OpenCV图像处理部分基础操作

文章目录

- 一、图像像素基础操作
- - [1.1 图像像素打码](#1.1 图像像素打码)
  - [1.2 图像区域复制](#1.2 图像区域复制)
- 二、图像缩放操作
- - [2.1 方法一：直接指定目标尺寸](#2.1 方法一：直接指定目标尺寸)
  - [2.2 方法二：通过缩放因子](#2.2 方法二：通过缩放因子)
- 三、图像运算操作
- - [3.1 基础加法运算（+操作符）](#3.1 基础加法运算（+操作符）)
  - [3.2 OpenCV加法运算（cv2.add()）](#3.2 OpenCV加法运算（cv2.add()）)
  - [3.3 图像加权运算](#3.3 图像加权运算)
- 四、图像平滑处理
- - [4.1 椒盐噪声生成函数](#4.1 椒盐噪声生成函数)
  - [4.2 均值滤波（Mean Filtering）](#4.2 均值滤波（Mean Filtering）)
  - [4.3 方框滤波（Box Filtering）](#4.3 方框滤波（Box Filtering）)
  - [4.4 高斯滤波（Gaussian Filtering）](#4.4 高斯滤波（Gaussian Filtering）)
  - [4.5 中值滤波（Median Filtering）](#4.5 中值滤波（Median Filtering）)

一、图像像素基础操作

1.1 图像像素打码

python 复制代码

import cv2
import numpy as np

# 读取图片
a = cv2.imread(r"picture_1.jpg")
# 打码操作：将图像a中第100到200行，第200到300列的像素区域替换
# np.random.randint(0,256,(100,100,3)) 生成一个100x100x3的数组，值在[0, 256)之间，模拟随机颜色像素
a[400: 800, 400: 800] = np.random.randint(0, 256, (400, 400, 3))
cv2.imshow('picture_1', a)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数分析：

a[400:800, 400:800]：图像切片操作，选取图像中特定矩形区域（行400-799，列400-799）
np.random.randint(0, 256, (400, 400, 3))：生成400×400×3的随机像素矩阵，每个像素值在0-255之间

1.2 图像区域复制

python 复制代码

# 图片组合：将图片a的一部分覆盖到图片b的对应位置
a = cv2.imread(r"picture_1.jpg")
b = cv2.imread(r"picture_2.jpg")
b[400:800, 400:800] = a[400:800, 400:800]  # 注意：两侧矩阵的切片大小必须完全一致
cv2.imshow('a', a)
cv2.imshow('b', b)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键点：

两侧矩阵切片大小必须完全一致
操作直接修改目标图像的像素值

二、图像缩放操作

2.1 方法一：直接指定目标尺寸

python 复制代码

# 图片缩放：方法一，直接指定目标尺寸
a = cv2.imread(r"picture_1.jpg")
a_new = cv2.resize(a,(800,800))  # 将图片缩放至宽600像素，高200像素
cv2.imshow( 'a1',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 方法二：通过缩放因子

python 复制代码

# 图片缩放：方法二，通过缩放因子
a_new = cv2.resize(a, dsize=None, fx=1.5, fy=0.5) # 宽度变为1.5倍，高度变为0.5倍
cv2.imshow( 'a1',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.resize()参数分析：

dsize：目标图像尺寸，格式为(宽度, 高度)
fx：水平方向的缩放因子
fy：垂直方向的缩放因子
当dsize和缩放因子同时指定时，dsize参数优先

三、图像运算操作

3.1 基础加法运算（+操作符）

python 复制代码

# 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=4
a = cv2.imread(r"picture_1.jpg")
b = cv2.imread(r"picture_2.jpg")
c = a + 10  # 图片
cv2.imshow('yuan', a)
cv2.imshow('a+10', c)
cv2.waitKey(0)

c = a[400:800, 400:800] + b[400:800, 400:800]
cv2.imshow('a+b', c)
cv2.waitKey(0)

运算规则：

像素值使用模256运算（溢出处理）
适用于需要循环颜色效果的情况

3.2 OpenCV加法运算（cv2.add()）

python 复制代码

# 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255
a = cv2.imread(r"picture_1.jpg")
b = cv2.imread(r"picture_2.jpg")
b = cv2.resize(b, (400, 400))
a = cv2.resize(a, dsize=(400, 400))
c = cv2.add(a, b)  # 也可以使用使用
cv2.imshow('a add b', c)
cv2.waitKey(0)

运算规则：

像素值饱和处理（最大值为255）
更符合视觉预期，避免颜色突变

3.3 图像加权运算

python 复制代码

# 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×α+src2×β+γ
a = cv2.imread(r"picture_1.jpg")
b = cv2.imread(r"picture_2.jpg")
b = cv2.resize(b, dsize=(400, 400))
a = cv2.resize(a, dsize=(400, 400))
#
c = cv2.addWeighted(a, 0.5, b, 0.5, 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()

cv2.addWeighted()参数分析：

src1：第一幅输入图像
alpha：第一幅图像的权重系数
src2：第二幅输入图像
beta：第二幅图像的权重系数
gamma：添加到加权和上的亮度值
计算公式：dst = src1 × alpha + src2 × beta + gamma

四、图像平滑处理

4.1 椒盐噪声生成函数

python 复制代码

def 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(0, h)
        y = np.random.randint(0, w)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x, y] = 255
    return result

image = cv2.imread(r"picture_1.jpg")
cv2.imshow('yuan', image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise', noise)
cv2.waitKey(0)

4.2 均值滤波（Mean Filtering）

python 复制代码

# 1、均值滤波  blur
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)

cv2.blur()参数分析：

src：需要处理的源图像
ksize：滤波核大小，格式为(宽度, 高度)
原理：用卷积核内所有像素的平均值代替中心像素值
特点：简单快速，但会模糊图像边缘

4.3 方框滤波（Box Filtering）

python 复制代码

# 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, 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.boxFilter()关键参数：

normalize=True：与均值滤波效果相同（进行归一化）
normalize=False：直接对邻域像素求和，可能产生过亮区域

4.4 高斯滤波（Gaussian Filtering）

python 复制代码

# 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。

GaussianB = cv2.GaussianBlur(noise, ksize=(3, 3), sigmaX=1)  # 3、高斯滤波
cv2.imshow('GaussianBlur', GaussianB)
cv2.waitKey(0)

高斯滤波特点：

使用高斯函数作为权重函数
离中心像素越近的像素权重越大
能更好地保留图像边缘信息
sigmaX和sigmaY控制高斯分布的标准差

4.5 中值滤波（Median Filtering）

python 复制代码

# 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()

中值滤波特点：

用邻域像素的中值代替中心像素值
对椒盐噪声有很好的去除效果
能很好地保留图像边缘
对斑点噪声和极值噪声特别有效