当前位置：首页 > news >正文

Opencv 边界填充图像运算阈值处理和图像平滑处理

news 2025/8/15 7:22:39

一.边界填充

1.边界填充实现方法（cv2.copyMakeBorder()）

2.边界填充样式参数

3.简单案例

二.图像加法运算

1.直接图片相加与add()方法对比

2.加权运算（图像融合）

三.阈值处理

1.阈值处理概述

2.阈值处理类型与效果

四.图像平滑处理

1.图像平滑处理（模糊处理概述）

2.四种滤波方法介绍

3.实现人为的噪声添加方法

4.均值滤波

①均值滤波处理原理与实现

②平滑处理效果与局限性

5.方框滤波

6.高斯滤波

7.中值滤波

五.视频平滑处理案例

一.边界填充

1.边界填充实现方法（cv2.copyMakeBorder()）

第一步读取图片，若图片过大建议先缩放尺寸以便观察边界填充效果。
设置边界填充参数（如 top, bottom, left, right 均为50），数值可自定义调整。
使用 copyMakeBorder() 进行边界填充，需指定图片对象、边界大小及填充样式。

2.边界填充样式参数

BORDER_CONSTANT：以指定颜色填充边界（如RGB值需注意通道顺序为BGR）。
BORDER_REFLECT：镜面反射填充，对称轴两侧内容完全反射。
BORDER_REFLECT_101：类似镜面反射，但删除交界处像素（反射时不包含边界元素）。
BORDER_REPLICATE：以最边界像素值拉伸填充。
BORDER_WRAP：上下左右区域依次颠倒替换填充。

3.简单案例

import cv2
img1=cv2.imread('img1.png')
new_img=cv2.resize(img1,dsize=None,fx=0.5,fy=0.5)
top,bottom,left,right=50,50,50,50
#添加的边框像素值为常数
constant=cv2.copyMakeBorder(new_img,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(223,34,23))
#添加的边框像素值是边界元素的镜面反射
reflect=cv2.copyMakeBorder(new_img,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
#和上面相似但边界交接处删了
reflect101=cv2.copyMakeBorder(new_img,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
#使用最边界的像素值代替
replicate=cv2.copyMakeBorder(new_img,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
#上下左右依次替换
wrap=cv2.copyMakeBorder(new_img,top,bottom,left,right,borderType=cv2.BORDER_WRAP)
cv2.imshow('yuantu',new_img)
cv2.waitKey(0)
cv2.imshow('constant',constant)
cv2.waitKey(0)
cv2.imshow('reflect',reflect)
cv2.waitKey(0)
cv2.imshow('reflect101',reflect101)
cv2.waitKey(0)
cv2.imshow('replicate',replicate)
cv2.waitKey(0)
cv2.imshow('wrap',wrap)
cv2.waitKey(0)

二.图像加法运算

1.直接图片相加与add()方法对比

直接相加（+）：图片的指定区域相加后，颜色混合杂乱，但保留部分原图特征
add()方法：相同图片相加后，大部分区域变为白色。原因为超限像素值被强制设为255（白色），导致特征丢失。
关键区别：直接相加通过与256取余处理超限值(如260→260-256=4），add()方法直接截断为255。类似现象出现在减法（如减100）和乘法（如乘2）运算中，均遵循数值截断规则（负数或超限值通过取余调整至0-255范围）

import cv2
img1=cv2.imread('img1.jpg')
a=cv2.resize(img1,dsize=None,fx=0.5,fy=0.5)
img2=cv2.imread('img2.png')
b=cv2.resize(img2,dsize=None,fx=0.5,fy=0.5)
#+号运算中当某位置像素相加得到的数值大于255则该位置数值为该数值对256取余，例如时260，则最后数值是260-256=4
c=a+10
cv2.imshow('yuan',a)
cv2.imshow('a+10',c)
cv2.waitKey(0)c=a[220:330,30:330]+b[220:330,30:330]
cv2.imshow('a+b',c)
cv2.waitKey(0)a=cv2.resize(a,(400,400))
b=cv2.resize(b,(400,400))
#add()方法中当某位置像素相加得到的数值大于255则该位置数值就为255了
c=cv2.add(a,b)
cv2.imshow('a add b',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.加权运算（图像融合）

使用addWeighted()方法，通过权重分配实现图像融合。

在计算两幅图的像素值之和时，将每幅图的权重考虑进来，可用公式表示dst=src1*alpha+src2*beta+gamma即结果 = 图片1×权重1 + 图片2×权重2 + 常数（伽马值）

img1=cv2.imread('img1.jpg')
a=cv2.resize(img1,dsize=None,fx=0.5,fy=0.5)
img2=cv2.imread('img2.png')
b=cv2.resize(img2,dsize=None,fx=0.5,fy=0.5)
#图像加权运算
#在计算两幅图的像素值之和时，将每幅图的权重考虑进来，可用公式表示dst=src1*alpha+src2*beta+gamma
c=cv2.addWeighted(a,0.5,b,0.5,10)#10图像的亮度值，添加到权和上
cv2.imshow('addWeighed c',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

三.阈值处理

1.阈值处理概述

阈值处理是图像预处理的重要步骤，用于将图像转换为二值化形式（仅包含黑白两种像素值）。
核心方法：cv2.threshold()，包含四个参数：
- src：待处理的图像（如灰度图）。
- thresh：手动设置的阈值（如175）。
- maxval：最大值（如255）。
- type：阈值处理类型（决定规则）。
cv2.threshold()返回值说明：
- 第一个返回值（ret）：实际使用的阈值（通常与输入一致）。
- 第二个返回值（dst）：处理后的二值化图像。

2.阈值处理类型与效果

注意：阈值thresh需根据具体图像调整（如175仅为示例）。

THRESH_BINARY：
- 规则：像素值 > thresh → maxval（白）；否则 → 0（黑）。
- 效果：原图中较亮区域变纯白，较暗区域变纯黑。
THRESH_BINARY_INV：
- 规则：与BINARY相反（> thresh → 0；否则 → maxval）。
- 效果：亮暗区域颜色反转。
THRESH_TRUNC：
- 规则：> thresh → thresh（灰）；否则保持原灰度值。
- 效果：亮区域变灰，暗区域不变。
THRESH_TOZERO：
- 规则：> thresh → 保持原值；否则 → 0。
- 效果：亮区域不变，暗区域变黑。
THRESH_TOZERO_INV：
- 规则：> thresh → 0；否则 → 保持原值。
- 效果：亮区域变黑，暗区域不变。

import cv2
# image=cv2.imread('img1.jpg')
image=cv2.imread('img1.jpg',0)
image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
ret,binary=cv2.threshold(image,175,255,cv2.THRESH_BINARY)
ret,binary_inv=cv2.threshold(image,175,255,cv2.THRESH_BINARY_INV)
ret,trunc=cv2.threshold(image,175,255,cv2.THRESH_TRUNC)
ret,tozero=cv2.threshold(image,175,255,cv2.THRESH_TOZERO)
ret,tozero_inv=cv2.threshold(image,175,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('yuantu',image)
cv2.waitKey(0)
cv2.imshow('binary',binary)
cv2.waitKey(0)
cv2.imshow('binary_inv',binary_inv)
cv2.waitKey(0)
cv2.imshow('trunc',trunc)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozero_inv',tozero_inv)
cv2.waitKey(0)
cv2.destroyAllWindows()

四.图像平滑处理

1.图像平滑处理（模糊处理概述）

通过消除噪声或细节使图像更平滑，但会导致图像轻微模糊。
主要功能：去除噪声、压制弱化细节突变。

2.四种滤波方法介绍

均值滤波：用当前像素点周围N×N个像素值的平均值代替当前像素值

方框滤波：用邻域像素的和替换中心像素（若未归一化），或归一化后等同于均值滤波。

高斯滤波：

高斯滤波通过卷积核权重分布实现，权重基于高斯分布确定。中心权重最高（如0.4），相邻方格权重递减（如0.1），拐角权重最低（如0.05）。
权重计算依据方格与中心的位置距离（X值），距离越近权重越大。

中值滤波：取像素邻域内所有值的中位数作为当前像素值，排序后过滤极端值（如0和255）。

3.实现人为的噪声添加方法

通过随机生成坐标点（行、列），并在这些位置随机赋值为0（黑点）或255（白点），模拟椒盐噪声。
噪声数量由参数n控制（默认1万次循环），黑白点概率各50%。
代码步骤：复制原图→循环生成随机坐标→随机赋值→返回噪声图像。

可通过下面自定义方法实现：

def add_noise(img,n=10000):result=img.copy()h,w=result.shape[:2]for i in range(n):x=np.random.randint(1,h)y=np.random.randint(1,w)if np.random.randint(0,2)==1:result[x,y]=0else:result[x,y]=1return result

4.均值滤波

①均值滤波处理原理与实现

均值滤波通过遍历图片，计算每个像素点周围区域（如3x3、5x5等奇数尺寸卷积核）的像素平均值，并用该值替换中心像素。
边界处理：为避免图片缩小，需对边界进行填充（如零填充或复制边缘像素）。
卷积核大小必须为奇数（如3、5、7），偶数会导致无法定位中心像素。
代码实现：使用OpenCV的cv2.blur()函数，参数包括输入图像和卷积核尺寸（如(3,3)）。
效果：噪声点被模糊化，但图片可能失真；卷积核越大，平滑效果越强，但失真也更明显。

img=cv2.imread('img1.jpg')
img=cv2.resize(img,dsize=None,fx=0.5,fy=0.5)
img_add_noise=add_noise(img)
cv2.imshow('yuantu',img)
cv2.waitKey(0)
cv2.imshow('noise',img_add_noise)
cv2.waitKey(0)
# 均值滤波
blur1= cv2.blur(img_add_noise,ksize=(3,3))
cv2.imshow('blur1',blur1)
cv2.waitKey(0)
blur2= cv2.blur(img_add_noise,ksize=(63,63))
cv2.imshow('blur2',blur2)
cv2.waitKey(0)

通过代码人为添加噪声（黑白点，称为“椒盐噪声”）。
均值滤波处理后，噪声减弱但图像变模糊（失真）。
参数调整（如从3×3改为63×63）会显著增加模糊效果。

②平滑处理效果与局限性

平滑后颜色过渡更平缓，但边界清晰度降低。
均值滤波对椒盐噪声效果一般，需结合其他滤波方法优化。

5.方框滤波

原理：用邻域像素的和替换中心像素（若未归一化），或归一化后等同于均值滤波。
参数normalize：
- True：求和后除以面积，等效均值滤波。
- False：直接使用像素和，易导致值超过255（显示为白色）。
代码实现：cv2.boxFilter()，需指定图像深度（-1表示同原图）、卷积核尺寸及归一化标志。
效果：未归一化时图片大面积变白，实用性较低；归一化后与均值滤波一致。

#方框滤波
boxFilter1=cv2.boxFilter(img_add_noise,-1,(3,3),normalize=True)#结果与均值滤波相同
cv2.imshow('boxFilter1',boxFilter1)
cv2.waitKey(0)
boxFilter2=cv2.boxFilter(img_add_noise,-1,(3,3),normalize=False)
cv2.imshow('boxFilter2',boxFilter2)
cv2.waitKey(0)

均值滤波后图片可能模糊，需权衡噪声去除与细节保留。
方框滤波未归一化时结果异常，通常仅用于特定场景。

6.高斯滤波

原理与应用：

高斯滤波通过卷积核权重分布实现，权重基于高斯分布确定。中心权重最高（如0.4），相邻方格权重递减（如0.1），拐角权重最低（如0.05）。
权重计算依据方格与中心的位置距离（X值），距离越近权重越大。
代码实现：cv2.GaussianBlur（），参数包括输入图像、卷积核大小（如3x3）、标准差（如1）。

效果评估：对椒盐噪声处理效果一般，噪声点仍可见，建议调整卷积核大小（如5x5或7x7）优化。

#高斯滤波
gauss1= cv2.GaussianBlur(img_add_noise,ksize=(3,3),sigmaX=1)#标准差为1
cv2.imshow('gauss1',gauss1)
cv2.waitKey(0)

7.中值滤波

中值滤波原理与优势：

原理：取像素邻域内所有值的中位数作为当前像素值，排序后过滤极端值（如0和255）。
对椒盐噪声效果显著，因噪声点（黑白点）被排序至两端，中位数取中间值有效消除噪声。
代码实现：cv2.medianBlur（），参数为输入图像和卷积核大小（如3）。
对比展示：中值滤波处理后图像清晰度高，噪声基本消除，优于均值滤波和高斯滤波。

#中值滤波
media= cv2.medianBlur(img_add_noise,ksize=3)#这里3就表示3×3
cv2.imshow('media',media)
cv2.waitKey(0)
cv2.destroyAllWindows()

五.视频平滑处理案例

任务：对视频文件test.avi逐帧添加椒盐噪声（每帧1万个黑白点），选择合适的平滑方法处理，要求去噪且保留清晰度。
输出要求：同时显示原视频、噪声视频和处理后视频的窗口。
推荐方法：中值滤波（效果最佳）。

import cv2
import numpy as np
def add_noise(img,n=10000):result=img.copy()h,w=img.shape[:2]for i in range(n):x=np.random.randint(1,h)y=np.random.randint(1,w)if np.random.randint(1,3)==1:result[x, y]=1else:result[x,y]=0return resultvideo=cv2.VideoCapture('test.avi')
if not video.isOpened():print('视频打开失败')exit()
while True:ret,frame=video.read()cv2.imshow('video', frame)if not ret:breakframe_addNoise=add_noise(frame)cv2.imshow('frame_addNoise', frame_addNoise)media= cv2.medianBlur(frame_addNoise,ksize=3)cv2.imshow('media',media)if cv2.waitKey(20)==27:break
video.release()
cv2.destroyAllWindows()

查看全文

http://www.dtcms.com/a/331058.html