OpenCV 图像处理核心技术：边界填充、算术运算与滤波处理实战

目录

一、边界填充：cv2.copyMakeBorder () 函数详解

1. 函数参数说明

2. 常见边界填充类型及效果

3. 代码示例

二、图像算术运算：加法与加权加法

1. 普通加法（+ 运算符）

2. cv2.add () 函数

3. 加权加法：cv2.addWeighted () 函数

三、阈值处理：图像二值化与分割

1. 函数参数说明

2. 代码示例

四、图像平滑处理（模糊处理）

1. 常见滤波算法及函数

2. 代码示例（含噪声添加）

3. 滤波效果对比

在计算机视觉领域，OpenCV 库提供了丰富的图像处理函数，助力开发者实现各类图像编辑与分析任务。本文将围绕边界填充、图像算术运算、阈值处理以及平滑滤波等核心技术，通过具体代码示例详细讲解其实现方法与应用场景。

一、边界填充：cv2.copyMakeBorder () 函数详解

边界填充（Padding）是图像处理中常用的技术，可用于图像增强、卷积运算前的预处理等场景。OpenCV 的 cv2.copyMakeBorder() 函数提供了多种边界填充方式，能满足不同的需求。

1. 函数参数说明

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

• 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：边界填充类型，决定了填充像素的计算方式。
• value：当 borderType 为 cv2.BORDER_CONSTANT 时，指定填充的常数数值。

2. 常见边界填充类型及效果

• cv2.BORDER_CONSTANT：添加常数边界，填充像素值为指定的 value。
• cv2.BORDER_REFLECT：镜面反射填充，类似 gfedcba|abcdefgh|hgfedcba（交界处像素被复制）。
• cv2.BORDER_REFLECT_101（或 cv2.BORDER_DEFAULT）：改进型镜面反射，类似 gfedcb|abcdefgh|gfedcba（交界处像素不重复）。
• cv2.BORDER_REPLICATE：边界像素复制填充，类似 aaaaaa|abcdefgh|hhhhhhh。
• cv2.BORDER_WRAP：循环填充，类似 cdefgh|abcdefgh|abcdefg。

3. 代码示例

import cv2# 读取图像
a = cv2.imread('img_1.jpg')
# 设置各方向填充宽度
top, bottom, left, right = 50, 50, 50, 50# 不同类型的边界填充
constant = cv2.copyMakeBorder(a, top, bottom, left, right, cv2.BORDER_CONSTANT, value=0)  # 常数填充（黑色）
reflect = cv2.copyMakeBorder(a, top, bottom, left, right, cv2.BORDER_REFLECT)  # 镜面反射填充
reflect101 = cv2.copyMakeBorder(a, top, bottom, left, right, cv2.BORDER_REFLECT101)  # 改进型镜面反射
replicate = cv2.copyMakeBorder(a, top, bottom, left, right, cv2.BORDER_REPLICATE)  # 边界复制填充
wrap = cv2.copyMakeBorder(a, top, bottom, left, right, cv2.BORDER_WRAP)  # 循环填充# 显示结果
cv2.imshow('原始图像', a)
cv2.waitKey(0)
cv2.imshow('CONSTANT 填充', constant)
cv2.waitKey(0)
cv2.imshow('REFLECT 填充', reflect)
cv2.waitKey(0)
cv2.imshow('REFLECT101 填充', reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE 填充', replicate)
cv2.waitKey(0)
cv2.imshow('WRAP 填充', wrap)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、图像算术运算：加法与加权加法

图像算术运算包括像素值的加减乘除等操作，常用于图像融合、亮度调整等场景。OpenCV 提供了两种主要的加法运算方式：普通加法（+ 运算符）和 cv2.add() 函数，以及用于图像融合的加权加法 cv2.addWeighted() 函数。

1. 普通加法（+ 运算符）

普通加法遵循 “截断规则”：当像素值相加结果小于 255 时，直接取和；当结果大于 255 时，用结果减去 256 进行截断（例如 260 - 256 = 4）。

import cv2a = cv2.imread('img_1.jpg')
b = cv2.imread('img_2.jpg')# 单个图像像素值整体加常数（调整亮度）
c = a + 10  
cv2.imshow('原始图像', a)
cv2.imshow('像素值+10', c)
cv2.waitKey(0)# 图像局部区域相加
c = a[50:250, 50:200] + b[50:250, 50:200]
cv2.imshow('局部区域相加', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. cv2.add () 函数

cv2.add() 函数遵循 “饱和规则”：当像素值相加结果小于 255 时，直接取和；当结果大于 255 时，取最大值 255。

import cv2a = cv2.imread('img_1.jpg')
b = cv2.imread('img_2.jpg')# 调整图像大小至相同尺寸
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))# 图像整体相加
c = cv2.add(a, b)  
cv2.imshow('cv2.add() 结果', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 加权加法：cv2.addWeighted () 函数

加权加法可实现图像的平滑融合，公式为 dst = src1×α + src2×β + γ，其中 α 和 β 是权重，γ 是亮度调整常数。

import cv2a = cv2.imread('img_1.jpg')
b = cv2.imread('img_2.jpg')# 调整图像大小至相同尺寸
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))# 加权融合：a 占比 0.2，b 占比 0.8，亮度补偿 10
c = cv2.addWeighted(a, 0.2, b, 0.8, gamma=10)  
cv2.imshow('加权融合结果', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、阈值处理：图像二值化与分割

阈值处理通过设定像素值阈值，将图像分割为目标区域和背景区域，是图像分割的基础技术。OpenCV 的 cv2.threshold() 函数支持多种阈值分割类型。

1. 函数参数说明

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

• retval：返回的阈值。
• dst：阈值分割结果图像。
• src：输入图像（可多通道，8 位或 32 位浮点型）。
• thresh：设定的阈值。
• maxval：type 为 THRESH_BINARY 或 THRESH_BINARY_INV 时的最大值。
• type：阈值分割类型，具体规则如下表：

2. 代码示例

import cv2# 读取灰度图像
image = cv2.imread('img_1.jpg', 0)  # 不同类型的阈值处理
ret, binary = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY)  # 二值化
ret1, binaryinv = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY_INV)  # 反二值化
ret2, trunc = cv2.threshold(image, 150, 255, cv2.THRESH_TRUNC)  # 截断处理
ret3, tozero = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO)  # 低于阈值置0
ret4, tozeroinv = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO_INV)  # 高于阈值置0# 显示结果
cv2.imshow('原始灰度图', image)
cv2.waitKey(0)
cv2.imshow('THRESH_BINARY', binary)
cv2.waitKey(0)
cv2.imshow('THRESH_BINARY_INV', binaryinv)
cv2.waitKey(0)
cv2.imshow('THRESH_TRUNC', trunc)
cv2.waitKey(0)
cv2.imshow('THRESH_TOZERO', tozero)
cv2.waitKey(0)
cv2.imshow('THRESH_TOZERO_INV', tozeroinv)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、图像平滑处理（模糊处理）

平滑处理通过消除图像中的噪声和细节，使图像变得模糊，常用于噪声抑制、边缘软化等场景。OpenCV 提供了多种平滑滤波算法，适用于不同类型的噪声和应用需求。

1. 常见滤波算法及函数

• 均值滤波：cv2.blur()，通过邻域像素平均值计算结果像素，适用于高斯噪声。
• 方框滤波：cv2.boxFilter()，可选择是否归一化，归一化时与均值滤波效果相同。
• 高斯滤波：cv2.GaussianBlur()，基于高斯函数计算权重，对高斯噪声抑制效果好。
• 中值滤波：cv2.medianBlur()，用邻域像素中位数替换中心像素，对椒盐噪声抑制效果显著。

2. 代码示例（含噪声添加）

首先定义一个添加椒盐噪声的函数，再对比不同滤波算法的效果：

import cv2
import numpy as np# 添加椒盐噪声
def add_peppersalt_noise(image, n=10000):result = image.copy()h, w = image.shape[:2]  # 获取图像高和宽for i in range(n):  # 生成n个噪声点x = np.random.randint(low=1, high=h)y = np.random.randint(low=1, high=w)# 随机生成黑色或白色噪声点if np.random.randint(low=0, high=2) == 0:result[x, y] = 0  # 黑色噪声else:result[x, y] = 255  # 白色噪声return result# 读取图像并添加噪声
image = cv2.imread('img_1.jpg')
cv2.imshow('原始图像', image)
cv2.waitKey(0)noise_image = add_peppersalt_noise(image)
cv2.imshow('含椒盐噪声图像', noise_image)
cv2.waitKey(0)# 1. 均值滤波
blur_3x3 = cv2.blur(noise_image, ksize=(3, 3))  # 3x3卷积核
blur_63x63 = cv2.blur(noise_image, ksize=(63, 63))  # 63x63卷积核（模糊更严重）
cv2.imshow('均值滤波(3x3)', blur_3x3)
cv2.waitKey(0)
cv2.imshow('均值滤波(63x63)', blur_63x63)
cv2.waitKey(0)# 2. 方框滤波
box_norm = cv2.boxFilter(noise_image, -1, ksize=(3, 3), normalize=True)  # 归一化（同均值滤波）
box_nonorm = cv2.boxFilter(noise_image, -1, ksize=(3, 3), normalize=False)  # 不归一化
cv2.imshow('方框滤波(归一化)', box_norm)
cv2.waitKey(0)
cv2.imshow('方框滤波(不归一化)', box_nonorm)
cv2.waitKey(0)# 3. 高斯滤波
gaussian = cv2.GaussianBlur(noise_image, ksize=(3, 3), sigmaX=1)  # 标准差为1
cv2.imshow('高斯滤波(3x3)', gaussian)
cv2.waitKey(0)# 4. 中值滤波
median = cv2.medianBlur(noise_image, ksize=3)  # 3x3卷积核
cv2.imshow('中值滤波(3x3)', median)
cv2.waitKey(0)cv2.destroyAllWindows()

3. 滤波效果对比

• 均值滤波和方框滤波（归一化）对高斯噪声有效，但会使图像边缘模糊。
• 高斯滤波保留边缘信息更好，适合需要保留细节的场景。
• 中值滤波是椒盐噪声的 “克星”，能有效去除噪声同时减少边缘模糊。