举例分析
假如用分辨率为98*148的树形图片

当我们用opencv读取该图片时，返回的图片的shape是(148, 98, 3)

import cv2
 img = cv2.imread(img_path)
 print(img.shape)(148, 98, 3)


由此可见图片的返回的图片的shape的格式是(h,w,c)

148表示有148行，可以表达为图片的高 height
98表示图片有98列，可以表达为图片的宽 width
c表示 图片的通道数，彩色图片是三通道的，每个通道表示图片的一种颜色（RGB），对于OpenCV读取到的图片的通道顺序是BGR

不同的读取图像的工具，读取到的图像的通道的颜色顺序是不一样的

opencv读进来的图片已经是一个numpy矩阵了，彩色图片维度是（高度，宽度，通道数）。数据类型是uint8；
opencV读取的格式：BGR （opencv对于读进来的图片的通道排列是BGR，而不是主流的RGB！谨记！）
opencV存储的格式：BGR
PIL的读取和存储格式是RGB
PIL读进来的图像是一个对象，而不是我们所熟知的numpy 矩阵
针对PIL读进来的图像是一个对象，那么如何才能将读进来的图片转为矩阵呢，方法如下：

from PIL import Image
 import numpy as np
 img1 = Image.open(‘d:/picture/cat.jpg’)
 arr = np.array(img1)


在深度学习的时候，推理的前处理，一般都是将RGB或BGR图像进行转变为CHW的格式

PIL和Skimage读取图像是HWC格式，- opencv读取图像是也是HWC的格式
CHW更适合CNN：因为网络是一个通道一个通道的对图像做卷积，提取feature，希望在访问同一个channel的像素是连续的，一般存储选用CHW，这样在做CNN的时候，在访问内存的时候就是连续的了，比较方便；
yolov5读取图片处理
yolov5在读取图片事，代码如下

img = cv2.imread(path)
 img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB


代码中的“ ::-1”是将BGR转换成RGB，代码中的transpose(2, 0, 1) 是将HWC转换成CHW格式