玩转 OpenCV 图像处理：从边界填充到图像滤波全解析

OpenCV 作为计算机视觉领域最常用的开源库，提供了丰富的图像处理函数，能轻松实现图像边界填充、像素运算、阈值处理和图像平滑（滤波）等核心操作。本文将从实用角度出发，详解 OpenCV 中这些基础且高频的图像处理技术，重点聚焦图像滤波的原理与实战，帮助初学者快速掌握核心用法。

一、基础铺垫：图像边界填充

在图像处理中，当需要对图像边缘进行操作（如卷积、滤波）时，边界像素往往会因缺乏邻域信息导致处理不完整，此时就需要用为cv2.copyMakeBorder()图像添加边界（填充）。

核心参数与填充类型

import cv2
import numpy as np

# 读取图像
img = cv2.imread('img1.jpeg')
# 定义上下左右填充宽度
top, bottom, left, right = 50, 50, 50, 50

# 1. 常数填充：边界像素为指定颜色
constant = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(229, 25, 80))
# 2. 反射填充：边界像素为原图像边缘的镜面反射
reflect = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REFLECT)
# 3. 反射填充（优化版）：避免边界重复
reflect101 = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REFLECT101)
# 4. 复制填充：用最边缘像素填充整个边界
replicate = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REPLICATE)
# 5. 环绕填充：上下左右边界循环替换
wrap = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_WRAP)

不同填充类型适用于不同场景：常数填充适合需要明确边界颜色的场景，反射 / 复制填充适合滤波时保持边缘连续性，环绕填充则适用于周期性图像处理。

二、像素级操作：图像运算

图像的本质是像素矩阵，OpenCV 支持两种核心加法运算，以及更灵活的加权运算。

1. 普通加法（+）：截断规则

普通加法遵循「模 256」规则，像素和超过 255 时会减去 256：

a = cv2.imread('img1.jpeg')
b = cv2.imread('img2.jpeg')
# 像素值整体加10
c1 = a + 10
# 局部区域像素相加
c2 = a[50:450, 50:400] + b[50:450, 50:400]

2. cv2.add ()：饱和规则

cv2.add()更符合人眼视觉，像素和超过 255 时直接取 255：

# 统一图像尺寸
a = cv2.resize(a, (400, 400))
b = cv2.resize(b, (400, 400))
c = cv2.add(a, b)

3. 加权加法（cv2.addWeighted）：图像融合

加权运算公式：dst = src1*α + src2*β + γ，适合图像融合（如水印、渐变）：

# α=0.5, β=0.5, γ=10（亮度补偿）
blend = cv2.addWeighted(a, 0.5, b, 0.5, 10)

三、像素筛选：阈值处理cv2.threshold()

阈值处理是将图像像素分为「高于阈值」和「低于阈值」两类，实现图像二值化或像素截断，核心函数cv2.threshold()：

# 读取灰度图像
gray = cv2.imread('img1.jpeg', 0)
# 二值化阈值：像素>175设为255（白），否则0（黑）
ret, binary = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY)
# 反二值化：像素>175设为0，否则255
ret, binary_inv = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY_INV)
# 截断：像素>175设为175，否则不变
ret, trunc = cv2.threshold(gray, 175, 255, cv2.THRESH_TRUNC)
# 归零：像素>175不变，否则0
ret, tozero = cv2.threshold(gray, 175, 255, cv2.THRESH_TOZERO)

阈值处理常用于图像分割、文字提取、轮廓检测等场景。

四、重点：图像平滑（滤波）------ 消除噪声的核心手段

图像噪声（如椒盐噪声、高斯噪声）会影响后续处理，滤波是消除噪声的关键，OpenCV 提供了 4 种常用滤波方式，我们先构造含椒盐噪声的图像，再对比不同滤波效果：

1. 生成椒盐噪声

def add_peppersalt_noise(image, n=10000):
    """添加椒盐噪声：随机生成黑白噪点"""
    result = image.copy()
    h, w = image.shape[:2]
    for i in range(n):
        x = np.random.randint(0, h)
        y = np.random.randint(0, w)
        # 随机生成黑/白点
        result[x, y] = 0 if np.random.randint(0, 2) == 0 else 255
    return result

# 读取图像并添加噪声
img = cv2.imread('img1.jpeg')
noise_img = add_peppersalt_noise(img)

2. 均值滤波（cv2.blur）：简单平均

原理：用邻域内所有像素的平均值替换中心像素，优点是简单，缺点是会模糊图像边缘，核越大模糊越明显。

# 3x3核均值滤波（轻度模糊）
blur_3 = cv2.blur(noise_img, (3, 3))
# 30x30核均值滤波（重度模糊）
blur_30 = cv2.blur(noise_img, (30, 30))

3. 方框滤波（cv2.boxFilter）：可归一化的均值滤波

原理：与均值滤波类似，但可通过normalize参数控制是否归一化：

• normalize=True：等同于均值滤波（邻域和 / 面积）；
• normalize=False：直接取邻域和，超过 255 则截断为 255（易过曝）。

# 归一化方框滤波（同均值滤波）
box_norm = cv2.boxFilter(noise_img, -1, (3, 3), normalize=True)
# 不归一化方框滤波（易出现白色区块）
box_unnorm = cv2.boxFilter(noise_img, -1, (3, 3), normalize=False)

4. 高斯滤波（cv2.GaussianBlur）：保留边缘的模糊

原理：对邻域像素加权平均（距离中心越近权重越高），能在消除噪声的同时，更好保留图像边缘细节，是最常用的滤波方式。

# 3x3核，X/Y方向标准差=1
gaussian = cv2.GaussianBlur(noise_img, (3, 3), 1)

5. 中值滤波（cv2.medianBlur）：专治椒盐噪声

原理 ：用邻域像素的中位数替换中心像素，能完美消除椒盐噪声（黑白噪点），且不会模糊边缘，是处理椒盐噪声的首选。

# 3x3核中值滤波（核大小需为奇数）
median = cv2.medianBlur(noise_img, 3)

滤波效果对比

滤波类型	核心特点	适用场景
均值滤波	简单平均，模糊明显	轻度噪声、无边缘保护需求
方框滤波	可归一化，灵活控制	自定义加权平均场景
高斯滤波	加权平均，保留边缘	通用降噪（高斯噪声）
中值滤波	中位数替换，无模糊	椒盐噪声、颗粒噪声

五、完整实战代码

import cv2
import numpy as np

# ========== 1. 边界填充 ==========
img = cv2.imread('img1.jpeg')
top, bottom, left, right = 50, 50, 50, 50
constant = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(229, 25, 80))

# ========== 2. 图像运算 ==========
a = cv2.imread('img1.jpeg')
b = cv2.imread('img2.jpeg')
a = cv2.resize(a, (400, 400))
b = cv2.resize(b, (400, 400))
blend = cv2.addWeighted(a, 0.5, b, 0.5, 10)

# ========== 3. 阈值处理 ==========
gray = cv2.imread('img1.jpeg', 0)
ret, binary = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY)

# ========== 4. 图像滤波 ==========
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    h, w = image.shape[:2]
    for i in range(n):
        x = np.random.randint(0, h)
        y = np.random.randint(0, w)
        result[x, y] = 0 if np.random.randint(0, 2) == 0 else 255
    return result

noise_img = add_peppersalt_noise(img)
# 均值滤波
blur = cv2.blur(noise_img, (3, 3))
# 方框滤波
box = cv2.boxFilter(noise_img, -1, (3, 3), normalize=True)
# 高斯滤波
gaussian = cv2.GaussianBlur(noise_img, (3, 3), 1)
# 中值滤波
median = cv2.medianBlur(noise_img, 3)

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('椒盐噪声', noise_img)
cv2.imshow('均值滤波', blur)
cv2.imshow('高斯滤波', gaussian)
cv2.imshow('中值滤波', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

1. OpenCV 的边界填充、图像运算、阈值处理是图像处理的基础，填充用于边缘补全，运算用于像素级操作，阈值用于像素筛选；
2. 图像滤波是消除噪声的核心：均值滤波简单但模糊明显，高斯滤波兼顾降噪与边缘保留，中值滤波是椒盐噪声的 "克星"；
3. 实际开发中需根据噪声类型选择滤波方式：高斯噪声用高斯滤波，椒盐噪声用中值滤波，通用场景优先选高斯滤波。

掌握这些基础操作，就能应对大部分入门级的图像处理需求，后续可结合卷积、形态学操作等进阶技术，实现更复杂的计算机视觉任务。