像素是构成数字图像的基本单位。现有一幅显示花朵的图像（如图1所示），提取并放大图1中被蓝色圆环圈住的区域，将得到一幅如图2所示的图像。
图1 一幅显示花朵的图像
图2 提取并放大图1中被蓝色圆环圈住的区域
不难发现，图2所示的图像是由许多个小方块组成的，通常把一个小方块称作一个像素。因此，一个像素是具有一定面积的一个块，而不是一个点。需要注意的是，像素的形状是不固定的；大多数情况下，像素被认为是方形的，但有时也可能是圆形的或者是其他形状的。
1 确定像素的位置
以图1为例，在访问图1中的某个像素之前，要确定这个像素在图1中的位置。那么，这个位置应该如何确定呢？
首先，确定图1在水平方向上和垂直方向上的像素个数。图1的“水平方向”和“垂直方向”如图3所示。
图3 图1的“水平方向”和“垂直方向”
在Windows 10系统的“画图”工具中打开图1，将得到如图4所示的界面。在这个界面中，就会得到图1在水平方向上的像素个数是219个，在垂直方向上的像素个数是292个。
图4 把图2在“画图”工具中打开
然后，根据图1中在水平方向上和垂直方向上的像素个数，绘制如图5所示的坐标系。
图5 根据图2.1在水平方向和垂直方向上的像素个数绘制坐标系
说明：图1在水平方向上的像素个数是219个，与其对应的是x轴的取值范围，即0~218；同理，图1在垂直方向上的像素个数是292个，与其对应的是y轴的取值范围，即0~291。
这样，就能够通过坐标来确定某个像素在图1中的位置。在OpenCV中，正确表示图1中某个像素坐标的方式是(y, x)。例如，在如图5所示的坐标系中，图1右下角的像素坐标是(291, 218)。
实例1 表示图1中的指定像素
编写一段代码，先读取D盘根目录下的2.1.jpg，再表示坐标(291, 218)上的像素。代码如下：
import cv2
image = cv2.imread("D:/2.1.jpg") # 读取D盘根目录下的2.1.jpg
px = image[291, 218] # 坐标(291, 218)上的像素
2 获取像素的BGR值
前面已经得到了坐标为(291, 218)上的像素px。现使用print()方法打印这个像素，将得到这个像素的RGB值。代码如下：
print("坐标(291, 218)上的像素的RGB值是", px)
上述代码的运行结果如下：
坐标(291, 218)上的像素的RGB值是 [36 42 49]
不难发现，坐标(291, 218)上的像素的RGB值是由36、42和49这3个数值组成的。在讲解这3个数值各自代表的含义之前，先了解下什么是三基色。
如图6所示，人眼能够感知红色、绿色和蓝色这3种不同的颜色，因此把这3种颜色称作三基色。如果将这3种颜色以不同的比例进行混合，人眼就会感知到丰富多彩的颜色。
图6 三基色
那么，对于计算机而言，是如何对这些颜色进行编码的呢？答案就是利用色彩空间。也就是说，色彩空间是计算机对颜色进行编码的模型。
以较为常用的RGB色彩空间为例，在RGB色彩空间中，存在3个通道，即R通道、G通道和B通道。其中，R通道指的是红色（Red）通道；G通道指的是绿色（Green）通道；B通道指的是蓝色（Blue）通道；并且每个色彩通道都在区间[0, 255]内进行取值。
这样，计算机将会利用这3个色彩通道的不同组合来表示不同的颜色。如图7所示，通过截图工具，能够得到坐标(291, 218)上的像素的RGB值为(49, 42, 36)。
图7 坐标为(291, 218)上的像素的RGB值
说明：通常使用一个三维数组来表示一幅图像中某一个像素的RGB值。例如，图1中坐标(291, 218)上的像素的RGB值为(49, 42, 36)。
使用print()方法打印图1中坐标(291, 218)上的像素px，其结果是(36, 42, 49)。而图7中这个坐标上的像素的RGB值为(49, 42, 36)。这时会发现这两个结果中的数值是相同的，但顺序是相反的，这是为什么呢？
原因是OpenCV对图像的通道顺序进行了转换，即把RGB图像的通道顺序由R（49）→G（42）→B（36）转换为BGR图像的通道顺序，即B（36）→G（42）→R（36）。
说明：RGB图像是指用RGB色彩空间显示的图像，BGR图像是指用BGR色彩空间显示的图像；RGB色彩空间和BGR色彩空间的区别是图像在RGB色彩空间中的通道顺序是R→G→B，在BGR的色彩空间中的通道顺序是B→G→R。
在OpenCV中，获取坐标(291, 218)上的像素px的BGR值有如下两种方式：
（1）同时获取坐标(291, 218)上的像素的B通道、G通道和R通道的值。代码如下：
import cv2
image = cv2.imread("D:/2.1.jpg")
px = image[291, 218] # 坐标(291, 218)上的像素
print(px)
上述代码的运行结果如下：
[36 42 49]
（2）分别获取坐标(291, 218)上的像素的B通道、G通道和R通道的值。代码如下：
import cv2
image = cv2.imread("D:/2.1.jpg")
blue = image[291, 218, 0] # 坐标(291, 218)上的像素的B通道的值
green = image[291, 218, 1] # 坐标(291, 218)上的像素的G通道的值
red = image[291, 218, 2] # 坐标(291, 218)上的像素的R通道的值
print(blue, green, red)
上述代码的运行结果如下：
36 42 49
说明：（1）image[291, 218, 0]中的最后一个数值0表示B通道；
（2）image[291, 218, 1]中的最后一个数值1表示G通道；
（3）image[291, 218, 2]中的最后一个数值2表示R通道。
3 修改像素的BGR值
已经获取了图1中坐标(291, 218)上的像素px的BGR值，即(36, 42, 49)。现要将像素px的BGR值由原来的(36, 42, 49)修改(255, 255, 255)，代码如下：
import cv2
image = cv2.imread("D:/2.1.jpg")
px = image[291, 218]
print("坐标(291, 218)上的像素的初始RGB值是", px)
px = [255, 255, 255] # 把坐标(291, 218)上的像素的值修改为[255, 255, 255]
print("坐标(291, 218)上的像素修改后的RGB值是", px)
上述代码的运行结果如下：
坐标(291, 218)上的像素的初始RGB值是 [36 42 49]
坐标(291, 218)上的像素修改后的RGB值是 [255, 255, 255]
说明：对于RGB/BGR图像，当每个像素的R、G、B这3个数值相等时，就可以得到灰度图像。其中，R = G = B = 0（B = G = R = 0）为纯黑色；R = G = B = 255（B = G = R = 255）为纯白色。
实例2 修改图1中的指定区域内的所有像素
编写一个程序，将图1中的坐标(241, 168)、(241, 218)、(291, 168)和(291, 218)这4个点所围成的区域内的所有像素都修改为纯白色。代码如下：
import cv2
image = cv2.imread("D:/2.1.jpg")
cv2.imshow("2.1", image) # 显示图1
for i in range(241, 292): # i表示横坐标，在区间[241, 291]内取值
for j in range(168, 219): # j表示纵坐标，在区间[168, 218]内取值
image[i, j] = [255, 255, 255] # 把区域内的所有像素都修改为白色
cv2.imshow("2.8", image) # 显示图8
cv2.waitKey()
cv2.destroyAllWindows() # 关闭所有的窗口时，销毁所有窗口
上述代码的运行结果如图8所示（左侧的图片是原图）。
图8 把指定区域内的所有像素都修改为白色