当前位置：首页 > news >正文

OpenCV图像处理2：边界填充与平滑滤波实战

news 2025/8/15 5:42:40

前面学了一些关于opencv图像处理的内容，现在继续。

一图像填充

边界填充（Border Padding），即在图像四周添加指定宽度的像素区域。其核心函数是cv2.copyMakeBorder()，通过不同的填充方式（borderType）处理图像边缘，常用于避免卷积操作（如滤波）时边界信息丢失或调整图像尺寸。有下面四种参数

黑色边框（常数填充）BORDER_CONSTANT
镜像反射含边缘（如照镜子） BORDER_REFLECT
镜像反射不含边缘（更平滑）BORDER_REFLECT_101
拉伸边缘像素（复制最外侧像素）BORDER_REPLICATE
循环平铺图像（类似纹理重复）BORDER_WRAP

代码部分

1 常数填充

这里top,bottom,left,right=50,50,50,50，表示要向上下左右要填充的大小，这里填充的是黑色，RGB值为0，0，0。如果是填充其他值可以修改。

zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
constant=cv2.copyMakeBorder(zxc, top, bottom, left, right,borderType=cv2.BORDER_CONSTANT,value=(0,0,0))
cv2.imshow('zxc',zxc)
cv2.imshow('constant',constant)
cv2.waitKey(0)

2 边缘折射填充

BORDER_REFLECT和BORDER_REFLECT101方法差不多，但通过图我们可以看出来，第一种边缘部分有点点突兀，而第二种就比较平滑。

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
reflact=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflact101=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
cv2.imshow('zxc',zxc)
cv2.imshow('constant',reflact)
cv2.imshow('reflect',reflact101)
cv2.waitKey(0)

3 拉伸填充

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
replicate=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
cv2.imshow('zxc',zxc)
cv2.imshow('constant',replicate)
cv2.waitKey(0)

4 循环平铺填充

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
cv2.imshow('zxc',zxc)
wrap=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_WRAP)
cv2.imshow('reflect',wrap)
cv2.waitKey(0)

二图像加运算

第一篇文章也说了，opencv把图片转化为了一个一个像素值，那么就可以进行加，这里有两种方法，一个是直接加，一个是用add方法。注意这里相加，要尺寸大小一样才能相加。

1 直接加

对两张图像每个像素值直接相加（例：像素A(150) + 像素B(120) = 270 → 截断为255）

import cv2long=cv2.imread('img_3.png')
tu=cv2.imread('img_5.png')
long=cv2.resize(long,(800,600))
tu=cv2.resize(tu,(800,600))
c=long+tu
cv2.imshow('long',long)
cv2.imshow('tu',tu)
cv2.imshow('aa',c)
cv2.waitKey(0)

2 cv2.addWeighted加权相加

这种更平滑，不会有出现超过255像素值的那种情况

import cv2long=cv2.imread('img_3.png')
tu=cv2.imread('img_5.png')
long=cv2.resize(long,(800,600))
tu=cv2.resize(tu,(800,600))
d=cv2.addWeighted(long,0.5,tu,0.5,0)cv2.imshow('bb',d)
cv2.waitKey(0)

三阈值处理

阈值处理就是对图片像素值设定一个阈值，大于这个就是就设置为其他像素或怎么的，下面看代码详解。

阈值化选项	条件：像素值 > thresh	条件：像素值 ≤ thresh
`cv2.THRESH_BINARY`	设置为 `maxval`	设置为 `0`
`cv2.THRESH_BINARY_INV`	设置为 `0`	设置为 `maxval`
`cv2.THRESH_TRUNC`	截断为 `thresh`	保持原始灰度值不变
`cv2.THRESH_TOZERO`	保持原始灰度值不变	设置为 `0`
`cv2.THRESH_TOZERO_INV`	设置为 `0`	保持原始灰度值不变

1 `cv2.THRESH_BINARY`

这里还先对图像作了灰度图处理，有利于对阈值操作。这里阈值处理后会返回两个值，一个是阈值，另一个就是处理好的图像。具体原理看上方表格

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,binary=cv2.threshold(a,170,255,cv2.THRESH_BINARY)cv2.imshow('a',a)
cv2.imshow('binary',binary)
cv2.waitKey(0)

2 cv2.THRESH_BINARY_INV

这个就是上面的一个后面加了INV，其实就是上面处理好的图中，黑色变白色，白色变黑色，反转了一下。

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,binaryinv=cv2.threshold(a,170,255,cv2.THRESH_BINARY_INV)cv2.imshow('a',a)
cv2.imshow('binary',binaryinv)
cv2.waitKey(0)

3 cv2.THRESH_TRUNC

这里设定的阈值为170，然后超过的就记作170，低于的就按照原像素值1

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,trunc=cv2.threshold(a,170,255,cv2.THRESH_TRUNC)cv2.imshow('a',a)
cv2.imshow('binary',trunc)
cv2.waitKey(0)

4THRESH_TOZERO和THRESH_TOZERO_INV

保持原始灰度值不变	设置为 `0`
设置为 `0`	保持原始灰度值不变

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,tozero=cv2.threshold(a,170,255,cv2.THRESH_TOZERO)
_,tozeroinv=cv2.threshold(a,170,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('a',a)
cv2.imshow('binary',tozero)
cv2.imshow('binaryinv',tozeroinv)
cv2.waitKey(0)

五图像平滑处理

这里有四种常用图像滤波方法可以进行图像平滑处理

下面我先对图片加上椒盐噪声。

1. 均值滤波 (Mean Filtering)

原理：
对图像中每个像素点，取其邻域内（如3×3、5×5）所有像素的算术平均值作为该点的新值。

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('jz',jz)
cv2.waitKey(0)

我们先定义了一个函数，对图像添加了椒盐噪声，然后进行了均值滤波处理

这里处理结果显然不是很好.

2 高斯滤波 (Gaussian Filtering)

原理：
对邻域内像素进行加权平均，权重由二维高斯函数生成，距离中心点越近权重越大

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
gs=cv2.GaussianBlur(ntu,(3,3),0)
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('gs',gs)
cv2.waitKey(0)

3 方框滤波

核心计算逻辑
- 对图像中每个像素的 3×3 邻域内所有像素值直接求和，不进行归一化（即不除以像素数量 9）。
- 数学表达：output(x,y)=i=−1∑1j=−1∑1input(x+i,y+j)
与归一化方框滤波的区别
- 归一化模式（normalize=True）：
  等价于均值滤波（cv2.blur()），输出邻域像素平均值，结果平滑但保留亮度范围。
- 非归一化模式（normalize=False）：
  输出为邻域像素值之和，结果常因数值溢出呈现 全白或高亮区域。

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
fk1=cv2.boxFilter(ntu,-1,ksize=(3,3),normalize=True)
fk2=cv2.boxFilter(ntu,-1,ksize=(3,3),normalize=False)cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('fk1',fk1)
cv2.imshow('fk2',fk2)
cv2.waitKey(0)

下面的第一张图我没有加归一化，这样的话就好第一种方法均值滤波差不多了。但加完之后图片就太模糊了。

4 中值滤波 (Median Filtering)

原理：
取邻域内所有像素值的中位数替代中心像素值。
计算步骤：

提取邻域像素值
排序后取中间位置的值

适用场景：

高效去除椒盐噪声（黑白点状噪声）
需保留锐利边缘的场景
特点：
✅ 完全消除孤立噪声点
✅ 边缘保护能力极强
❌ 计算开销较大（需排序）

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
zz=cv2.medianBlur(ntu,5)
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('zz',zz)
cv2.waitKey(0)