opencv基础学习与实战（2）

一，边界填充

cv2.copyMakeBorder()是OpenCV库中的一个函数，用于给图像添加额外的边界(padding)。
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:添加的边界框像素值为常数(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aaaaaaa|abcdefgh|hhhhhhh
cv2.BORDER_WRAP: 上下左右边依次替换，cdefgh|abcdefgh|abcdefg

import cv2
ys = cv2.imread('aigc.png')
ys=cv2.resize(ys,dsize=None,fx=0.5,fy=0.5) # 图片缩放
# ys=cv2.resize(ys,(640,480))
top, bottom, left, right = 50,50,50,50
constant = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(229,25,80))
reflect = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_WRAP)
cv2.imshow('yuantu', ys)
cv2.waitKey(0)
cv2.imshow('CONSTANT', constant)
cv2.waitKey(0)
cv2.imshow('REFLECT', reflect)
cv2.waitKey(0)
cv2.imshow('REFLECT_101', reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE', replicate)
cv2.waitKey(0)
cv2.imshow('WRAP', wrap)
cv2.waitKey(0)

可以观察到图像边缘变化

二，图像的加法运算

1. +号运算

 对图像a、图像b进行加法求和时，遵循以下规则：
---当某位置像素相加得到的数值小于255时，该位置数值为两图像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('aigc.png')
# b = cv2.imread('aigc1.jpg')
# c = a + 10  # 图片...
# cv2.imshow('yuan', a)
# cv2.imshow('a+10', c)
# cv2.waitKey(0)
# c=a+b
# cv2.imshow('a+b', c)
# cv2.waitKey(0)

可以观察图像变化

2.cv2.add()运算

当对图像a、图像b进行加法求和时，遵循以下规则：
--当某位置像素相加得到的数值小于255时，该位置数值为两图像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('aigc.png')
b = cv2.imread('aigc1.jpg')
b = cv2.resize(b, (400, 400))
a = cv2.resize(a, (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()

可以观察图像变化，大部分区域是白色

3.图像加权运算
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

# a = cv2.imread('aigc.png')
# b = cv2.imread('aigc1.jpg')
# b = cv2.resize(b, (400, 400))
# a = cv2.resize(a, (400, 400))
# #
# c = cv2.addWeighted(a, alpha=0.2, beta=0.8, gamma=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()

经过像素值加权求和，可以观察到图片

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 cv2
image = cv2.imread('longpic.png',0)  # 灰度图
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)cv2.imshow('gray', image)  # 原灰度图
cv2.waitKey(0)
cv2.imshow('binary', binary)  # 偏白的变纯白，偏黑的变纯黑
cv2.waitKey(0)
cv2.imshow('binaryinv', binaryinv)  # 偏白的变纯黑，偏黑的变纯白
cv2.waitKey(0)
cv2.imshow('trunc', trunc)  # 白色变得一样灰蒙蒙，偏黑的不变
cv2.waitKey(0)
cv2.imshow('tozero', tozero)  # 偏白色不变，偏黑的就变纯黑
cv2.waitKey(0)
cv2.imshow('tozeroinv', tozeroinv)  # 偏白色变纯黑，偏黑的不变
cv2.waitKey(0)

可以从左到右依次观察到图像的变化

四，图像平滑处理

图像平滑（smoothing）也称为“模糊处理”（bluring）
通过消除图像中的噪声或细节来使图像看起来更为模糊，从而实现平滑效果
可以用来压制、弱化或消除图像中的细节、突变和噪声。
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
dst=cv2.blur(src,ksize,anchor,borderType)
dst是返回值
src是需要处理的图像
kszie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

先为图像添加噪声

import cv2
import numpy as np
def add_peppersalt_noise(image, n=5000):result = image.copy()h, w = image.shape[:2]  # 获取图片的高和宽for i in range(n):  # 生成n个椒盐噪声x = np.random.randint(1, h)y = np.random.randint(1, w)if np.random.randint(0, 2) == 0:result[x, y] = 0else:result[x, y] = 255return resultimage = cv2.imread('longpic.png')
noise = add_peppersalt_noise(image)
cv2.imshow('yantu', image)
cv2.imshow('noise', noise)
cv2.waitKey(0)

可以观察到原图与添加过噪声的图的变化

1，均值滤波

均值滤波是取像素邻域（如 \(3\times3\) 窗口）内所有像素值的平均值，替换中心像素值，以此平滑图像、削弱噪声，但会让图像变模糊。 用数值示例（\(3\times3\) 邻域）更直观： 原始邻域像素值： | 10 | 20 | 15 |                                | 10 | 20 | 15 |

         | 25 | 30 | 22 |               --->            | 25 | 20 | 22 |   

         | 12 | 18 | 25 |                                 | 12 | 18 | 25 |

均值滤波后中心像素值：（10 + 20 + 15 + 25 + 30 + 22 + 12 + 18 + 25）=20，邻域整体数值更平均，噪声被削弱，同时图像细节也变模糊。

blur_1 = cv2.blur(noise, (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, (63, 63))
cv2.imshow('blur_2', blur_2)
cv2.waitKey(0)

从右到左可以观察到图像的变化

2，方框滤波

用一个固定大小的 “方框”（如 3x3、5x5）在图像上滑动，方框内所有像素的平均值（或总和）作为中心像素的新值。

• 若 “归一化”（默认）：新值 = 方框内像素总和 / 方框像素数量（即均值滤波）；
• 若 “不归一化”：新值 = 方框内像素总和（可能导致像素值溢出，需谨慎使用）。

图像示例：

假设 3x3 方框覆盖的像素值如下（中心像素为 5）：

1  2  3  
4  5  6  
7  8  9  

归一化方框滤波后，中心像素新值 =（1+2+3+4+5+6+7+8+9）/9 = 5。

直观效果：方框内像素 “平均化”，模糊效果均匀，但可能模糊边缘细节。

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

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

3，高斯滤波

原理：

用 “高斯核”（权重符合高斯分布的方框）滑动，方框内像素的加权平均值作为中心像素的新值。

• 高斯核的权重特点：中心像素权重最大，向四周（距离中心越远）权重逐渐减小（符合 “近大远小” 的高斯分布）；
• 本质是 “加权平均”，比方框滤波更注重保留中心附近的像素信息。

图像示例：

以简化的 3x3 高斯核（权重总和为 16）为例，权重分布如下：

1  2  1  
2  4  2  
1  2  1  

覆盖的像素值仍为：

1  2  3  
4  5  6  
7  8  9  

中心像素新值 =（1×1 + 2×2 + 3×1 + 4×2 + 5×4 + 6×2 + 7×1 + 8×2 + 9×1）/16 = 5。

直观效果：平滑噪声的同时，比方框滤波更能保留图像边缘（因中心权重高），是最常用的平滑方法之一。

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])高斯滤波
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。

4.中值滤波

原理：

用固定大小的方框滑动，方框内所有像素值排序后，取 “中值” 作为中心像素的新值（而非平均值）。

• 核心：对极端值（如椒盐噪声中的亮 / 暗点）不敏感，适合去除脉冲噪声。

图像示例：

3x3 方框内的像素值（含椒盐噪声，255 为亮点，0 为暗点）：

1   3   255  
7   5   11  
0   15  17  

排序后：[0, 1, 3, 7, 5, 11, 15, 17, 255] → 中值为 5。
中心像素新值 = 5（极端值 255 和 0 被过滤）。

直观效果：能有效去除椒盐噪声，同时比前两种滤波更能保留边缘的锐利度。

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

我们观察到，中值滤波的效果最好，因为我们的噪声点不是为1就是为255，在排序过程中很容易把0或255排到两边，过滤掉。