计算机视觉第一课opencv（二）保姆级教

目录

简介

一、边界填充

1.函数说明

2.案例分析

二、图像运算

1.+号运算

2.cv2.add()函数

3.图像加权运算

三、阈值处理

四、图像平滑处理

1.椒盐噪声

2.均值滤波（Mean Filtering）

3.方框滤波

4. 高斯滤波（Gaussian Filtering）

5.中值滤波（Median Filtering）

总结：

---

简介

继上一篇博客：

计算机视觉第一课opencv（一）保姆级教

我们了解了关于opencv的一些基本用途，今天我们继续来探究opencv的其他功能

一、边界填充

1.函数说明

cv2.copyMakeBorder()是OpenCV库中的一个函数，用于给图像添加额外的边界(padding)。

cv2.copyMakeBorder(src: UMat, top: int, bottom: int, left: int, right: int, borderType: int, dst: UMat | None = ..., value: cv2.typing.Scalar = ...)

它有以下几个参数:

• # src: 要扩充边界的原始图像。
• # top, bottom, left, right: 相应方向上的边框宽度。
• # borderType: 定义要添加边框的类型，它可以是以下的一种:
• # cv2.BORDER_CONSTANT: 添加的边框像素值为常数(需要额外再给定一个参数)。
• # cv2.BORDER_REFLECT: 添加的边框像素将是边界元素的镜面反射，类似于 gfedcba|abcdefgh|hgfedcba。(交界处也复制了)
• # cv2.BORDER_REFLECT_101 或 cv2.BORDER_DEFAULT: 和上面类似，但是有一些细微的不同，类似于 gfedcb|abcdefgh|gfedcba。(交接处删除了)
• # cv2.BORDER_REPLICATE: 使用最边界的像素值代替，类似于 aaaaaa|abcdefgh|hhhhhhh
• # cv2.BORDER_WRAP: 上下左右边界依次替换, cdefgh|abcdefgh|abcdefg

2.案例分析

导入库

import cv2

读取图像

ys = cv2.imread('dama.jpg')
ys=cv2.resize(ys,dsize=None,fx=0.5,fy=0.5)

读取名为dama.jpg的图像文件，注意图像路径需要正确。调整图像大小

设置边界参数

top, bottom, left, right = 50, 50, 50, 50

定义要在图像的上、下、左、右四个方向各添加 50 像素的边界。

五种边界填充方式

# 显示原始图像，窗口名为'yuantu'
cv2.imshow(winname='yuantu', mat=ys)
cv2.waitKey(0)  # 等待按键，按任意键继续

# 常数填充，value指定填充颜色（BGR 格式，这里是(229,25,80) ）
constant = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=(229, 25, 80))
# 依次显示不同填充方式处理后的图像及对应窗口名
cv2.imshow(winname='CONSTANT', mat=constant)
cv2.waitKey(0)

# 镜面反射填充（BORDER_REFLECT 模式）
reflect = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT)
cv2.imshow(winname='REFLECT', mat=reflect)
cv2.waitKey(0)

# 带细微差别的镜面反射填充（BORDER_REFLECT_101 模式，也可用 BORDER_DEFAULT ）
reflect101 = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT101)
cv2.imshow(winname='REFLECT_101', mat=reflect101)
cv2.waitKey(0)

# 边界像素复制填充（BORDER_REPLICATE 模式）
replicate = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REPLICATE)
cv2.imshow(winname='REPLICATE', mat=replicate)
cv2.waitKey(0)

这里使用白色背景没啥明显效果，可以换成其他图片

# 边界循环填充（BORDER_WRAP 模式）
wrap = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_WRAP)
cv2.imshow(winname='WRAP', mat=wrap)
cv2.waitKey(0)

二、图像运算

1.+号运算

• # 当某位置像素相加得到的数值小于255时，该位置数值为两图该位置像素相加之和
  # 当某位置像素相加得到的数值大于255时，该位置数值将被截断结果并将其减去 256  例如：相加后是260，实际是260 - 256 = 4

a = cv2.imread('ting98.jpg')
b = cv2.imread('zl.png')
c = a + 10  # 图片
cv2.imshow('yuan', a)
cv2.imshow('a+10', c)
cv2.waitKey(0)c = a[50:450, 50:400] + b[50:450, 50:400]
cv2.imshow('a+b', c)
cv2.waitKey(0)

• a[50:450, 50:400] 表示截取图像 a 中从 (50,50) 到 (450,400) 的区域（ROI，感兴趣区域）
• 要求 a 和 b 的截取区域尺寸完全相同，否则会报错

2.cv2.add()函数

• # 当某位置像素相加得到的数值小于255时，该位置数值为两图该位置像素相加之和
  # 当某位置像素相加得到的数值大于255时，该位置数值为255

a = cv2.imread('ting98.jpg')
b = cv2.imread('zl.png')
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))
c = cv2.add(a, b)  # 也可以使用使用
cv2.imshow('a add b', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 必须保证两个图像尺寸和通道数完全一致（这里通过cv2.resize()统一为 400x400）
• 与+号操作的区别：超过 255 的像素会被截断为 255（而非模 256），因此亮部更易呈现白色

3.图像加权运算

• # 就是在计算两幅图像的像素值之和时，将每幅图像的权重考虑进来。可以用公式表示为dst = src1×α + src2×β + γ

• α：src1 的权重（0~1 之间）
• β：src2 的权重（0~1 之间，通常 α+β=1）
• γ：亮度调节常数（可正可负，用于整体提亮或变暗）

a = cv2.imread('ting98.jpg')
b = cv2.imread('zl.png')
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))
#
c = cv2.addWeighted(a, 0.2, b, 0.8, 10)  # 10：图像的亮度值（常数），将添加到加权和上
cv2.imshow('addWeighted', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、阈值处理

阈值处理是指删除图像内像素值高于一定值或低于一定值的像素点。使用的方法为:

retval, dst=cv2.threshold(src,thresh,maxval,type)

retval代表返回的阈值
#   dst代表阈值分割结果图像，与原始图像具有相同的大小和类型
#   src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值
#   thresh代表要设定的阈值
#   maxval代表type参数位THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值
#   type代表阈值分割的类型，具体内容如下表所示:

选项	像素值 > thresh	其他情况
cv2.THRESH_BINARY	maxval	0
cv2.THRESH_BINARY_INV	0	maxval
cv2.THRESH_TRUNC	thresh	当前灰度值
cv2.THRESH_TOZERO	当前灰度值	0
cv2.THRESH_TOZERO_INV	0	当前灰度值

import cv2image = cv2.imread('dama.jpg', 1) #为彩色图像，0为灰度图像
# 图像缩放（宽高都缩放到原来的0.5倍）
image = cv2.resize(image, dsize=None, fy=0.5, fx=0.5)# 不同类型的阈值处理
ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV)# 显示原图
cv2.imshow('gray', image)
cv2.waitKey(0)# 依次显示各阈值处理结果
cv2.imshow('binary', binary)
cv2.waitKey(0)cv2.imshow('binaryinv', binaryinv)
cv2.waitKey(0)cv2.imshow('trunc', trunc)
cv2.waitKey(0)cv2.imshow('tozero', tozero)
cv2.waitKey(0)cv2.imshow('tozeroinv', tozeroinv)
cv2.waitKey(0)

代码说明：

• 代码使用cv2.threshold()函数实现了五种不同类型的阈值处理
• 所有处理使用的阈值 (thresh) 都是 175，最大值 (maxval) 都是 255
• 通过cv2.imshow()和cv2.waitKey(0)实现了图像的逐一显示

四、图像平滑处理

        图像平滑（smoothing）也称为“模糊处理”（blurring）
        图像平滑处理是数字图像处理中一种常用的技术，其核心目的是减少或消除图像中的噪声（如随机干扰、斑点等），同时尽可能保留图像的重要细节信息，使图像变得更加平滑、清晰。在实际应用中，图像采集、传输等过程可能会引入噪声，平滑处理能有效改善图像质量，为后续的图像分析、识别等操作奠定基础。
        下面是常用的一些滤波器
          均值滤波（邻域平均滤波）-> blur函数

          方框滤波-> boxFilter函数

          高斯滤波->GaussianBlur函数

         中值滤波->medianBlur函数

1.椒盐噪声

椒盐噪声是数字图像中常见的一种噪声类型，因其外观类似图像上随机分布的黑白斑点（如同撒了盐粒和胡椒粒）而得名。

特点

• 噪声形态：表现为图像中随机出现的白色亮点（盐噪声，对应像素值为 255，即最大亮度）和黑色暗点（椒噪声，对应像素值为 0，即最小亮度）。
• 产生原因：通常由图像传感器故障、传输信道干扰（如数据丢失）、模数转换错误等导致，例如相机拍摄时的突发电子干扰、图像压缩或传输中的比特错误等。
• 分布特性：噪声点在图像中随机分布，数量可多可少，且每个噪声点通常只影响单个像素（少数情况下可能影响相邻像素）。

对图像的影响

椒盐噪声会破坏图像的局部像素信息，导致图像细节模糊或失真，尤其会干扰边缘检测、特征提取等后续图像处理任务的准确性。例如，在文字识别中，椒盐噪声可能导致字符笔画断裂或出现伪影，影响识别率。

对一个图片添加椒盐噪声

import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):result = image.copy()  # 复制原图，避免修改原图h, w = image.shape[:2]  # 获取图片的高和宽（忽略通道数）for i in range(n):  # 生成n个椒盐噪声点# 随机生成噪声点的坐标x = np.random.randint(1, h)  # 随机行坐标（1到h-1之间）y = np.random.randint(1, w)  # 随机列坐标（1到w-1之间）# 50%概率生成盐噪声（白点），50%概率生成椒噪声（黑点）if np.random.randint(0, 2) == 0:result[x, y] = 0  # 椒噪声（黑色点，像素值0）else:result[x, y] = 255  # 盐噪声（白色点，像素值255）return result
# #
image = cv2.imread('dama.jpg')
image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
cv2.imshow(  'yntu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow( 'noise',noise)
cv2.waitKey(0)

        我们可以看见第二张图片出现很多黑白色的点，这就是椒盐噪声。接下来我要介绍四种去除椒盐噪声的方法

2.均值滤波（Mean Filtering）

• 原理：用图像中某个像素周围（如 3×3、5×5 的邻域）所有像素的平均值来替代该像素的值。
• 实现方式：通过一个固定大小的滑动窗口（卷积核）在图像上移动，窗口内所有像素值的总和除以窗口像素数量，得到的结果作为窗口中心像素的新值。
• 特点：能有效抑制高斯噪声等，但会使图像边缘变得模糊，窗口越大，平滑效果越明显，但图像细节丢失也越多。

红色点计算公式:（1*12+1*45+128*1+100*1+66*1+212*1+88*1+15*1+215*1）/9

蓝色点计算公式：对于蓝色点我们只能读取四个数据，一般我们会在外面一圈填充0或者1或者中心点的数值进行计算

 dst=cv2.blur(src,ksize,anchor,borderType)

#  dst是返回值
#  src是需要处理的图像
#  kszje是滤波核(卷积核)的大小
#  anchor是锚点，默认值是（-1，-1）一般无需更改
#  borderType是边界样式，一般无需更改
# 一般情况下，使用dst=cv2.blur(src,ksize)即可

blur_1 = cv2.blur(noise, ksize=(3, 3))  # 卷积核为3,3  效果一般,清晰度一般
cv2.imshow('blur_1', blur_1)
cv2.waitKey(0)blur_2 = cv2.blur(noise, ksize=(63, 63))
cv2.imshow('blur_2', blur_2)
cv2.waitKey(0)

3.方框滤波

是指用当前像素点周围nxn个像素值的和来代替当前像素值

dst=cv2.boxFilter (src, ddepth, ksize, anchor, normalize, borderType)

 ● dst是返回值，表示进行方框滤波后得到的处理结果。
    ● src 是需要处理的图像，即原始图像。
   ● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。（可以理解为数据类型）
   ● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。
   ● anchor 是锚点,（指对应哪个区域）
   ● normalize 表示在滤波时是否进行归一化。
       1.当值为True时，归一化，用邻域像素值的和除以面积。 此时方框滤波与 均值滤波 效果相同。
       2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255

boxFilter_1 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=True)  # 2、方框滤波
cv2.imshow('boxFilter_1', boxFilter_1)
cv2.waitKey(0)boxFilter_2 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=False)
cv2.imshow('boxFilter_2', boxFilter_2)
cv2.waitKey(0)

4. 高斯滤波（Gaussian Filtering）

• 原理：基于高斯函数设计卷积核，对像素周围邻域进行加权平均，距离中心像素越近的像素权重越大，反之越小。
• 实现方式：卷积核的数值服从高斯分布，通过该核与图像进行卷积运算，实现平滑处理。
• 特点：相比均值滤波，在平滑噪声的同时能更好地保留图像边缘信息，对高斯噪声的抑制效果较好。

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])

参数说明：src:输入图像，通常是一个NumPy数组。ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5)表示一个5x5的滤波器。
sigmaX和sigmaY:分别表示在X轴和Y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0，这意味着没有高斯模糊。dst:输出图像，通常是一个NumPy数组。如果为None，则会创建一个新的数组来存储结果。

GaussianB = cv2.GaussianBlur(noise, ksize=(3,3), sigmaX=1) #标准差为1，标准正太分布。 3、高斯滤波
cv2.imshow('GaussianBlur', GaussianB)
cv2.waitKey(0)

5.中值滤波（Median Filtering）

• 原理：用像素邻域内所有像素值的中值来替代该像素的值。
• 实现方式：滑动窗口遍历图像，将窗口内的像素值排序后，取中间值作为中心像素的新值。
• 特点：对椒盐噪声（图像中出现的随机黑白点）抑制效果显著，且不易使图像边缘模糊，是处理椒盐噪声的首选方法。

这就很科学的把0和255给去掉了，也就是白色与黑色

 cv2.medianBlur(src, ksize[, dst])

参数说明：
src:输入图像。
ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示一个5x5的滤波器。
dst:输出图像，通常是一个NumPy数组。如果为None，则会创建一个新的数组来存储结果。

medianB = cv2.medianBlur(noise, ksize=3)  # 4、中值滤波
cv2.imshow('medianBlur', medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结：

        不同的平滑处理方法各有侧重，选择时需根据图像噪声类型、对图像细节保留的要求等因素综合考虑。例如，处理椒盐噪声优先用中值滤波，需要保留边缘时可选用双边滤波，而处理高斯噪声时高斯滤波是较好的选择。