当前位置： 首页 > news >正文

计算机视觉(二)------OpenCV图像视频操作进阶：从原理到实战

news 2025/8/21 7:53:57

目录

引言

一、边界填充：解决图像边缘信息缺失的关键操作

1.1 为什么需要边界填充？

1.2 OpenCV边界填充函数：cv2.copyMakeBorder()

1.3 五种填充类型及实战对比

实战代码框架

代码实现效果:

填充类型详解

1.4 边界填充的实际应用场景

二、阈值处理：从灰度图像中提取关键信息

2.1 阈值处理的核心需求

2.2 OpenCV阈值处理函数：cv2.threshold()

2.3 五种阈值类型及实战效果

实战代码框架

代码实现效果:

阈值类型详解

2.4 阈值选择的技巧

三、基本图像运算：实现图像的融合与变换

3.1 图像运算的核心需求

3.2 图像加法运算：+与cv2.add()的区别

实战代码：两种加法的对比

代码2实现效果:

加法规则对比

3.3 图像加权运算：cv2.addWeighted()实现平滑融合

实战代码：加权融合

代码实现效果

加权运算的应用场景

3.4 图像运算的注意事项

四、图像平滑处理：去除噪声，保留关键信息

4.1 噪声的类型与平滑处理的目标

4.2 均值滤波：cv2.blur()实现邻域平均

实战代码：均值滤波处理椒盐噪声

代码实现效果:

均值滤波的特点与适用场景

4.3 方框滤波：cv2.boxFilter()的归一化控制

实战代码：方框滤波对比

代码实现效果:

方框滤波的特点

4.4 高斯滤波：cv2.GaussianBlur()保留更多细节

实战代码：高斯滤波处理噪声

代码实现效果:

高斯滤波的特点与适用场景

4.5 中值滤波：cv2.medianBlur()专治椒盐噪声

实战代码：中值滤波去椒盐噪声

代码实现效果:

中值滤波的特点与适用场景

4.6 四种滤波方法的对比总结

五、视频去噪：从动态帧中提取清晰画面

5.1 视频噪声的特点与去噪需求

5.2 视频去噪的实战实现：中值滤波的应用

实战代码：视频去噪流程

代码实现效果截取:

5.3 视频去噪的关键细节

5.4 视频去噪的进阶方向

总结：从基础到进阶的OpenCV图像处理之路

引言

在计算机视觉领域，OpenCV作为最常用的开源库，提供了丰富的图像处理接口。上一篇我们介绍了图像的基本读写、色彩空间转换等基础操作，而实际应用中，我们往往需要更复杂的预处理（如边界扩展）、特征提取（如阈值分割）、噪声处理（如平滑滤波）等操作。本文将围绕OpenCV的进阶操作展开，通过具体案例详解边界填充、阈值处理、图像运算、平滑滤波及视频去噪的实现原理与实战技巧，所有代码均可直接运行，适合初学者进阶学习。

一、边界填充：解决图像边缘信息缺失的关键操作

在图像处理中，我们经常会遇到这样的场景：对图像进行卷积操作时，边缘像素因缺乏邻域信息导致处理结果失真；拼接多幅图像时，需要扩展边界以避免拼接处出现断层；甚至在可视化时，为了突出主体需要给图像添加装饰性边框。这些需求都可以通过​​边界填充（Padding）​​ 实现。

1.1 为什么需要边界填充？

边界填充的核心作用是​​扩展图像的边缘区域​​，其本质是通过特定规则补充边缘外的像素值，以解决以下问题：

  • ​​卷积操作的边缘损失​​：卷积核在滑动到图像边缘时，部分区域会超出图像范围，若不填充会导致边缘像素被过度削弱（如特征提取时边缘信息丢失）。

  • ​​图像拼接的连续性​​：多幅图像拼接时，直接拼接可能因边缘不匹配出现"硬边界"，填充后可通过平滑过渡提升拼接效果。

  • ​​可视化需求​​：展示图像时，添加边框可突出主体（如目标检测中给识别到的物体加边框）。

  • ​​数据增强​​：训练深度学习模型时，通过随机填充扩展数据集，提升模型对边缘场景的鲁棒性。

1.2 OpenCV边界填充函数：cv2.copyMakeBorder()

OpenCV提供cv2.copyMakeBorder()函数实现边界填充，其语法如下：

cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

参数说明：

  • src：输入图像（原始图像）；

  • top/bottom/left/right：上/下/左/右四个方向的填充宽度（单位：像素）；

  • borderType：填充类型（核心参数，决定填充规则）；

  • value：当borderType=cv2.BORDER_CONSTANT时，指定填充的常数颜色（BGR格式，如(255,0,0)为蓝色）。

1.3 五种填充类型及实战对比

OpenCV支持五种常用填充类型，不同类型的填充规则差异直接影响最终效果，我们通过实战案例（基于特朗普图像trump.png）对比分析：

实战代码框架
import cv2# 读取图像并调整大小（便于显示）
tp = cv2.imread('trump.png')
tp = cv2.resize(tp, dsize=None, fx=0.5, fy=0.5)  # 缩小为原尺寸的50%# 定义填充宽度（上下左右各50像素）
top, bottom, left, right = 50, 50, 50, 50# 生成五种填充效果
constant = cv2.copyMakeBorder(tp, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=(229,25,80))  # 常数填充
reflect = cv2.copyMakeBorder(tp, top, bottom, left, right, borderType=cv2.BORDER_REFLECT)  # 反射填充
reflect_101 = cv2.copyMakeBorder(tp, top, bottom, left, right, borderType=cv2.BORDER_REFLECT_101)  # 反射101填充
replicate = cv2.copyMakeBorder(tp, top, bottom, left, right, borderType=cv2.BORDER_REPLICATE)  # 复制填充
wrap = cv2.copyMakeBorder(tp, top, bottom, left, right, borderType=cv2.BORDER_WRAP)  # 环绕填充# 显示所有效果
cv2.imshow('原始图像', tp)
cv2.imshow('CONSTANT（常数填充）', constant)
cv2.imshow('REFLECT（反射填充）', reflect)
cv2.imshow('REFLECT_101（反射101填充）', reflect_101)
cv2.imshow('REPLICATE（复制填充）', replicate)
cv2.imshow('WRAP（环绕填充）', wrap)
cv2.waitKey(0)
cv2.destroyAllWindows()
'''--------------------------------边界填充--------------------------------'''
# cv2.copyMakeBorder() @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：添加的边界像素将是边界元素的镜面反射，类似'fgfedcba|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'gfedcba|abcdefgh|gfedcba'（交接处删除了）
# cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似'aaaaaa|abcdefgh|hhhhhhh'
# cv2.BORDER_WRAP，上下左右边依次替换，cdefgh|abcdefgh|abcdfe
代码实现效果:

填充类型详解

  1. ​​cv2.BORDER_CONSTANT：常数填充​​

    填充区域的像素值为指定常数（value参数），效果类似给图像加"纯色边框"。

    适用场景：需要明确区分图像内外的场景（如目标检测的边界框、图像标注时的背景隔离）。

    示例中用(229,25,80)（深红色）填充，边框与原图对比明显，便于直观区分填充区域。

  2. ​​cv2.BORDER_REFLECT：反射填充​​

    填充区域为原图边缘像素的"镜面反射"，规则类似fgfedcba|abcdefgh|hgfedcba（|为原图边缘）。即从原图边缘开始，反向复制像素（如原图边缘是a，填充区依次为b→c→d...的反向）。

    适用场景：需要保持边缘连续性的场景（如纹理图像的扩展、无缝拼接）。例如卫星图像拼接时，反射填充可避免拼接处出现纹理断层。

  3. ​​cv2.BORDER_REFLECT_101（cv2.BORDER_DEFAULT）：反射101填充​​

    与REFLECT类似，但反射起点为边缘内侧像素，规则类似gfedcba|abcdefgh|gfedcba。相比REFLECT，它删除了边缘处的重复像素（原图边缘a不参与反射，从b开始），避免了边缘像素的过度重复。

    适用场景：对边缘连续性要求更高的场景（如卷积神经网络的SAME填充，确保卷积后尺寸不变）。OpenCV官方推荐优先使用该类型作为默认填充。

  4. ​​cv2.BORDER_REPLICATE：复制填充​​

    填充区域重复原图最边缘的像素，规则类似aaaaaa|abcdefgh|hhhhhhh。即所有填充像素均与最近的边缘像素一致。

    适用场景：希望填充区域与边缘"无缝融合"的场景（如老照片修复中补充残缺边缘、医学图像的边缘扩展）。例如CT图像边缘往往是连续的灰度变化，复制填充可避免引入突兀的新像素。

  5. ​​cv2.BORDER_WRAP：环绕填充​​

    填充区域使用图像另一端的像素"环绕"补充，规则类似cdefgh|abcdefgh|abcdef。即左侧填充右侧像素，右侧填充左侧像素，上侧填充下侧像素，下侧填充上侧像素。

    适用场景：周期性图像的扩展（如纹理图案设计、卫星图像的全球拼接）。例如地球卫星图像是球形展开的，环绕填充可模拟球面连续性。

1.4 边界填充的实际应用场景

  • ​​卷积神经网络的输入预处理​​：在CNN中，SAME卷积要求输入输出尺寸一致，此时需通过REFLECT_101填充补充边缘，避免特征丢失；

  • ​​图像拼接​​：多幅图像拼接前，用REFLECT或WRAP填充边缘，可减少拼接处的"硬过渡"；

  • ​​目标检测的边界框扩展​​：检测到目标后，用CONSTANT填充扩展边界框，便于后续的目标裁剪与分析；

  • ​​数据增强​​：训练模型时，随机选择填充类型扩展图像，提升模型对不同边缘场景的适应性。

二、阈值处理：从灰度图像中提取关键信息

在图像中，像素的灰度值（0-255）反映了亮度信息。阈值处理（Thresholding）通过设定​​灰度阈值​​，将图像转换为二值化或特定灰度分布的图像，从而分离出感兴趣区域（如目标与背景）。它是图像分割、特征提取的基础操作。

2.1 阈值处理的核心需求

实际应用中，我们常需要从复杂图像中提取特定区域：

  • 工业质检中，通过阈值分割识别产品表面的缺陷（缺陷与正常区域灰度差异明显）；

  • OCR识别中，将文字从背景中分离（文字与背景的灰度值不同）；

  • 医学影像中，通过阈值提取病灶区域（病灶与健康组织的灰度差异）。

阈值处理的本质是​​根据灰度值对像素进行分类​​：将高于/低于阈值的像素赋予特定值，实现"简化图像信息"的目的。

2.2 OpenCV阈值处理函数：cv2.threshold()

OpenCV的cv2.threshold()函数实现阈值处理，语法如下：

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

参数说明：

  • src：输入图像（需为单通道灰度图或多通道图，实际中常用灰度图）；

  • thresh：设定的阈值（0-255之间的整数）；

  • maxval：当type为THRESH_BINARY或THRESH_BINARY_INV时，指定最大值（通常为255）；

  • type：阈值处理类型（核心参数，决定分类规则）；

  • 返回值：retval为设定的阈值（与thresh一致），dst为处理后的图像。

2.3 五种阈值类型及实战效果

阈值类型决定了像素值与阈值的比较规则，我们通过特朗普灰度图（trump.png）的处理案例，详解五种类型的差异：

实战代码框架
import cv2# 读取灰度图（flags=0表示灰度模式）
image = cv2.imread('trump.png', flags=0)# 不同类型的阈值分割（阈值设为175，maxval=255）
ret, binary = cv2.threshold(image, thresh=175, maxval=255, type=cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image, thresh=175, maxval=255, type=cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image, thresh=175, maxval=255, type=cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image, thresh=175, maxval=255, type=cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image, thresh=175, maxval=255, type=cv2.THRESH_TOZERO_INV)# 显示结果
cv2.imshow('原图（灰度）', 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()
#$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# -------------------阈值处理-------------------
# 阈值处理是指删除图像内像素值高于/低于一定值的像素点，使用方法：
# retval,dst=cv2.threshold(src,thresh,maxval,type)
# retval：返回的阈值
# dst：阈值分割结果图像（与原图大小、类型相同）
# src：要分割的图像（多通道、8位/32位浮点型均可）
# thresh：设定的阈值
# maxval：type为THRESH_BINARY/THRESH_BINARY_INV时需设的最大值
# type：阈值分割类型，规则如下：
# 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
代码实现效果:

阈值类型详解

类型

像素值 > thresh 时

其他情况

效果描述

适用场景

cv2.THRESH_BINARY

设为maxval（255）

设为0

亮区域变白，暗区域变黑

提取亮目标（如白纸上的黑字反转为白字黑底）

cv2.THRESH_BINARY_INV

设为0

设为maxval（255）

亮区域变黑，暗区域变白

提取暗目标（如黑背景上的亮物体）

cv2.THRESH_TRUNC

设为thresh（175）

保持原灰度

过亮区域被"截断"为阈值，暗区域不变

抑制高光（如处理过曝图像）

cv2.THRESH_TOZERO

保持原灰度

设为0

亮区域保留，暗区域变黑

保留高亮特征（如金属表面的反光区域）

cv2.THRESH_TOZERO_INV

设为0

保持原灰度

亮区域变黑，暗区域保留

保留暗特征（如夜景中的阴影区域）

  1. ​​THRESH_BINARY：二值化（亮变白，暗变黑）​​

    高于阈值的像素被赋予最大值（255，白色），低于阈值的为0（黑色）。例如阈值175时，原图中亮度较高的区域（如面部高光）变为纯白，较暗区域（如头发）变为纯黑。

    典型应用：OCR中文字与背景的分离（假设文字为暗、背景为亮，处理后文字为黑、背景为白）。

  2. ​​THRESH_BINARY_INV：反二值化（亮变黑，暗变白）​​

    与THRESH_BINARY相反，高于阈值的为0（黑色），低于阈值的为255（白色）。例如处理黑底白字的图像时，可将文字转为白色、背景转为黑色，便于后续识别。

    典型应用：工业质检中，识别黑色传送带（暗）上的白色缺陷（亮），反二值化后缺陷为白、背景为黑，易于检测。

  3. ​​THRESH_TRUNC：截断（过亮区域被限制为阈值）​​

    高于阈值的像素被"截断"为阈值（如175），低于阈值的保持原灰度。例如过曝图像中，过亮的区域（>175）被限制为175，避免因过亮导致细节丢失，同时保留暗区域细节。

    典型应用：相机过曝照片的修复，平衡高光区域的亮度。

  4. ​​THRESH_TOZERO：保留亮区域（暗区域归零）​​

    高于阈值的像素保持原灰度，低于阈值的为0（黑色）。例如保留图像中亮度足够的区域（如阳光下的物体），过滤暗区域（如阴影）。

    典型应用：遥感图像中提取白天区域（亮），过滤夜间区域（暗）。

  5. ​​THRESH_TOZERO_INV：保留暗区域（亮区域归零）​​

    高于阈值的像素为0（黑色），低于阈值的保持原灰度。例如保留图像中的暗区域（如夜景中的星空），过滤亮区域（如灯光）。

    典型应用：天文摄影中提取星空（暗），去除地面灯光（亮）的干扰。

2.4 阈值选择的技巧

阈值（thresh）的选择直接影响处理效果，实际中可通过以下方法确定：

  • ​​手动试错​​：根据图像视觉效果调整（如示例中用175，适合中等亮度图像）；

  • ​​Otsu算法​​：自动计算最佳阈值（通过cv2.THRESH_OTSU参数，适用于双峰灰度分布图像）；

  • ​​自适应阈值​​：对图像不同区域使用不同阈值（cv2.adaptiveThreshold()，适用于光照不均的图像）。

示例中选择175作为阈值，是因为特朗普图像的面部亮度中等，175可有效区分面部（偏亮）与头发（偏暗）区域。

三、基本图像运算：实现图像的融合与变换

图像由像素组成，像素值的运算（如加减、加权）是实现图像融合、亮度调整、特效叠加的基础。OpenCV提供了多种图像运算接口，掌握这些运算规则可实现丰富的视觉效果。

3.1 图像运算的核心需求

实际应用中，图像运算的需求无处不在：

  • 图像融合：将多幅图像叠加（如给照片添加水印、将白天与夜景图像融合生成HDR）；

  • 亮度调整：通过像素值加减改变图像明暗（如增强逆光照片的亮度）；

  • 动态特效：视频中叠加动态字幕、弹幕，本质是像素值的实时运算。

3.2 图像加法运算：+与cv2.add()的区别

图像加法是最基础的运算，但其规则与数学加法不同（需考虑像素值的范围0-255）。OpenCV中存在两种加法方式：Python原生+运算和cv2.add()函数，二者的差异主要体现在​​溢出处理​​上。

实战代码：两种加法的对比

实现1:

import cv2# 读取两张图像（假设为trump.png和xjy.png）
a = cv2.imread('trump.png')
b = cv2.imread('xjy.png')# 1. 单图像加法：给像素值加常数（调整亮度）
c = a + 10  # 每个像素值+10（亮度提升）
cv2.imshow('原图', a)                  #这里留了一个小坑哦,imshow方法中标题尽量不要用中文,图片 
cv2.imshow('a+10（亮度提升）', c)       #imshow不像视频的imread,读取不了很多中文,标题会乱码的哦
cv2.waitKey(0)# 2. 两图像加法：需先调整尺寸一致
b = cv2.resize(b, dsize=(400, 400))  # 调整为400x400
a = cv2.resize(a, dsize=(400, 400))
# 区域加法：仅对图像的部分区域（50:300行，50:360列）相加
c_region = a[50:300, 50:360] + b[50:300, 50:360]
cv2.imshow('区域加法（a+b）', c_region)
cv2.waitKey(0)# 3. cv2.add()函数加法
c_add = cv2.add(a, b)
cv2.imshow('cv2.add(a,b)', c_add)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现2:

'''--------------------------------图像运算--------------------------------'''
# 图像加法运算
# 对于+号运算，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，该位置数值将截断结果并将其减去 256 例如：相加后是260，实际是260-256 = 4import cv2
a = cv2.imread('trump.png')
b = cv2.imread('xjy.png')
print(a.shape,b.shape)
c = a+10  # 图片
cv2.imshow( 'tp',a)
cv2.imshow( 'a+10',c)
cv2.waitKey(0)# 调整a的大小以匹配b的大小
# a = cv2.resize(a, (b.shape[1], b.shape[0]))
b = cv2.resize(b, dsize=(400,400))
a = cv2.resize(a, dsize=(400,400))
c = a[50:300,50:360]+b[50:300,50:360]
cv2.imshow('a+b',c)
cv2.waitKey(0)# 对于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255a = cv2.imread('trump.png')
b = cv2.imread('xjy.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
cv2.imshow('a add b',c)
cv2.waitKey(0)
代码2实现效果:

加法规则对比

运算方式

像素和 ≤ 255 时

像素和 > 255 时

本质

+运算

像素和

(像素和) - 256（循环溢出）

模256加法（类似8位无符号整数溢出）

cv2.add()

像素和

255（截断溢出）

饱和加法（超过最大值取最大值）

  • ​​+运算​​：遵循"循环溢出"规则。例如像素值250 + 10 = 260，因260 > 255，结果为260 - 256 = 4（类似260 mod 256）。这种规则可能导致图像出现异常色调（如亮区域突然变暗），实际中较少直接使用。

  • ​​cv2.add()​​：遵循"饱和溢出"规则。例如250 + 10 = 260，结果为255（最大值），避免了色调突变，更符合人眼视觉习惯，是图像融合的首选方式。

3.3 图像加权运算：cv2.addWeighted()实现平滑融合

简单加法会导致图像过度叠加（如两张图像亮区域叠加后过曝），而加权运算通过给不同图像分配权重，实现平滑融合，公式为：

dst = src1 * alpha + src2 * beta + gamma

其中：alpha、beta为权重（α + β 通常为1，避免亮度异常），gamma为亮度调整值（常数）。

实战代码：加权融合
import cv2a = cv2.imread('trump.png')
b = cv2.imread('xjy.png')# 调整尺寸一致
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))# 加权融合：a占20%，b占80%，亮度补偿10
c = cv2.addWeighted(a, 0.2, b, 0.8, 10)
cv2.imshow('加权融合（0.2a+0.8b+10）', c)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码实现效果

加权运算的应用场景

  • ​​水印添加​​：给原图（src1）赋予高权重（如0.9），水印图（src2）赋予低权重（如0.1），既保留原图又显示水印；

  • ​​HDR合成​​：将曝光不足（暗）和曝光过度（亮）的图像按权重融合，保留暗部和亮部细节；

  • ​​图像过渡特效​​：视频中实现两张图像的平滑切换（通过动态调整α和β的比值，从0→1或1→0）。

示例中alpha=0.2、beta=0.8，表示图像b的占比更高，gamma=10用于提升整体亮度，避免融合后过暗。

3.4 图像运算的注意事项

  1. ​​尺寸一致​​：参与运算的图像必须尺寸相同（宽、高一致），否则会报错（可通过cv2.resize()调整）；

  2. ​​通道数一致​​：灰度图（单通道）只能与灰度图运算，RGB图（3通道）只能与RGB图运算；

  3. ​​数据类型​​：OpenCV默认像素值为8位无符号整数（0-255），运算时需避免溢出（优先用cv2.add()和addWeighted()）。

基本运算部分代码及注释整合:

'''--------------------------------图像运算--------------------------------'''
# 图像加法运算
# 对于+号运算，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，该位置数值将截断结果并将其减去 256 例如：相加后是260，实际是260-256 = 4import cv2
a = cv2.imread('trump.png')
b = cv2.imread('xjy.png')
print(a.shape,b.shape)
c = a+10  # 图片
cv2.imshow( 'tp',a)
cv2.imshow( 'a+10',c)
cv2.waitKey(0)# 调整a的大小以匹配b的大小
# a = cv2.resize(a, (b.shape[1], b.shape[0]))
b = cv2.resize(b, dsize=(400,400))
a = cv2.resize(a, dsize=(400,400))
c = a[50:300,50:360]+b[50:300,50:360]
cv2.imshow('a+b',c)
cv2.waitKey(0)# 对于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255a = cv2.imread('trump.png')
b = cv2.imread('xjy.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
cv2.imshow('a add b',c)
cv2.waitKey(0)# 图像加权运算
# 就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*a+src*b+γ
a = cv2.imread('trump.png')
b = cv2.imread('xjy.png')
b = cv2.resize(b, dsize=(400,400))
a = cv2.resize(a, dsize=(400,400))# 10:图像的亮度值（常数），将添加到加权和上
c = cv2.addWeighted(a,  0.2,b, 0.8,  10)
cv2.imshow( 'addWeighted',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、图像平滑处理：去除噪声，保留关键信息

图像采集或传输过程中，难免会引入噪声（如传感器噪声、传输干扰），导致图像质量下降。平滑处理（Smoothing）又称模糊处理（Blurring），通过抑制噪声像素实现图像降噪，同时尽可能保留有用信息（如边缘、纹理）。

4.1 噪声的类型与平滑处理的目标

常见的图像噪声包括：

  • ​​椒盐噪声​​：随机出现的黑白点（如老照片的斑点、传感器故障导致的像素异常）；

  • ​​高斯噪声​​：像素值围绕均值呈正态分布的随机噪声（如低光环境下的相机噪点）；

  • ​​随机噪声​​：无规律的灰度波动（如传输过程中的信号干扰）。

平滑处理的核心是​​通过邻域像素的统计特性（如均值、中值）替换噪声像素​​，但需平衡"降噪效果"与"细节保留"：过度平滑会模糊边缘，不足则无法有效降噪。

4.2 均值滤波：cv2.blur()实现邻域平均

均值滤波是最基础的平滑方法，通过​​计算像素邻域的平均值​​替换中心像素，公式为：

dst(x,y) = (1/(k*k)) * Σ(src(x+i,y+j))  （i,j范围为-k/2到k/2，k为滤波核大小）

滤波核（卷积核）越大，平滑效果越强（但边缘越模糊）。

实战代码：均值滤波处理椒盐噪声

原图(mjq1.png)(下文mjq1.png均相同):

涉及到肖像权,脸部做了打码处理,理解万岁,哈哈

加入椒盐噪声后的图片(noise)(下文noise均相同):

均值滤波处理代码实现:

import cv2
import numpy as np# 定义添加椒盐噪声的函数
def add_peppersalt_noise(image, n=10000):result = image.copy()h, w = image.shape[:2]for i in range(n):x = np.random.randint(1, h)  # 随机行坐标y = np.random.randint(1, w)  # 随机列坐标# 50%概率为黑点（0），50%为白点（255）if np.random.randint(0, 2) == 0:result[x, y] = 0else:result[x, y] = 255return result# 读取图像并添加噪声
if __name__ == '__main__':image = cv2.imread('mjq1.png')image = cv2.resize(image, (400, 400))cv2.imshow('原图', image)cv2.waitKey(0)noise = add_peppersalt_noise(image)  # 添加椒盐噪声cv2.imshow('加噪后', noise)cv2.waitKey(0)# 均值滤波（3x3和63x3核对比）blur_1 = cv2.blur(noise, ksize=(3, 3))  # 小核：平滑弱，保留较多细节cv2.imshow('均值滤波（3x3）', blur_1)cv2.waitKey(0)blur_2 = cv2.blur(noise, ksize=(63, 63))  # 大核：平滑强，图像模糊严重cv2.imshow('均值滤波（63x63）', blur_2)cv2.waitKey(0)cv2.destroyAllWindows()
代码实现效果:

因为原图涉及到某星星,未打码效果图只能作者自己欣赏喽,嘿嘿

均值滤波的特点与适用场景

  • ​​优点​​：计算简单，适合处理随机噪声和轻度高斯噪声；

  • ​​缺点​​：对椒盐噪声效果差（噪声像素会拉低/拉高平均值），且容易模糊边缘；

  • ​​适用场景​​：对边缘细节要求不高的场景（如背景模糊处理、降低图像分辨率）。

示例中3x3核的滤波效果适中，既能减少部分噪声，又保留了主体轮廓；63x63核过度平滑，导致图像严重模糊。

4.3 方框滤波：cv2.boxFilter()的归一化控制

方框滤波是均值滤波的通用形式，通过normalize参数控制是否归一化：

  • normalize=True：与均值滤波完全一致（邻域像素求和后除以核面积）；

  • normalize=False：邻域像素直接求和（可能导致像素值溢出，需谨慎使用）。

实战代码：方框滤波对比
# 接上述代码，添加方框滤波部分
boxFilter_1 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=True)  # 归一化（等价于均值滤波）
cv2.imshow('方框滤波（归一化）', boxFilter_1)
cv2.waitKey(0)boxFilter_2 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=False)  # 不归一化（像素和可能溢出）
cv2.imshow('方框滤波（不归一化）', boxFilter_2)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码实现效果:

不用手动打码了,哈哈哈,看来对于这里的椒盐噪声,方框滤波方法也有点不合适呢

方框滤波的特点

  • normalize=True时，与均值滤波效果一致，适合常规平滑；

  • normalize=False时，像素值可能超过255（如亮区域求和后溢出），导致图像发白，仅用于特定场景（如提取图像的亮区域）。

4.4 高斯滤波：cv2.GaussianBlur()保留更多细节

高斯滤波考虑​​邻域像素的距离权重​​：距离中心越近的像素权重越大，符合高斯分布（正态分布），公式为：

G(x,y) = (1/(2πσ²)) * e^(-(x²+y²)/(2σ²))  （σ为标准差，控制权重分布）

相比均值滤波，高斯滤波对边缘的模糊更轻，能保留更多细节。

实战代码：高斯滤波处理噪声
import cv2
import numpy as np
from 图像平滑处理 import add_peppersalt_noise  # 导入上文自定义噪声函数image = cv2.imread('mjq1.png')
image = cv2.resize(image, (400, 400))
cv2.imshow('原图', image)
cv2.waitKey(0)noise = add_peppersalt_noise(image)  # 添加椒盐噪声
cv2.imshow('加噪后', noise)
cv2.waitKey(0)# 高斯滤波（3x3核，标准差σ=1）
gaussian = cv2.GaussianBlur(noise, ksize=(3, 3), sigmaX=1)
cv2.imshow('高斯滤波（3x3，σ=1）', gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码实现效果:

哥哥的绝美高斯滤波去噪图片一张,大哥大姐别sha我,哈哈哈:

高斯滤波的特点与适用场景

  • ​​优点​​：权重随距离衰减，对边缘的模糊弱于均值滤波，适合处理高斯噪声；

  • ​​缺点​​：对椒盐噪声效果有限（噪声像素的极端值仍会影响结果）；

  • ​​适用场景​​：需要保留边缘细节的平滑处理（如人像磨皮、减少相机低光噪点）。

示例中σ=1（标准正态分布），3x3核的高斯滤波在降噪的同时，比均值滤波更好地保留了图像的纹理细节。

从上面这张效果图片可以看出来,虽然高斯滤波算法好像更高级一点,但对于椒盐噪声,处理效果也不是很好哎,好像到现在介绍的三种图像平滑算法都不是很起效哎 , 到底什么样的算法对于椒盐噪声有奇效呢?

那么各位看官老爷们不要错过,接下来我们看本文最后一种去噪算法:中值滤波算法,让我们一起来还原哥哥真正的绝美神颜 ! :

4.5 中值滤波：cv2.medianBlur()专治椒盐噪声

中值滤波与上述线性滤波不同，它通过​​取邻域像素的中值​​替换中心像素，而非平均值。这种非线性特性使其能有效过滤极端值（如椒盐噪声的0或255）。

实战代码：中值滤波去椒盐噪声
# 接上述高斯滤波代码，添加中值滤波部分
median = cv2.medianBlur(noise, ksize=3)  # 3x3核中值滤波
cv2.imshow('中值滤波（3x3）', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码实现效果:

太帅了哥哥这张中值滤波去椒盐噪声图,太帅了,不忍心打码,呜呜呜,绝美神颜:

中值滤波的特点与适用场景

  • ​​优点​​：能有效去除椒盐噪声（极端值被中值取代），且对边缘的模糊轻于均值滤波；

  • ​​缺点​​：计算量大于线性滤波（需排序邻域像素），对高斯噪声效果不如高斯滤波；

  • ​​适用场景​​：椒盐噪声的去除（如老照片修复、监控视频去噪）。

示例中3x3核的中值滤波几乎完全消除了椒盐噪声，同时保留了图像的边缘和纹理，是处理椒盐噪声的首选方法。

4.6 四种滤波方法的对比总结

滤波方法

核心原理

对椒盐噪声

对高斯噪声

边缘保留

计算速度

适用场景

均值滤波

邻域均值

差

中

差

快

随机噪声、轻度模糊

方框滤波

邻域求和（可归一化）

差

中

差

快

等价于均值滤波或特定求和场景

高斯滤波

加权均值（高斯分布）

中

好

中

中

高斯噪声、需保留细节

中值滤波

邻域中值

好

中

好

较慢

椒盐噪声、需保留边缘

上述代码整合:

# 图像平滑(smothing)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
# kszzie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import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):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 resultif __name__=='main':#如果不写这句,在平滑处理之高斯滤波与中值滤波.py中import该文件会讲以下代码都运行一遍1image = cv2.imread('mjq1.png')image=cv2.resize(image,(400,400))cv2.imshow('mjq.png', image)cv2.waitKey(0)noise = add_peppersalt_noise(image)cv2.imshow('noise',noise)cv2.waitKey(0)## # 1、均值滤波blurblur_1 = cv2.blur(noise,ksize=(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,ksize=(63,63))cv2.imshow('blur_2',blur_2)cv2.waitKey(0)## # # # # ## # # # # # # 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。# # # # # # ## # # # # # #    ● normalize 表示在滤波时是否进行归一化。# # # # # # ## # # # # #boxFilter_1 = cv2.boxFilter(noise,-1,ksize=(3,3),normalize=True) #2、方框滤波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)
# 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。import cv2
import numpy
from  图像平滑处理 import add_peppersalt_noiseimage = cv2.imread('mjq1.png')
image=cv2.resize(image,(400,400))
cv2.imshow('mjq.png', image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)GaussianB = cv2.GaussianBlur(noise, ksize=(3,3), sigmaX=1) # 标准差为1，标准正太分布。3、高斯滤波cv2.imshow('GaussianBlur', GaussianB)
cv2.waitKey(0)# cv2.medianBlur(src, ksize[, dst]) 中值滤波# 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, ksize=3) # 4、中值滤波cv2.imshow('medianBlur', medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、视频去噪：从动态帧中提取清晰画面

视频是连续的图像序列（帧），其噪声具有​​帧间相关性​​（同一位置的噪声可能持续多帧）。视频去噪需在静态图像去噪的基础上，考虑时间维度的连续性，避免帧间闪烁。

5.1 视频噪声的特点与去噪需求

视频噪声的来源与图像类似，但更复杂：

  • ​​传感器噪声​​：摄像头硬件导致的随机噪点（尤其低光环境）；

  • ​​压缩噪声​​：视频压缩算法（如H.264）引入的块状噪声；

  • ​​运动模糊​​：拍摄时运动导致的帧间模糊，可视为特殊噪声。

视频去噪的核心需求：

  • 去除噪声，提升画面清晰度；

  • 保持帧间一致性（避免去噪后画面闪烁）；

  • 实时性（尤其监控、视频会议等场景）。

5.2 视频去噪的实战实现：中值滤波的应用

中值滤波因对椒盐噪声的优秀处理能力和边缘保留特性，常被用于视频去噪。以下案例通过读取视频、添加椒盐噪声、中值滤波去噪，实现动态去噪效果。

实战代码：视频去噪流程

原视频(test.avi)截取:

原测试视频是一群路人在一个十字路口随机走动,打招呼聊天的时长1分18秒的彩色(BGR)视频:

实现1:

import cv2
import numpy as np# 定义添加椒盐噪声的函数（与图像平滑处理中一致）
def add_peppersalt_noise(image, n=10000):result = image.copy()h, w = image.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) == 0:result[x, y] = 0else:result[x, y] = 255return result# 视频处理函数
def process_video(video_path):# 打开视频文件（0表示摄像头，文件路径表示本地视频）cap = cv2.VideoCapture(video_path)while cap.isOpened():ret, frame = cap.read()  # 读取一帧if not ret:  # 读取完毕（ret为False）break# 调整帧尺寸（便于显示）frame = cv2.resize(frame, (400, 400))# 1. 添加椒盐噪声（模拟视频噪声）noisy_frame = add_peppersalt_noise(frame)# 2. 中值滤波去噪（5x5核，平衡去噪与细节）smoothed_frame = cv2.medianBlur(noisy_frame, 5)# 3. 三窗口显示（原图、加噪、去噪后）cv2.imshow('Original', frame)cv2.imshow('Noisy', noisy_frame)cv2.imshow('Smoothed', smoothed_frame)# 按空格键（ASCII=32）退出if cv2.waitKey(25) == 32:break# 释放资源cap.release()cv2.destroyAllWindows()# 处理测试视频（替换为实际视频路径）
process_video('test.avi')

实现2:

import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):"""添加椒盐噪声"""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 result# noisy_frame = frame.copy()# h, w = frame.shape[:2]# for _ in range(n):#     x = np.random.randint(0, h)#     y = np.random.randint(0, w)#     noisy_frame[x, y] = [0, 0, 0] if np.random.rand() < 0.5 else [255, 255, 255]# return noisy_framedef process_video(video_path):"""处理视频流"""cap = cv2.VideoCapture(video_path)# # 创建三个可自动调整大小的窗口# cv2.namedWindow('Original', cv2.WINDOW_NORMAL)# cv2.namedWindow('Noisy', cv2.WINDOW_NORMAL)# cv2.namedWindow('Smoothed', cv2.WINDOW_NORMAL)while cap.isOpened():ret, frame = cap.read()if not ret:breakframe=cv2.resize(frame,(400,400))# 1. 添加椒盐噪声noisy_frame = add_peppersalt_noise(frame)# 2. 中值滤波去噪（最佳保留边缘）smoothed_frame = cv2.medianBlur(noisy_frame, 5)# 3. 三窗口显示cv2.imshow('Original', frame)cv2.imshow('Noisy', noisy_frame)cv2.imshow('Smoothed', smoothed_frame)if cv2.waitKey(25)==32:breakcap.release()cv2.destroyAllWindows()# 处理测试视频
process_video('test.avi')
代码实现效果截取:

5.3 视频去噪的关键细节

  1. ​​帧处理速度​​：cv2.waitKey(25)控制帧间隔（25ms≈40帧/秒，接近正常视频帧率），确保画面流畅；

  2. ​​滤波核选择​​：5x5核比3x3核去噪效果更好，同时避免过度模糊（视频需要动态清晰度）；

  3. ​​噪声模拟​​：通过add_peppersalt_noise函数模拟真实视频中可能出现的椒盐噪声，便于验证去噪效果；

  4. ​​退出机制​​：按空格键退出，避免视频播放完毕后程序卡死。

5.4 视频去噪的进阶方向

  • ​​时间域滤波​​：结合前后帧的信息（如cv2.fastNlMeansDenoisingMulti()），利用帧间相关性进一步降噪；

  • ​​自适应滤波​​：根据帧内噪声强度动态调整滤波核大小（噪声强时用大核，弱时用小核）；

  • ​​深度学习去噪​​：基于CNN的去噪模型（如DnCNN），在复杂噪声场景下效果优于传统方法。

总结：从基础到进阶的OpenCV图像处理之路

本文详细讲解了OpenCV中五种核心进阶操作：

  • ​​边界填充​​：通过copyMakeBorder解决边缘信息缺失，支持多种填充规则；

  • ​​阈值处理​​：用threshold实现像素分类，是图像分割的基础；

  • ​​图像运算​​：掌握+、cv2.add()、addWeighted()的差异，实现图像融合；

  • ​​平滑滤波​​：对比均值、方框、高斯、中值滤波的优缺点，针对性处理不同噪声；

  • ​​视频去噪​​：基于中值滤波实现动态帧去噪，兼顾实时性与效果。

这些操作是计算机视觉预处理的核心，后续的边缘检测、特征提取、目标跟踪等高级任务，都依赖于高质量的预处理结果。建议读者结合本文代码反复实践，体会不同参数对结果的影响，为更复杂的计算机视觉任务打下基础。

（全文约6800字）

http://www.lryc.cn/news/626464.html

相关文章：

  • WIFI国家码修改信道方法_高通平台
  • 开发避坑指南(29)：微信昵称特殊字符存储异常修复方案
  • 多模型创意视频生成平台
  • 微美全息（NASDAQ:WIMI）：以区块链+云计算混合架构，引领数据交易营销科技新潮流
  • Linux: network: arp: arp_accept
  • imx6ull-驱动开发篇29——Linux阻塞IO 实验
  • Java并发容器详解
  • ubuntu go 环境变量配置
  • uv，下一代Python包管理工具
  • ⭐CVPR2025 给3D高斯穿 “UV 衣” 框架[特殊字符]
  • grpc 1.45.2 在ubuntu中的编译
  • 【软考架构】软件工程：软件项目管理
  • 氢元素：宇宙基石与未来能源之钥的多维探索
  • HTML ＜meta name=“color-scheme“＞：自动适配系统深色 / 浅色模式
  • 简笔成画：让AI绘画变得简单而有趣
  • 基于隐函数定理的偏导数计算及其C++实现
  • Vue3 学习教程，从入门到精通，基于 Vue 3 + Element Plus + ECharts + JavaScript 开发图书销售网站(42）
  • K8S-Ingress资源对象
  • Linux-文本搜索工具grep
  • Nginx 负载均衡和缓存配置
  • 栈的概念（韦东山学习笔记）
  • java17学习笔记-switch总结
  • 服务器硬盘进行分区和挂载
  • 《CDN加速的安全隐患与解决办法：如何构建更安全的网络加速体系》
  • CSDN技术探讨：GEO（生成式引擎优化）如何助力品牌在AI搜索中脱颖而出
  • 有向图（Directed Graph）和有向无环图（Directed Acyclic Graph，DAG）代码实践
  • mRNA 的修饰方式有哪些？它们分别作用于哪些位置？
  • strncpy 函数使用及其模拟实现
  • 医疗AI与医院数据仓库的智能化升级：异构采集、精准评估与高效交互的融合方向(上)
  • Model Context Protocol (MCP) - 尝试创建和使用一下MCP Client