《数字图像处理 》 第 1 章-绪论

啊阿狸不会拉杆2025-12-16 12:03

目录

前置准备：安装依赖库

引言

学习目标

[1.1 什么是数字图像处理](#1.1 什么是数字图像处理)

核心概念

[代码实现：模拟图像 vs 数字图像（效果对比）](#代码实现：模拟图像 vs 数字图像（效果对比）)

效果说明

[1.2 数字图像处理的起源](#1.2 数字图像处理的起源)

发展历程

代码实现：模拟早期数字图像处理（灰度拉伸）

效果说明

[1.3 数字图像处理技术应用领域实例](#1.3 数字图像处理技术应用领域实例)

[1.3.1 伽马射线成像](#1.3.1 伽马射线成像)

代码实现：模拟伽马射线成像效果

[1.3.2 X 射线成像](#1.3.2 X 射线成像)

[代码实现：模拟 X 射线成像效果](#代码实现：模拟 X 射线成像效果)

[1.3.3 紫外波段成像](#1.3.3 紫外波段成像)

代码实现：模拟紫外波段成像效果

[1.3.4 可见光和红外波段成像](#1.3.4 可见光和红外波段成像)

[代码实现：可见光 vs 红外成像对比](#代码实现：可见光 vs 红外成像对比)

[1.3.5 微波波段成像](#1.3.5 微波波段成像)

代码实现：模拟微波波段成像效果

[1.3.6 无线电波段成像](#1.3.6 无线电波段成像)

代码实现：模拟无线电波段成像效果

[1.3.7 其他成像方式](#1.3.7 其他成像方式)

代码实现：模拟深度成像效果

效果汇总说明

数字图像处理的基本步骤

代码实现：完整数字图像处理流程

效果说明

图像处理系统的组成

代码实现：模拟图像处理系统的模块调用

代码说明

小结、参考文献和延伸读物

小结

参考文献

延伸读物

总结

大家好！今天开始更新《数字图像处理》系列笔记，第一章是绪论，也是打好基础的关键。本文会从数字图像处理的定义、起源、应用领域到基本步骤、系统组成全方位讲解，每个知识点都搭配可直接运行的 Python 代码 + 效果对比图，还有 Mermaid 思维导图 / 流程图辅助理解，零基础也能轻松上手～

前置准备：安装依赖库

首先安装代码运行所需的依赖，执行以下命令：

bash

复制代码 
pip install opencv-python numpy matplotlib pillow

引言

数字图像处理（Digital Image Processing, DIP）是指利用计算机对图像进行采集、变换、分析、增强等操作，将模拟图像转化为数字图像并提取有用信息的技术。从医疗影像诊断到卫星遥感、从人脸识别到手机修图，数字图像处理已经渗透到我们生活的方方面面。本章作为入门，会帮大家建立对 DIP 的整体认知。

学习目标

  1. 理解数字图像处理的定义，区分模拟图像与数字图像；
  2. 了解数字图像处理的发展起源；
  3. 掌握数字图像处理在不同波段成像的应用场景及模拟实现；
  4. 熟悉数字图像处理的基本步骤，并能通过代码实现完整流程；
  5. 理解图像处理系统的核心组成部分。

1.1 什么是数字图像处理

核心概念

  • 模拟图像：连续的、非数字化的图像（比如胶片照片），无法直接被计算机处理；
  • 数字图像：将模拟图像离散化 （采样 + 量化）后得到的、由像素矩阵组成的图像，每个像素用数值表示颜色 / 亮度信息。

代码实现：模拟图像 vs 数字图像（效果对比）

下面的代码会读取一张图片，转化为数字矩阵（展示像素值），并对比原始图与模拟 / 低采样数字图像的效果：

复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 设置中文字体（Windows用SimHei，Mac用PingFang SC，Linux用WenQuanYi Micro Hei）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# ---------------------- 1. 读取图像并转化为数字矩阵 ----------------------
img_path = "test_img.jpg"  # 替换为你的测试图片路径
img = cv2.imread(img_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 转换为RGB格式（OpenCV默认BGR）

# 打印数字图像的核心特征：像素矩阵
print("数字图像的形状（高度, 宽度, 通道数）：", img_rgb.shape)
print("前5行5列的像素值（RGB通道）：\n", img_rgb[:5, :5, :])

# ---------------------- 2. 模拟图像 vs 数字图像对比 ----------------------
# 模拟模拟图像：添加高斯模糊（模拟连续、非离散的胶片效果）
analog_img = cv2.GaussianBlur(img_rgb, (25, 25), 0)

# 创建对比图1：模拟vs数字
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(analog_img)
ax1.set_title("模拟图像（高斯模糊模拟连续效果）", fontsize=12)
ax1.axis('off')

ax2.imshow(img_rgb)
ax2.set_title("数字图像（像素矩阵表示）", fontsize=12)
ax2.axis('off')

plt.savefig("模拟图像vs数字图像.png", dpi=300, bbox_inches='tight')
plt.show()

# ---------------------- 3. 数字图像的离散化演示（采样） ----------------------
# 降低采样率：每隔10个像素取一个值，模拟低分辨率数字图像
low_sample_img = img_rgb[::10, ::10, :]
# 放大回原尺寸，展示采样后的像素化效果
low_sample_img_resize = cv2.resize(low_sample_img, (img_rgb.shape[1], img_rgb.shape[0]), interpolation=cv2.INTER_NEAREST)

# 创建对比图2：采样率对比
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img_rgb)
ax1.set_title("原始数字图像（高采样率）", fontsize=12)
ax1.axis('off')

ax2.imshow(low_sample_img_resize)
ax2.set_title("低采样率数字图像（像素化）", fontsize=12)
ax2.axis('off')

plt.savefig("数字图像采样对比.png", dpi=300, bbox_inches='tight')
plt.show()

效果说明

模拟图像 vs 数字图像对比图

数字图像采样对比图

1.2 数字图像处理的起源

发展历程

  • 20 世纪 50 年代：起源阶段，主要用于航天领域（美国喷气推进实验室处理月球探测图像）；
  • 20 世纪 60-70 年代：技术发展，引入傅里叶变换、直方图均衡等算法，应用于医疗影像；
  • 20 世纪 80 年代后：计算机算力提升，数字图像处理进入普及阶段，扩展到民用领域；
  • 21 世纪：结合 AI / 深度学习，图像处理精度和效率大幅提升。

代码实现：模拟早期数字图像处理（灰度拉伸）

早期数字图像处理以简单的灰度变换、滤波为主，下面代码模拟 1970 年代的基础处理效果：

复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取图像并转为灰度图（早期处理多针对灰度图）
img_path = "test_img.jpg"
img = cv2.imread(img_path, 0)  # 0表示灰度模式

# ---------------------- 模拟早期处理：简单灰度拉伸（提升对比度） ----------------------
# 灰度拉伸公式：y = (x - min) * 255 / (max - min)（将灰度范围映射到0-255）
min_val = np.min(img)
max_val = np.max(img)
early_process_img = (img - min_val) * 255 / (max_val - min_val)
early_process_img = np.uint8(early_process_img)  # 转换为8位像素值

# 创建对比图3：早期处理效果
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img, cmap='gray')
ax1.set_title("原始灰度图（模拟1960年代未处理图像）", fontsize=12)
ax1.axis('off')

ax2.imshow(early_process_img, cmap='gray')
ax2.set_title("灰度拉伸后（模拟早期数字处理效果）", fontsize=12)
ax2.axis('off')

plt.savefig("早期数字图像处理对比.png", dpi=300, bbox_inches='tight')
plt.show()

# 输出处理前后的灰度统计（模拟早期数据分析）
print("处理前灰度范围：", min_val, "~", max_val)
print("处理后灰度范围：", np.min(early_process_img), "~", np.max(early_process_img))

效果说明

早期数字图像处理对比图

1.3 数字图像处理技术应用领域实例

数字图像处理的核心应用之一是 "多波段成像"，不同波段的成像对应不同的应用场景，下面逐个讲解并给出模拟代码。

1.3.1 伽马射线成像

  • 应用场景：核医学（PET 扫描）、天体物理（伽马射线暴观测）；
  • 技术特点：伽马射线穿透性强，成像需通过灰度拉伸突出高能量区域。
代码实现：模拟伽马射线成像效果
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg", 0)  # 灰度图

# 模拟伽马射线成像：伽马校正+热力色板映射
gamma = 0.4  # 伽马值<1提升亮部（模拟高能量区域）
gamma_img = np.power(img / 255.0, gamma) * 255.0
gamma_img = np.uint8(gamma_img)

# 创建对比图4
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img, cmap='gray')
ax1.set_title("原始灰度图", fontsize=12)
ax1.axis('off')

ax2.imshow(gamma_img, cmap='hot')  # hot色板模拟伽马射线的热辐射效果
ax2.set_title("模拟伽马射线成像效果", fontsize=12)
ax2.axis('off')

plt.savefig("伽马射线成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.2 X 射线成像

  • 应用场景：医学诊断（骨折、肺部检查）、安检（行李扫描）；
  • 技术特点：X 射线穿透不同密度物质的能力不同，成像突出边缘和轮廓。
代码实现：模拟 X 射线成像效果
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg", 0)  # 灰度图

# 模拟X射线成像：边缘检测+反相（模拟X光片黑白反转效果）
edges = cv2.Canny(img, 50, 150)  # Canny边缘检测突出轮廓
xray_img = 255 - edges  # 反相：黑色背景+白色轮廓

# 创建对比图5
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img, cmap='gray')
ax1.set_title("原始图像", fontsize=12)
ax1.axis('off')

ax2.imshow(xray_img, cmap='gray')
ax2.set_title("模拟X射线成像效果（X光片）", fontsize=12)
ax2.axis('off')

plt.savefig("X射线成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.3 紫外波段成像

  • 应用场景：刑侦（指纹检测）、工业检测（电路板缺陷）、植物病害检测；
  • 技术特点：紫外光不可见，成像需映射为可见色板，突出紫外反射区域。
代码实现：模拟紫外波段成像效果
python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 设置中文字体（兼容不同系统）
plt.rcParams['font.sans-serif'] = ['SimHei', 'PingFang SC', 'WenQuanYi Micro Hei']
plt.rcParams['axes.unicode_minus'] = False

# 读取图像（增加异常处理，避免路径错误）
img_path = "./picture/TianHuoSanXuanBian.jpg"
img = cv2.imread(img_path)
if img is None:
    raise FileNotFoundError(f"无法读取图像，请检查路径：{img_path}")

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 模拟紫外成像：HSV调色+紫色映射（修复核心逻辑）
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)  # 拆分后的h/s/v都是uint8类型，尺寸一致

# 1. 处理饱和度：增强后强制转回uint8（避免类型变化）
s = np.clip(s * 1.5, 0, 255).astype(np.uint8)

# 2. 处理色相：先转为int32避免溢出，再裁剪，最后转回uint8
h = h.astype(np.int32) + 100  # 转为int32防止uint8溢出
h = np.clip(h, 140, 160)      # 限定紫色色相区间（140-160对应HSV的紫色）
h = h.astype(np.uint8)        # 强制转回uint8，匹配原类型

# 3. 亮度通道保持不变（可选：也可轻微增强）
v = v.astype(np.uint8)

# 合并通道（此时h/s/v尺寸、类型完全一致）
hsv_uv = cv2.merge([h, s, v])
uv_img = cv2.cvtColor(hsv_uv, cv2.COLOR_HSV2RGB)

# 创建对比图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img_rgb)
ax1.set_title("原始可见光图像", fontsize=12)
ax1.axis('off')

ax2.imshow(uv_img)
ax2.set_title("模拟紫外波段成像效果", fontsize=12)
ax2.axis('off')

# 保存图片（避免中文路径乱码）
plt.savefig("紫外波段成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.4 可见光和红外波段成像

  • 可见光成像：最常见的成像方式（手机拍照、相机），捕捉人眼可见的光；
  • 红外波段成像：应用于夜视仪、体温检测、安防监控，捕捉物体的红外辐射（热量）。
代码实现：可见光 vs 红外成像对比
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 模拟红外成像：伪彩色热力映射+暗部增强
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
infrared = np.power(gray / 255.0, 0.2) * 255.0  # 增强暗部（模拟热量捕捉）
infrared = np.uint8(infrared)

# 创建对比图7
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img_rgb)
ax1.set_title("可见光成像（原始图像）", fontsize=12)
ax1.axis('off')

ax2.imshow(infrared, cmap='inferno')  # inferno色板模拟红外热力效果
ax2.set_title("模拟红外波段成像效果（夜视仪）", fontsize=12)
ax2.axis('off')

plt.savefig("可见光vs红外成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.5 微波波段成像

  • 应用场景：雷达成像、卫星遥感、气象监测（台风 / 降雨）；
  • 技术特点：微波穿透性强（不受天气影响），成像易受噪声影响，需滤波处理。
代码实现：模拟微波波段成像效果
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg", 0)  # 灰度图

# 模拟微波成像：添加高斯噪声（模拟信号噪声）+ 中值滤波（去噪）
noise = np.random.normal(0, 30, img.shape).astype(np.uint8)
microwave_noise = cv2.add(img, noise)
microwave_img = cv2.medianBlur(microwave_noise, 3)  # 中值滤波去噪

# 创建对比图8
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(microwave_noise, cmap='gray')
ax1.set_title("含噪声的微波成像模拟", fontsize=12)
ax1.axis('off')

ax2.imshow(microwave_img, cmap='gray')
ax2.set_title("滤波后微波成像效果", fontsize=12)
ax2.axis('off')

plt.savefig("微波波段成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.6 无线电波段成像

  • 应用场景：射电望远镜（宇宙天体观测）、无线电定位；
  • 技术特点：分辨率低，需通过插值 / 增强提升清晰度。
代码实现：模拟无线电波段成像效果
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg", 0)  # 灰度图

# 模拟无线电成像：降低分辨率（模拟低精度）+ 插值放大
small = cv2.resize(img, (img.shape[1]//10, img.shape[0]//10), interpolation=cv2.INTER_LINEAR)
radio_img = cv2.resize(small, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_NEAREST)

# 创建对比图9
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img, cmap='gray')
ax1.set_title("原始高分辨率图像", fontsize=12)
ax1.axis('off')

ax2.imshow(radio_img, cmap='gray')
ax2.set_title("模拟无线电波段成像效果（低分辨率）", fontsize=12)
ax2.axis('off')

plt.savefig("无线电波段成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

1.3.7 其他成像方式

  • 应用场景：深度成像（3D 摄像头）、超声成像（医学 B 超）、偏振成像（玻璃反光去除）；
  • 下面以深度成像为例，给出模拟代码。
代码实现：模拟深度成像效果
复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

img = cv2.imread("test_img.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 模拟深度成像：基于亮度生成深度图（越亮表示距离越近）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
depth = 1 - (gray / 255.0)  # 反转：暗部远，亮部近

# 创建对比图10
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(img_rgb)
ax1.set_title("原始图像", fontsize=12)
ax1.axis('off')

im = ax2.imshow(depth, cmap='viridis')  # viridis色板模拟深度
ax2.set_title("模拟深度成像效果（3D深度图）", fontsize=12)
ax2.axis('off')
plt.colorbar(im, ax=ax2, shrink=0.8, label='深度值（0=远，1=近）')

plt.savefig("深度成像对比.png", dpi=300, bbox_inches='tight')
plt.show()

效果汇总说明

深度成像：viridis 色板直观展示 3D 深度分布。

数字图像处理的基本步骤

代码实现：完整数字图像处理流程

下面的代码演示从采集→预处理→增强→分析→输出的完整步骤：

python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os

# ---------------------- 基础配置 ----------------------
plt.rcParams['font.sans-serif'] = ['SimHei', 'PingFang SC', 'WenQuanYi Micro Hei']
plt.rcParams['axes.unicode_minus'] = False

# ========== 直接指定绝对路径==========
img_path = r".\picture\XiLian.png"  # 原始图像
save_img_path = r".\picture\最终处理图像.jpg"  # 保存图像
compare_img_path = r".\picture\数字图像处理基本步骤.png"  # 对比图

# ---------------------- 步骤1：图像采集（读取图像） ----------------------
img = cv2.imread(img_path)
if img is None:
    raise FileNotFoundError(f"❌ 原始图像不存在，请检查路径：\n{img_path}")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# ---------------------- 步骤2：预处理（去噪+旋转） ----------------------
denoise_img = cv2.GaussianBlur(img_rgb, (5, 5), 0)
h, w = denoise_img.shape[:2]
M = cv2.getRotationMatrix2D((w//2, h//2), 5, 1.0)
preprocess_img = cv2.warpAffine(denoise_img, M, (w, h))

# ---------------------- 步骤3：增强（均衡+锐化） ----------------------
ycrcb = cv2.cvtColor(preprocess_img, cv2.COLOR_RGB2YCrCb)
y, cr, cb = cv2.split(ycrcb)
y_eq = cv2.equalizeHist(y)
ycrcb_eq = cv2.merge([y_eq, cr, cb])
equalize_img = cv2.cvtColor(ycrcb_eq, cv2.COLOR_YCrCb2RGB)
kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
enhance_img = cv2.filter2D(equalize_img, -1, kernel)

# ---------------------- 步骤4：分析（边缘+轮廓） ----------------------
gray = cv2.cvtColor(enhance_img, cv2.COLOR_RGB2GRAY)
edges = cv2.Canny(gray, 50, 150)
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
analysis_img = enhance_img.copy()
cv2.drawContours(analysis_img, contours, -1, (255, 0, 0), 2)

# ---------------------- 步骤5：输出（保存+读取） ----------------------
# 保存图像（直接用绝对路径）
save_success = cv2.imwrite(save_img_path, cv2.cvtColor(analysis_img, cv2.COLOR_RGB2BGR))
# 若常规保存失败，尝试兼容中文路径
if not save_success:
    encode_img = cv2.imencode('.jpg', cv2.cvtColor(analysis_img, cv2.COLOR_RGB2BGR))[1]
    encode_img.tofile(save_img_path)
    if not os.path.exists(save_img_path):
        raise IOError(f"❌ 保存失败，请检查路径权限：\n{save_img_path}")
print(f"✅ 图像保存成功：\n{save_img_path}")

# 读取保存的图像（直接用绝对路径）
saved_img = cv2.imread(save_img_path)
# 若常规读取失败，尝试兼容中文路径
if saved_img is None:
    saved_img = cv2.imdecode(np.fromfile(save_img_path, dtype=np.uint8), cv2.IMREAD_COLOR)
if saved_img is None:
    raise FileNotFoundError(f"❌ 读取失败，请检查路径：\n{save_img_path}")
saved_img_rgb = cv2.cvtColor(saved_img, cv2.COLOR_BGR2RGB)

# ---------------------- 绘制子图 ----------------------
fig, axes = plt.subplots(2, 3, figsize=(18, 12))
axes[0,0].imshow(img_rgb)
axes[0,0].set_title("1. 原始采集图像", fontsize=12)
axes[0,0].axis('off')

axes[0,1].imshow(preprocess_img)
axes[0,1].set_title("2. 预处理后（去噪+旋转校正）", fontsize=12)
axes[0,1].axis('off')

axes[0,2].imshow(enhance_img)
axes[0,2].set_title("3. 增强后（均衡+锐化）", fontsize=12)
axes[0,2].axis('off')

axes[1,0].imshow(edges, cmap='gray')
axes[1,0].set_title("4. 分析-边缘检测", fontsize=12)
axes[1,0].axis('off')

axes[1,1].imshow(analysis_img)
axes[1,1].set_title("4. 分析-轮廓提取", fontsize=12)
axes[1,1].axis('off')

axes[1,2].imshow(saved_img_rgb)
axes[1,2].set_title("5. 输出-保存的图像", fontsize=12)
axes[1,2].axis('off')

plt.tight_layout()
plt.savefig(compare_img_path, dpi=300, bbox_inches='tight')
print(f"✅ 对比图保存成功：\n{compare_img_path}")
plt.show()

效果说明

数字图像处理基本步骤对比图

图像处理系统的组成

代码实现：模拟图像处理系统的模块调用

下面的代码将系统拆分为输入、处理、输出三大模块，模拟实际系统的工作逻辑：

复制代码 
import cv2
import numpy as np
import os
import matplotlib.pyplot as plt

# ---------------------- 模块1：输入模块 ----------------------
class InputModule:
    def __init__(self, img_path):
        self.img_path = img_path
    
    def collect_image(self):
        """采集图像（模拟从硬件设备读取）"""
        if not os.path.exists(self.img_path):
            raise FileNotFoundError(f"图像文件不存在：{self.img_path}")
        img = cv2.imread(self.img_path)
        return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    def transmit_image(self, img):
        """模拟图像传输（转为字节流，模拟网络/硬件传输）"""
        encode_param = [int(cv2.IMWRITE_JPEG_QUALITY), 90]
        _, img_bytes = cv2.imencode('.jpg', cv2.cvtColor(img, cv2.COLOR_RGB2BGR), encode_param)
        print("✅ 图像传输完成，字节流长度：", len(img_bytes))
        return img_bytes

# ---------------------- 模块2：处理模块 ----------------------
class ProcessModule:
    def __init__(self):
        self.sharpen_kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])  # 锐化核
    
    def hardware_accelerate(self, img):
        """模拟硬件加速（简化版，实际调用GPU）"""
        print("⚡ 模拟GPU加速处理中...")
        return img
    
    def process_algorithm(self, img):
        """核心处理算法：去噪+锐化"""
        img = self.hardware_accelerate(img)
        denoise_img = cv2.GaussianBlur(img, (3, 3), 0)  # 去噪
        sharpen_img = cv2.filter2D(denoise_img, -1, self.sharpen_kernel)  # 锐化
        return sharpen_img

# ---------------------- 模块3：输出模块 ----------------------
class OutputModule:
    def display_image(self, img):
        """显示处理后图像"""
        plt.rcParams['font.sans-serif'] = ['SimHei']
        plt.imshow(img)
        plt.title("处理后图像（系统输出）", fontsize=12)
        plt.axis('off')
        plt.show()
    
    def save_image(self, img, save_path="系统输出图像.jpg"):
        """保存图像到本地"""
        cv2.imwrite(save_path, cv2.cvtColor(img, cv2.COLOR_RGB2BGR))
        print(f"💾 图像已保存至：{os.path.abspath(save_path)}")

# ---------------------- 系统整合运行 ----------------------
if __name__ == "__main__":
    # 初始化各模块
    input_mod = InputModule("test_img.jpg")
    process_mod = ProcessModule()
    output_mod = OutputModule()
    
    # 1. 输入阶段：采集+传输
    raw_img = input_mod.collect_image()
    img_bytes = input_mod.transmit_image(raw_img)
    
    # 模拟传输后还原图像
    nparr = np.frombuffer(img_bytes, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 2. 处理阶段：算法处理
    processed_img = process_mod.process_algorithm(img_rgb)
    
    # 3. 输出阶段：显示+保存
    output_mod.display_image(processed_img)
    output_mod.save_image(processed_img)

代码说明

该代码模拟了实际图像处理系统的核心逻辑：

  • 输入模块：负责图像采集和传输（字节流模拟网络传输）；
  • 处理模块：模拟硬件加速 + 核心算法（去噪 + 锐化）；
  • 输出模块：负责图像显示和本地保存。运行后会输出处理后的图像，并打印传输 / 保存日志，直观体现系统的工作流程。

小结、参考文献和延伸读物

小结

本章系统讲解了数字图像处理的绪论知识：

  1. 数字图像处理的核心是将模拟图像离散化为像素矩阵，通过计算机进行各类操作；
  2. 技术起源于航天领域，随算力提升逐步普及到医疗、工业、民用等领域；
  3. 多波段成像是核心应用方向，不同波段对应不同场景和处理策略；
  4. 基本步骤为「采集→预处理→增强→分析→输出」，每个步骤有明确的目标和算法；
  5. 图像处理系统由输入、处理、输出三大模块组成，硬件 + 软件协同工作。

参考文献

  1. 《数字图像处理（第三版）》------Rafael C. Gonzalez（经典教材）；
  2. 《OpenCV-Python 中文教程》------ 冯振、郭延宁、吕跃勇；
  3. 数字图像处理国家标准（GB/T 30247-2013）。

延伸读物

  1. 《深度学习与计算机视觉》------ 何凯明等（结合 AI 的图像处理进阶）；
  2. 《遥感数字图像处理》------ 梅安新（多波段成像深度讲解）；
  3. OpenCV 官方文档：https://docs.opencv.org/4.x/

总结

如果大家在运行代码时遇到问题（比如图片路径、字体乱码），可以评论区留言～下一章会讲解数字图像的基础数学知识（采样、量化、像素间关系），敬请期待！

相关推荐
C雨后彩虹13 小时前
任务最优调度
java·数据结构·算法·华为·面试
少林码僧15 小时前
2.31 机器学习神器项目实战：如何在真实项目中应用XGBoost等算法
人工智能·python·算法·机器学习·ai·数据挖掘
钱彬 (Qian Bin)15 小时前
项目实践15—全球证件智能识别系统（切换为Qwen3-VL-8B-Instruct图文多模态大模型）
人工智能·算法·机器学习·多模态·全球证件识别
智航GIS15 小时前
10.4 Selenium：Web 自动化测试框架
前端·python·selenium·测试工具
jarreyer15 小时前
摄像头相关记录
python
宝贝儿好15 小时前
【强化学习】第六章：无模型控制：在轨MC控制、在轨时序差分学习(Sarsa)、离轨学习(Q-learning)
人工智能·python·深度学习·学习·机器学习·机器人
大、男人15 小时前
python之asynccontextmanager学习
开发语言·python·学习
Niuguangshuo16 小时前
EM算法详解：解密“鸡生蛋“的机器学习困局
算法·机器学习·概率论
a31582380616 小时前
Android 大图显示策略优化显示(一)
android·算法·图片加载·大图片
智驱力人工智能16 小时前
守护流动的规则 基于视觉分析的穿越导流线区检测技术工程实践 交通路口导流区穿越实时预警技术 智慧交通部署指南
人工智能·opencv·安全·目标检测·计算机视觉·cnn·边缘计算
热门推荐
01GitHub 镜像站点02Labelme从安装到标注：零基础完整指南03安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）04Linux下V2Ray安装配置指南05jdk21下载、安装（Windows、Linux、macOS）06Claude Code 2.1.2 升级报错？别折腾了，一行命令搞定072025-04-03 Latex学习1——本地配置Latex + VScode环境08Opencode CLI 安装成功,但是启动失败09【踩坑笔记】50系显卡适配的 PyTorch 安装10UV安装并设置国内源