图像处理-opencv（一）

目录

1、灰度图

1.1 定义

1.2 表示方法

1.3 特点

2、HSV

2.1 HSV 三要素定义

2.2 HSV 模型的特点

2.3 HSV 与 RGB 的区别

3、图像阈值

3.1 函数作用

3.2、参数含义与要求

3.3 阈值类型（type）及实例

3.3.1 cv2.THRESH_BINARY（二值化）

3.3.2 cv2.THRESH_BINARY_INV（反二值化）

3.3.3 cv2.THRESH_TRUNC（截断）

3.3.4 cv2.THRESH_TOZERO（归零）

3.3.5 cv2.THRESH_TOZERO_INV（反归零）

3.4 返回值ret的作用

4、图像平滑

4.1 核心原理

4.2 常见的图像平滑方法

4.2.1. 均值滤波（Mean Filtering）

4.2.2.  高斯滤波（Gaussian Filtering）

4.2.3.  中值滤波（Median Filtering）

4.2.4.  双边滤波（Bilateral Filtering）

4.3 平滑方法的选择依据

---

1、灰度图

灰度图（Grayscale）是指只含亮度信息，不含色彩信息的图像，其外观类似黑白照片

1.1 定义

灰度图中的每个像素只有一个亮度值，通常用一个 8 位或 16 位的整数表示。8 位灰度图的亮度值范围是 0 到 255，其中 0 代表黑色，255 代表白色，介于两者之间的值代表不同程度的灰色。

1.2 表示方法

灰度图是单通道图像，即每个像素仅由一个灰度值来表示其亮度水平，不像彩色图像那样由多个颜色通道组成。

1.3 特点

数据简化由于仅包含灰度信息，灰度图像的数据量比彩色图像小，处理起来更为简单高效。

易于处理：许多图像处理技术，如边缘检测、图像分割、特征提取等，在灰度图像上的实现更为直接和简单。

2、HSV

HSV（Hue, Saturation, Value）是一种基于人眼对色彩感知的颜色模型，它将颜色分解为三个直观的维度。

2.1 HSV 三要素定义

HSV 模型通过 色调（H）、饱和度（S）、明度（V） 三个独立分量描述颜色，三个维度共同决定最终呈现的色彩，具体含义如下：

2.2 HSV 模型的特点

相比 RGB（红、绿、蓝）等基于硬件的颜色模型，HSV 具有更贴近人类视觉感知的优势：

直观性强：调整颜色时，可独立控制 “色调（换颜色）”“饱和度（调鲜艳度）”“明度（调明暗）”，无需像 RGB 那样同时调整三个通道（如想让红色变亮，只需提高 V，无需修改 R/G/B 比例）。

分量独立：三个维度互不干扰 —— 例如，改变饱和度（S）不会影响色调（H）和明度（V），改变明度（V）也不会改变颜色的种类和纯净度。

适合色彩选择：在设计软件（如 Photoshop、Figma）或图像编辑工具中，HSV 色轮能快速定位目标颜色，尤其适合需要精细调整色彩氛围的场景（如将图片色调从 “冷蓝” 改为 “暖黄”，只需调整 H 值）。

2.3 HSV 与 RGB 的区别RGB 和 HSV 是两种最常用的颜色模型，但核心逻辑完全不同，具体差异如下：

对比维度	HSV 模型	RGB 模型
核心逻辑	基于人类视觉感知 （色调、饱和度、明度）	基于硬件显示 （红、绿、蓝三原色叠加）
分量含义	分量独立，对应色彩的直观属性	分量为三原色的亮度值，无直接 “色彩意义”
调色便捷性	高：可直接调整 “颜色种类 / 鲜艳度 / 明暗”	低：需同时调整三通道，且效果不直观（如 “让蓝色更鲜艳” 需调整 R/G/B 比例）
适用场景	图像编辑、色彩设计、视觉效果调整	屏幕显示、数字图像存储、硬件驱动

3、图像阈值

OpenCV 中图像阈值化的核心函数cv2.threshold()，它是将灰度图像转换为二值化图像（或特定阈值处理图像）的关键工具。以下是对该函数及各参数的详细解读，结合实例帮助理解：

3.1 函数作用

cv2.threshold()通过设定一个固定阈值，将单通道图像（通常是灰度图）的像素值根据阈值规则进行转换，实现图像的简化（如突出目标区域、去除背景）。

3.2、参数含义与要求

src 输入图像，必须是单通道图像（灰度图），不能直接输入彩色图（需先转灰度）。

dst 输出图像，与输入图像尺寸、类型一致，存储阈值处理后的结果。

thresh 设定的阈值（如 127），用于判断像素值的分割标准。

maxval 当像素值满足阈值条件时，赋予的最大值（通常设为 255，即白色）。

type 阈值处理的类型，决定像素值如何根据thresh和maxval转换（核心参数）。

3.3 阈值类型（type）及实例

像素值为p，阈值thresh=127，maxval=255，以下是 5 种类型的转换规则及效果：

3.3.1 cv2.THRESH_BINARY（二值化）

规则：p > thresh → maxval（255）；p ≤ thresh → 0

效果：阈值以上为白色，以下为黑色（最常用的二值化方式）。

3.3.2 cv2.THRESH_BINARY_INV（反二值化）

规则：p > thresh → 0；p ≤ thresh → maxval（255）

效果：与THRESH_BINARY相反，阈值以上为黑色，以下为白色。

3.3.3 cv2.THRESH_TRUNC（截断）

规则：p > thresh → thresh（127）；p ≤ thresh → p（不变）

效果：阈值以上的像素统一设为阈值（如 127），以下保持原样（图像亮部被 “截断”）。

3.3.4 cv2.THRESH_TOZERO（归零）

规则：p > thresh → p（不变）；p ≤ thresh → 0

效果：阈值以下的像素设为黑色，以上保持原样（只保留亮部）。

3.3.5 cv2.THRESH_TOZERO_INV（反归零）

规则：p > thresh → 0；p ≤ thresh → p（不变）

效果：与THRESH_TOZERO相反，阈值以上的像素设为黑色，以下保持原样（只保留暗部）。

3.4 返回值ret的作用

函数返回两个值：ret和dst。

dst是处理后的图像（核心结果）。

ret是实际使用的阈值（在固定阈值场景下与thresh相同；在自适应阈值等场景中，ret可能是算法自动计算的阈值）。

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]for i in range(6):plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])
plt.show()

4、图像平滑

图像平滑（Image Smoothing）是一种基础的图像处理技术，主要通过抑制图像中的高频分量（如噪声、细节边缘）来减少图像噪声，使图像变得更模糊、更平滑，同时保留重要的低频信息（如大面积的区域特征）。它是图像预处理中的常用步骤，为后续的边缘检测、特征提取等操作提供更干净的图像数据。

4.1 核心原理

图像中的噪声通常表现为像素值的突变（高频信号），而平滑处理的本质是对像素周围的邻域进行加权平均，通过 “平均” 操作抵消突变的像素值，从而降低噪声。常见的实现方式是使用卷积核（滤波器） 对图像进行卷积运算：将卷积核覆盖在每个像素上，计算核内所有像素的加权和，作为中心像素的新值。

4.2 常见的图像平滑方法

根据卷积核的设计和计算方式不同，图像平滑可分为以下几类：

4.2.1. 均值滤波（Mean Filtering）

• 原理：使用一个固定大小的滑动窗口（如 3×3、5×5），将窗口内所有像素的平均值作为中心像素的新值。
• 卷积核：窗口内所有元素均为 1/(窗口面积)（确保加权和后亮度不变），例如 3×3 核为：

[[1/9, 1/9, 1/9],[1/9, 1/9, 1/9],[1/9, 1/9, 1/9]]

• 特点：
  • 简单高效，能有效去除高斯噪声等随机噪声。
  • 缺点：过度平滑会模糊图像边缘和细节（因为边缘也是高频信号，会被同时抑制）。
• OpenCV 实现：

import cv2
img = cv2.imread('image.jpg')
# 3×3均值滤波
mean_blur = cv2.blur(img, (3, 3))

4.2.2.  高斯滤波（Gaussian Filtering）

• 原理：使用高斯核进行卷积，核内像素的权重遵循高斯分布（中心像素权重最高，向四周逐渐减小），更接近人眼对邻域像素的感知。
• 卷积核：例如 3×3 高斯核（σ 为标准差，控制权重衰减速度）：

[[0.0751, 0.1238, 0.0751], [0.1238, 0.2042, 0.1238], [0.0751, 0.1238, 0.0751]]

• 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（因为中心像素权重更高，对边缘的模糊更少）。
  • 适用于去除高斯噪声（图像中最常见的噪声类型之一）。
• OpenCV 实现：

# 3×3高斯滤波，sigmaX=1（X方向标准差）
gaussian_blur = cv2.GaussianBlur(img, (3, 3), sigmaX=1)

4.2.3.  中值滤波（Median Filtering）

• 原理：与均值滤波类似，但不计算平均值，而是取窗口内所有像素值的中值作为中心像素的新值。
• 特点：
  • 对椒盐噪声（Salt-and-Pepper Noise，即图像中的黑白斑点） 效果极佳（因为中值能有效剔除极端异常值）。
  • 相比均值滤波，边缘保留更好（不会因极端值影响平均结果）。
  • 缺点：计算速度较慢（需排序取中值），且对高斯噪声的抑制效果不如高斯滤波。
• OpenCV 实现：

# 3×3中值滤波
median_blur = cv2.medianBlur(img, 3)  # 注意：核大小为奇数（3,5,7...）

4.2.4.  双边滤波（Bilateral Filtering）

• 原理：在高斯滤波的基础上，增加了像素值相似度权重—— 不仅考虑空间距离（越近权重越高），还考虑像素值差异（差异越小权重越高）。
• 特点：
  • 能在平滑噪声的同时，几乎不模糊边缘（因为边缘处像素值差异大，权重低，不会被过度平均）。
  • 适用于需要保留边缘的场景（如人像美颜、细节保留平滑）。
  • 缺点：计算复杂度高，速度较慢。
• OpenCV 实现：

# d=5（邻域直径），sigmaColor=100（颜色相似度标准差），sigmaSpace=100（空间距离标准差）
bilateral_blur = cv2.bilateralFilter(img, d=5, sigmaColor=100, sigmaSpace=100)

4.3 平滑方法的选择依据

噪声类型	推荐方法	核心优势
高斯噪声	高斯滤波	平滑效果好，边缘保留较好
椒盐噪声	中值滤波	有效剔除极端异常值
需保留边缘时	双边滤波	平滑噪声的同时不模糊边缘
简单快速处理	均值滤波	计算量小，适合快速预处理