。"
六、章末：老周的第二章总结
第一层：图像基础与 OpenCV
├── 图像 = NumPy 数字数组（灰度二维 / 彩色三维）
├── 色彩空间：RGB（显示）/HSV（分析）/YUV（压缩）
│ OpenCV 默认 BGR（新手坑！）
├── 图像 IO：imread/imwrite + 像素/区域操作
├── 几何操作：缩放/旋转/翻转/裁剪
├── 可视化：画框、写文字（调试神器）
├── NumPy：图像底层运算（视觉基本功）
└── 视频 = 逐帧图像（VideoCapture 循环）
第三层（预告）：图像处理 —— 让模糊的照片变清晰
"小陈，现在你手里有'像素'这把钥匙了。"老周说，"但你拿手机拍的图书封面，往往又暗又糊又歪——直接丢给识别程序，效果会很难看。下一章，我们学图像处理基础：灰度化、滤波、边缘检测、形态学——让'脏图'变'干净图'。这是所有视觉任务的第一道工序。"