图像有单通道和多通道两种分类。我们先用 OpenCV 读一张图片看看它是怎么存放的。读入的图片如下：
import cv2
img = cv2.imread('test.jpg')
print(img.shape)
print(type(img))
"""
(36, 100, 3)
<class 'numpy.ndarray'>
"""
可见一幅图像是被保存为 ndarray 类型的多维数组，对于一个三通道的图像而言，多维数组每个维度的含义是：$(height,width,channel)$，
或者简写为 $(h,w,c)$。所以我们想要创建一幅图像就可以创建一个 ndarray，并按这个形状规则给定各个维度的大小。
import cv2 import numpy as np img = np.zeros((36, 100), dtype=np.uint8) + 255 # 创建一个灰度图像，单通道 img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) # 灰度图像转为 BGR 图像，三通道 print(img.shape) print(type(img)) """ (36, 100, 3) <class 'numpy.ndarray'> """
当我们直接通过 img 这个 ndarray 类型来进行访问像素，调整形状等一系列操作时，按 $(h,w,c)$ 的顺序不会有问题，但当我们间接通过
OpenCV 的 API 来操作图像的时候，这个顺序就不对了。这是由于 OpenCV 的坐标系并不是我们平常认为的那么定义的。
OpenCV 的坐标体系：零点坐标为图片的左上角，X 轴为图像矩形的上面那条水平线；Y 轴为图像矩形左边的那条垂直线。
所以当我们调用 API 来操作图像时，提供的坐标 $(x,y)$ 表示的含义是宽和高，即 $(w,h)$，举个例子：
import cv2
img = cv2.imread('test.jpg')
print(img.shape)
img = cv2.resize(img, (200, 36), interpolation=cv2.INTER_NEAREST)
print(img.shape)
"""
(36, 100, 3)
(36, 200, 3)
"""
可见 cv2.resize 修改的是图像的宽度，在其它提供坐标的地方都是按 $(w,h)$ 的顺序，比如 cv2.circle 等。
接下来我们用 python 中的 PIL 包来读图片看看，PIL 是一个图像处理的轻量级的库，功能没有 OpenCV 强大。用 PIL 包打开上面的那张图片：
from PIL import Image
img = Image.open('test.jpg')
print(img.size)
"""
(100, 36)
"""
size 返回的是图片的形状是 $(w,h)$。我们再调整一下图片大小：
from PIL import Image
img = Image.open('test.jpg')
print(img.size)
img = img.resize((100, 200))
print(img.size)
"""
(100, 36)
(100, 200)
"""
所以 resize 的参数顺序依然是 $(w,h)$。
最后我们来看下 skimage 这个包，依然是上面那张图片：
from skimage import io, transform
img = io.imread('test.jpg')
print(img.shape)
img = transform.resize(img, (36, 200))
print(img.shape)
"""
(36, 100, 3)
(36, 200, 3)
"""
可以看出，这个包无论是读取图像还是间接操作图像都是按 $(h,w)$ 顺序。