距离变换是图像分割、前景提取的核心预处理技术，能计算每个前景像素到最近背景像素的距离。本文以DIST_L1（曼哈顿距离）为例，演示 OpenCV 距离变换全流程，重点讲解归一化的关键作用，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 1. 读取图像并预处理（补充完整流程）
src = cv.imread('./image/test.bmp') # 替换为你的图像路径
if src is None:
print('图像读取失败，请检查路径！')
exit()
# 转为灰度图→二值化（距离变换需输入单通道二值图）
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
ret, result2 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
# 2. 执行距离变换（核心操作）
# 参数说明：二值图、距离类型（DIST_L1）、掩码尺寸（3×3）
result3 = cv.distanceTransform(result2, cv.DIST_L1, cv.DIST_MASK_3)
# 3. 归一化（关键：将距离值缩放到[0,1]，适配显示）
cv.normalize(result3, result3, 0, 1, cv.NORM_MINMAX, -1)
# 4. 可视化结果（距离值映射为灰度图）
# 归一化后的值×255转为uint8，便于显示
result_show = (result3 * 255).astype(np.uint8)
cv.namedWindow('原始二值图', cv.WINDOW_NORMAL)
cv.resizeWindow('原始二值图', 600, 600)
cv.imshow('原始二值图', result2)
cv.namedWindow('距离变换结果', cv.WINDOW_NORMAL)
cv.resizeWindow('距离变换结果', 600, 600)
cv.imshow('距离变换结果', result_show)
cv.waitKeyEx(0)
cv.destroyAllWindows()关键知识点解析
1. 距离变换核心参数
| 参数 | 说明 | 作用 | ||||
|---|---|---|---|---|---|---|
cv.DIST_L1 |
曼哈顿距离（L1 距离） | 计算方式：` | x1-x2 | + | y1-y2 | `，计算速度快，无开方运算 |
cv.DIST_MASK_3 |
3×3 掩码尺寸 | 掩码越大，距离计算越精准，但速度稍慢（常用 3/5/7） | ||||
cv.NORM_MINMAX |
最值归一化 | 将距离值缩放到[0,1]，消除不同图像距离值范围差异 |
2. 核心逻辑与避坑点
- 输入要求 ：距离变换仅支持单通道二值图（非 0 为前景，0 为背景），需先完成灰度 + 二值化预处理，否则报错；
- 归一化必要性 ：距离变换输出的原始值范围与图像尺寸相关（如 500×500 图像最大距离约 500），归一化后可统一到
[0,1]，既便于显示，也利于后续阈值筛选； - 显示转换 ：归一化后的
float32类型值（0~1）需 ×255 转为uint8（0~255），否则 OpenCV 无法正确显示（会被识别为 0 值全黑）。
3. 常见距离类型对比
| 距离类型 | 计算方式 | 特点 | ||||
|---|---|---|---|---|---|---|
DIST_L1（曼哈顿） |
$ | x1-x2 | + | y1-y2 | $ | 速度最快，无浮点运算 |
DIST_L2（欧氏） |
(x1−x2)2+(y1−y2)2 | 精度最高，符合人眼距离感知 | ||||
DIST_C（切比雪夫） |
$max( | x1-x2 | , | y1-y2 | )$ | 适用于棋盘格距离计算场景 |
总结
- 距离变换核心是
cv.distanceTransform()，输入必须为单通道二值图，DIST_L1是速度优先的选择； - 归一化（
cv.normalize）是距离变换后必做步骤，可统一数值范围、便于可视化； - 显示时需将归一化后的
float32值 ×255 转为uint8，否则无法正常展示结果。