OpenCv（二）——边界填充、阈值处理

[一、边界填充（Border Padding）](#一、边界填充（Border Padding）)

[1. 常见填充类型及效果](#1. 常见填充类型及效果)

2.代码示例

（1）constant边界填充，填充指定宽度的像素

（2）REFLECT镜像边界填充

（3）REFLECT_101镜像边界填充改进

[(4) REPLICATE使用最边界的像素值代替](#(4) REPLICATE使用最边界的像素值代替)

(5)WRAP上下左右边依次替换

二、阈值处理

[1. 常见阈值类型](#1. 常见阈值类型)

[2. 代码示例](#2. 代码示例)

3.结果分析与参数调整技巧

在 OpenCV 图像处理中，边界填充和阈值处理是基础且常用的操作。边界填充用于扩展图像边缘，阈值处理则通过设定阈值将图像转化为二值图像，便于后续分析。下面详细介绍这两项技术。

一、边界填充（Border Padding）

边界填充指在图像边缘添加像素，常用于卷积操作、图像拼接等场景，避免边缘信息丢失。OpenCV 通过cv2.copyMakeBorder()实现，语法如下：

python 复制代码

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

src：输入图像
top/bottom/left/right：上下左右填充的像素数
borderType：填充类型（核心参数）
value ：当borderType=cv2.BORDER_CONSTANT时的填充值

1. 常见填充类型及效果

2.代码示例

（1）constant边界填充，填充指定宽度的像素

python 复制代码

import cv2

ys = cv2.imread('a.png')  # 读取原图，每个边界填充都需要在原图的基础上完成，所以在使用时要先读取原图，把原图作为参数传入下面的方法中
ys = cv2.resize(ys,(300,300))  # 图片缩放
top, bottom, left, right = 50, 50, 50, 50
constant = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=(229, 25, 80))
cv2.imshow('yuantu', ys)
cv2.waitKey(0)
cv2.imshow('CONSTANT', constant)
cv2.waitKey(0)

运行效果如下：

（2）REFLECT镜像边界填充

原图代码与上述相同不再展示，只展示变化部分

python 复制代码

reflect = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
cv2.imshow('REFLECT', reflect)
cv2.waitKey(0)

运行效果：

（3）REFLECT_101镜像边界填充改进

python 复制代码

reflect101 = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
cv2.imshow('REFLECT_101', reflect101)
cv2.waitKey(0)

效果：

(4) REPLICATE使用最边界的像素值代替

python 复制代码

replicate = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
cv2.imshow('REPLICATE', replicate)
cv2.waitKey(0)

效果：

(5)WRAP上下左右边依次替换

python 复制代码

wrap = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_WRAP)
cv2.imshow('WRAP', wrap)
cv2.waitKey(0)

效果：

边界填充是 OpenCV 图像处理中的基础操作，掌握不同填充方式的特点和适用场景，有助于提升后续图像处理（如卷积、特征提取）的效果。本文介绍的 5 种填充方式各有优劣，实际使用时需结合具体业务场景灵活选择。

二、阈值处理

阈值处理是将灰度图像转化为二值图像的过程：通过设定阈值thresh，将像素值大于thresh的设为一个值（如 255），小于的设为另一个值（如 0）。OpenCV 中cv2.threshold()是核心函数：

python 复制代码

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

src：输入图像（需为单通道灰度图）
thresh：阈值（如 127）
maxval：最大值（当像素超过阈值时赋予的值）
type：阈值类型（核心参数）
ret：返回的阈值（与输入 thresh 一致）
dst：处理后的图像

1. 常见阈值类型

图像通道及表示知识补充：

一张灰色图片上有许许多多的像素块，每个像素块都有一个数值，这个数值的取值范围时 $0 \~ 255$ ,数值越小颜色越暗越黑，数值越大颜色越亮表现为越白。

彩色图片则有三个通道RGB,针对每一个通道都有一个对应的值，以上面介绍边界填充的value为例，value=(229,25,80)，需要注意，在opencv中通道的顺序为BGR，也就是B=229,G=25,R=80.分别是英文的缩写，蓝色（blue）绿色(green)红色(red).

上面的阈值也是指一个在0~255之间的值。

2. 代码示例

1.二进制阈值处理

python 复制代码

import cv2

# 读取图像并调整大小
img = cv2.imread('a.png')
img = cv2.resize(img, (400, 400))

# 二进制阈值处理: 像素值 > 175 设为255，否则设为0
ret, result = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY)

# 显示原图和处理结果
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('binary', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

2.反二进制阈值处理

python 复制代码

import cv2

# 读取图像并调整大小
img = cv2.imread('a.png')
img = cv2.resize(img, (400, 400))

# 反二进制阈值处理: 像素值 > 175 设为0，否则设为255
ret, result = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY_INV)

# 显示原图和处理结果
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('binary_inv', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

3.零阈值处理

python 复制代码

import cv2

# 读取图像并调整大小
img = cv2.imread('a.png')
img = cv2.resize(img, (400, 400))

# 零阈值处理: 像素值 > 175 保持原值，否则设为0
ret, result = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO)

# 显示原图和处理结果
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('tozero', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

4.反零阈值处理

python 复制代码

import cv2

# 读取图像并调整大小
img = cv2.imread('a.png')
img = cv2.resize(img, (400, 400))

# 反零阈值处理: 像素值 > 175 设为0，否则保持原值
ret, result = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO_INV)

# 显示原图和处理结果
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('tozero_inv', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

5.截断阈值处理

python 复制代码

import cv2

# 读取图像并调整大小
img = cv2.imread('input.png')
img = cv2.resize(img, (400, 400))

# 截断阈值处理: 像素值 > 175 设为175，否则保持原值
ret, result = cv2.threshold(img, 175, 255, cv2.THRESH_TRUNC)

# 显示原图和处理结果
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('trunc', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

3.结果分析与参数调整技巧

阈值选择的影响：
- 阈值过高（如 180）：可能丢失目标细节，暗区域过大
- 阈值过低（如 50）：可能保留过多噪声，目标与背景混淆
- 建议：通过观察图像直方图（cv2.calcHist()）确定合适阈值
彩色图 vs 灰度图：
- 直接对彩色图处理时，阈值会分别作用于 B、G、R 三个通道，可能导致颜色失真
- 推荐先转为灰度图（cv2.COLOR_BGR2GRAY），再进行阈值处理，效果更稳定

3.适用场景总结：

阈值处理是图像处理中的基础工具，掌握 5 种常用阈值类型的特点和适用场景，能帮助我们快速简化图像、突出目标。实际应用中，需根据图像特点（如光照、对比度）选择合适的阈值类型和参数，必要时结合自适应阈值提升效果。