图像与原始字节之间的转换：
从概念上，一个字节能表示0到255的整数，通常一个像素每个通道由一个字节表示。
一个OpenCV图像是.array类型的二维或者三维数组。8位的灰度图像是一个含有字节值得二维数组。一个24位的BGR图像是一个三维数组，也包含了字节值，可以使用表达式访问这些值，如image[0,0]或者image[0,0,0]。第一个值表示y坐标，第二个值表示x坐标，第三个值为颜色通道。还可以使用image.item((0,0))或image.setitem((0,0),128)来访问像素和对像素进行操作。
若一幅图像的每个通道为8位，则可以将其显式转换为标准的移位Python bytearray格式：
bytearray含有恰当顺序的字节，可以通过显式转换和重构，得到numpy.array形式的图像：
下面介绍一个将含有随机字节bytearray转换为灰度图像和BGR图像：
结果产生灰度图：
和彩色图像：
使用numpy.random.randint(0,256,120000).reshape(300,400)也可以并更加高效地生成Numpy数组。
使用numpy.array访问图像数据：
y.array结构针对数组操作有很好地优化，允许（bulk）操作。.array操作再OpenCV图像处理中会很方便使用，如对BGR图像的某一像素点进行操作，转换为白色像素点：
用numpy.array函数来转换数组比普通的Python数组转换要快得多。
方法：
使用numpy.array的原因：numpy.array处理这类问题进过很好地优化；通过Numpy的方法代码可读性更强。
下面是对通道的操作，指定某一通道的所有值置为0：
注意：通过循环操作来处理Python数组的效率非常低，尽量避免；使用数组索引可以高效地操作像素，像素操作是一个高代价的低效操作，特别是在处理视频图像时，可用索引来解决这个问题。
通过NumPy数组的索引访问原始图像：设置感兴趣区域（Region Of Interest ，ROI）：
要确保这两个区域大小相同。
numpy.array获取图像的属性：
结果：
其中三个属性为：
Shape：NumPy返回包含宽度，高度和通道数的数组，在调试图像类型调试时有用，如果图像是单色或灰度的，将不包含通道值。
Size：该属性是指图像像素的大小
Dtype：该属性会得到图像的数据类型（通常为一个无符号整数型的变量和该类型占的位数，比如uint8类型）