計算機視覺第一課opencv（二）保姆級教學

簡介

一、邊界填充

1.函數說明

2.案例分析

二、圖像運算

1.+號運算

2.cv2.add()函數

3.圖像加權運算

三、閾值處理

四、圖像平滑處理

1.椒鹽噪聲

2.均值濾波（Mean Filtering）

3.方框濾波

4. 高斯濾波（Gaussian Filtering）

5.中值濾波（Median Filtering）

總結：

簡介

繼上一篇博客：

計算機視覺第一課opencv（一）保姆級教

我們了解了關于opencv的一些基本用途，今天我們繼續來探究opencv的其他功能

一、邊界填充

1.函數說明

cv2.copyMakeBorder()是OpenCV庫中的一個函數，用于給圖像添加額外的邊界(padding)。

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

它有以下幾個參數:

# src: 要擴充邊界的原始圖像。
# top, bottom, left, right: 相應方向上的邊框寬度。
# borderType: 定義要添加邊框的類型，它可以是以下的一種:
# cv2.BORDER_CONSTANT: 添加的邊框像素值為常數(需要額外再給定一個參數)。
# cv2.BORDER_REFLECT: 添加的邊框像素將是邊界元素的鏡面反射，類似于 gfedcba|abcdefgh|hgfedcba。(交界處也復制了)
# cv2.BORDER_REFLECT_101 或 cv2.BORDER_DEFAULT: 和上面類似，但是有一些細微的不同，類似于 gfedcb|abcdefgh|gfedcba。(交接處刪除了)
# cv2.BORDER_REPLICATE: 使用最邊界的像素值代替，類似于 aaaaaa|abcdefgh|hhhhhhh
# cv2.BORDER_WRAP: 上下左右邊界依次替換, cdefgh|abcdefgh|abcdefg

2.案例分析

導入庫

import cv2

讀取圖像

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

讀取名為dama.jpg的圖像文件，注意圖像路徑需要正確。調整圖像大小

設置邊界參數

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

定義要在圖像的上、下、左、右四個方向各添加 50 像素的邊界。

五種邊界填充方式

# 顯示原始圖像，窗口名為'yuantu'
cv2.imshow(winname='yuantu', mat=ys)
cv2.waitKey(0)  # 等待按鍵，按任意鍵繼續

# 常數填充，value指定填充顏色（BGR 格式，這里是(229,25,80) ）
constant = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=(229, 25, 80))
# 依次顯示不同填充方式處理后的圖像及對應窗口名
cv2.imshow(winname='CONSTANT', mat=constant)
cv2.waitKey(0)

# 鏡面反射填充（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)

# 帶細微差別的鏡面反射填充（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)

# 邊界像素復制填充（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)

這里使用白色背景沒啥明顯效果，可以換成其他圖片

# 邊界循環填充（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、圖像運算

1.+號運算

# 當某位置像素相加得到的數值小于255時，該位置數值為兩圖該位置像素相加之和
# 當某位置像素相加得到的數值大于255時，該位置數值將被截斷結果并將其減去 256  例如：相加后是260，實際是260 - 256 = 4

a = cv2.imread('ting98.jpg')
b = cv2.imread('zl.png')
c = a + 10  # 圖片
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]?表示截取圖像 a 中從 (50,50) 到 (450,400) 的區域（ROI，感興趣區域）
要求 a 和 b 的截取區域尺寸完全相同，否則會報錯

`2.cv2.add()`函數

# 當某位置像素相加得到的數值小于255時，該位置數值為兩圖該位置像素相加之和
# 當某位置像素相加得到的數值大于255時，該位置數值為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()

必須保證兩個圖像尺寸和通道數完全一致（這里通過cv2.resize()統一為 400x400）
與+號操作的區別：超過 255 的像素會被截斷為 255（而非模 256），因此亮部更易呈現白色

3.圖像加權運算

# 就是在計算兩幅圖像的像素值之和時，將每幅圖像的權重考慮進來。可以用公式表示為dst = src1×α + src2×β + γ

α：src1 的權重（0~1 之間）
β：src2 的權重（0~1 之間，通常 α+β=1）
γ：亮度調節常數（可正可負，用于整體提亮或變暗）

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：圖像的亮度值（常數），將添加到加權和上
cv2.imshow('addWeighted', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、閾值處理

閾值處理是指刪除圖像內像素值高于一定值或低于一定值的像素點。使用的方法為:

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

retval代表返回的閾值
#   dst代表閾值分割結果圖像，與原始圖像具有相同的大小和類型
#   src代表要進行閾值分割的圖像，可以是多通道的，8位或32位浮點型數值
#   thresh代表要設定的閾值
#   maxval代表type參數位THRESH_BINARY或者THRESH_BINARY_INV類型時，需要設定的最大值
#   type代表閾值分割的類型，具體內容如下表所示:

選項	像素值 > thresh	其他情況
cv2.THRESH_BINARY	maxval	0
cv2.THRESH_BINARY_INV	0	maxval
cv2.THRESH_TRUNC	thresh	當前灰度值
cv2.THRESH_TOZERO	當前灰度值	0
cv2.THRESH_TOZERO_INV	0	當前灰度值

import cv2image = cv2.imread('dama.jpg', 1) #為彩色圖像，0為灰度圖像
# 圖像縮放（寬高都縮放到原來的0.5倍）
image = cv2.resize(image, dsize=None, fy=0.5, fx=0.5)# 不同類型的閾值處理
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)# 顯示原圖
cv2.imshow('gray', image)
cv2.waitKey(0)# 依次顯示各閾值處理結果
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)

代碼說明：

代碼使用cv2.threshold()函數實現了五種不同類型的閾值處理
所有處理使用的閾值 (thresh) 都是 175，最大值 (maxval) 都是 255
通過cv2.imshow()和cv2.waitKey(0)實現了圖像的逐一顯示

四、圖像平滑處理

????????圖像平滑（smoothing）也稱為“模糊處理”（blurring）
????????圖像平滑處理是數字圖像處理中一種常用的技術，其核心目的是減少或消除圖像中的噪聲（如隨機干擾、斑點等），同時盡可能保留圖像的重要細節信息，使圖像變得更加平滑、清晰。在實際應用中，圖像采集、傳輸等過程可能會引入噪聲，平滑處理能有效改善圖像質量，為后續的圖像分析、識別等操作奠定基礎。
????????下面是常用的一些濾波器
????????? 均值濾波（鄰域平均濾波）-> blur函數

????????? 方框濾波-> boxFilter函數

????????? 高斯濾波->GaussianBlur函數

???????? 中值濾波->medianBlur函數

1.椒鹽噪聲

椒鹽噪聲是數字圖像中常見的一種噪聲類型，因其外觀類似圖像上隨機分布的黑白斑點（如同撒了鹽粒和胡椒粒）而得名。

特點

噪聲形態：表現為圖像中隨機出現的白色亮點（鹽噪聲，對應像素值為 255，即最大亮度）和黑色暗點（椒噪聲，對應像素值為 0，即最小亮度）。
產生原因：通常由圖像傳感器故障、傳輸信道干擾（如數據丟失）、模數轉換錯誤等導致，例如相機拍攝時的突發電子干擾、圖像壓縮或傳輸中的比特錯誤等。
分布特性：噪聲點在圖像中隨機分布，數量可多可少，且每個噪聲點通常只影響單個像素（少數情況下可能影響相鄰像素）。

對圖像的影響

椒鹽噪聲會破壞圖像的局部像素信息，導致圖像細節模糊或失真，尤其會干擾邊緣檢測、特征提取等后續圖像處理任務的準確性。例如，在文字識別中，椒鹽噪聲可能導致字符筆畫斷裂或出現偽影，影響識別率。

對一個圖片添加椒鹽噪聲

import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):result = image.copy()  # 復制原圖，避免修改原圖h, w = image.shape[:2]  # 獲取圖片的高和寬（忽略通道數）for i in range(n):  # 生成n個椒鹽噪聲點# 隨機生成噪聲點的坐標x = np.random.randint(1, h)  # 隨機行坐標（1到h-1之間）y = np.random.randint(1, w)  # 隨機列坐標（1到w-1之間）# 50%概率生成鹽噪聲（白點），50%概率生成椒噪聲（黑點）if np.random.randint(0, 2) == 0:result[x, y] = 0  # 椒噪聲（黑色點，像素值0）else:result[x, y] = 255  # 鹽噪聲（白色點，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)

????????我們可以看見第二張圖片出現很多黑白色的點，這就是椒鹽噪聲。接下來我要介紹四種去除椒鹽噪聲的方法

2.均值濾波（Mean Filtering）

原理：用圖像中某個像素周圍（如 3×3、5×5 的鄰域）所有像素的平均值來替代該像素的值。
實現方式：通過一個固定大小的滑動窗口（卷積核）在圖像上移動，窗口內所有像素值的總和除以窗口像素數量，得到的結果作為窗口中心像素的新值。
特點：能有效抑制高斯噪聲等，但會使圖像邊緣變得模糊，窗口越大，平滑效果越明顯，但圖像細節丟失也越多。

紅色點計算公式:（1*12+1*45+128*1+100*1+66*1+212*1+88*1+15*1+215*1）/9

藍色點計算公式：對于藍色點我們只能讀取四個數據，一般我們會在外面一圈填充0或者1或者中心點的數值進行計算

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

#  dst是返回值
#  src是需要處理的圖像
#  kszje是濾波核(卷積核)的大小
#  anchor是錨點，默認值是（-1，-1）一般無需更改
#  borderType是邊界樣式，一般無需更改
# 一般情況下，使用dst=cv2.blur(src,ksize)即可

blur_1 = cv2.blur(noise, ksize=(3, 3))  # 卷積核為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.方框濾波

是指用當前像素點周圍nxn個像素值的和來代替當前像素值

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

?● dst是返回值，表示進行方框濾波后得到的處理結果。
??? ● src 是需要處理的圖像，即原始圖像。
?? ● ddepth是處理結果圖像的圖像深度，一般使用-1表示與原始圖像使用相同的圖像深度。（可以理解為數據類型）
?? ● ksize 是濾波核的大小。濾波核大小是指在濾波處理過程中所選擇的鄰域圖像的高度和寬度。
?? ● anchor 是錨點,（指對應哪個區域）
?? ● normalize 表示在濾波時是否進行歸一化。
?????? 1.當值為True時，歸一化，用鄰域像素值的和除以面積。此時方框濾波與均值濾波效果相同。
?????? 2.當值為False時，不歸一化，直接使用鄰域像素值的和。和>255時使用255

boxFilter_1 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=True)  # 2、方框濾波
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. 高斯濾波（Gaussian Filtering）

原理：基于高斯函數設計卷積核，對像素周圍鄰域進行加權平均，距離中心像素越近的像素權重越大，反之越小。
實現方式：卷積核的數值服從高斯分布，通過該核與圖像進行卷積運算，實現平滑處理。
特點：相比均值濾波，在平滑噪聲的同時能更好地保留圖像邊緣信息，對高斯噪聲的抑制效果較好。

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

參數說明：src:輸入圖像，通常是一個NumPy數組。ksize:濾波器的大小，它是一個元組，表示在水平和垂直方向上的像素數量。例如，(5, 5)表示一個5x5的濾波器。
sigmaX和sigmaY:分別表示在X軸和Y軸方向上的標準差。這些值與濾波器大小相同。默認情況下，它們都等于0，這意味著沒有高斯模糊。dst:輸出圖像，通常是一個NumPy數組。如果為None，則會創建一個新的數組來存儲結果。

GaussianB = cv2.GaussianBlur(noise, ksize=(3,3), sigmaX=1) #標準差為1，標準正太分布。 3、高斯濾波
cv2.imshow('GaussianBlur', GaussianB)
cv2.waitKey(0)

5.中值濾波（Median Filtering）

原理：用像素鄰域內所有像素值的中值來替代該像素的值。
實現方式：滑動窗口遍歷圖像，將窗口內的像素值排序后，取中間值作為中心像素的新值。
特點：對椒鹽噪聲（圖像中出現的隨機黑白點）抑制效果顯著，且不易使圖像邊緣模糊，是處理椒鹽噪聲的首選方法。

這就很科學的把0和255給去掉了，也就是白色與黑色

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

參數說明：
src:輸入圖像。
ksize:濾波器的大小，它是一個整數，表示在水平和垂直方向上的像素數量。例如，5表示一個5x5的濾波器。
dst:輸出圖像，通常是一個NumPy數組。如果為None，則會創建一個新的數組來存儲結果。

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

總結：

????????不同的平滑處理方法各有側重，選擇時需根據圖像噪聲類型、對圖像細節保留的要求等因素綜合考慮。例如，處理椒鹽噪聲優先用中值濾波，需要保留邊緣時可選用雙邊濾波，而處理高斯噪聲時高斯濾波是較好的選擇。