Opencv——图片处理（二）

一、边界填充

cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value=None)

参数介绍：

src:

要扩充边界的原始图像

top(int):

顶部 需要添加的边框像素数(（比如 top=10 表示顶部加 10 行像素）)

bottom(int):

底部需要添加的边框像素数

left(int):

左侧需要添加的边框像素数

right(int):

右侧需要添加的边框像素数

bordetType:

边框填充类型,决定边界填充方式

取值：

cv2.BORDER_CONSTANT：用固定颜色填充边框（需要配合 value 参数指定颜色）

cv2.BORDER_REPLICATE：复制图像边缘的最后一个像素填充（边缘延伸）

cv2.BORDER_REFLECT：镜像填充（以边缘为轴，反射图像像素）

cv2.BORDER_WRAP：环绕填充（用图像另一侧的像素填充）

value:

仅当 borderType=cv2.BORDER_CONSTANT 时生效，指定边框的颜色（BGR 格式）

示例：

import cv2

yt = cv2.imread('../data/image.jpeg')
top,bottom,left,right = 50,50,50,50
# ys=cv2.resize(ys,dsize=None,fx=0.5,fy=0.5)  # 图片缩放
# ys=cv2.resize(ys,(640,480))

constant = cv2.copyMakeBorder(yt,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(200,30,80))
reflect = cv2.copyMakeBorder(yt,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(yt,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(yt,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(yt,top,bottom,left,right,borderType=cv2.BORDER_WRAP)

cv2.imshow('yuantu',yt)
cv2.waitKey(0)
cv2.imshow('CONSTANT',constant)
cv2.waitKey(0)
cv2.imshow('REFLECT',reflect)
cv2.waitKey(0)
cv2.imshow('REFLECT_101',reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE',replicate)
cv2.waitKey(0)
cv2.imshow('WRAP',wrap)
cv2.waitKey(0)

二、图像运算

2.1 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

import cv2

a = cv2.imread('../data/image.jpeg')
b = cv2.imread('../data/QQ_image.png')
c = a+10
cv2.imshow('yuantu',a)
cv2.imshow('a+10',c)
cv2.waitKey(0)

c = a[4:40,4:35]+b[4:40,4:35]
cv2.imshow('a+b',c)
cv2.waitKey(0)

2.2 cv2.add()运算

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

dst = cv2.add(src1, src2)

参数介绍：

src1:

第一个输入图像 / 数值（numpy 数组）：可以是单通道 / 多通道图像（如灰度图 / 彩色图）； 也可以是标量（单个数值），表示给整张图像的所有像素加这个值

src2:

第二个输入图像 / 数值（numpy 数组）：可以是单通道 / 多通道图像（如灰度图 / 彩色图）； 也可以是标量（单个数值），表示给整张图像的所有像素加这个值

import cv2

a = cv2.imread('../data/image.jpeg')
b = cv2.imread('../data/QQ_image.png')

a = cv2.resize(a,(400,400))
b = cv2.resize(b,(400,400))
c = cv2.add(a,b)
cv2.imshow('a add b',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.3 图像加权运算

即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

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)

参数介绍：

src1:

第一个输入图像（numpy 数组）：可以是单通道（灰度图）或多通道（彩色图）

alpha:

浮点数，src1 的权重（融合系数），表示 src1 占最终图像的比例（如 alpha=0.7 表示占 70%）

src2:

第二个输入图像：必须和 src1 尺寸（高、宽）、通道数完全一致

beta:

浮点数，src2 的权重（融合系数），表示 src2 占最终图像的比例

gamma:

浮点数，亮度调整值（偏置项）：加到加权和结果上的常数，可提亮 / 调暗整体图像

示例：

import cv2

a = cv2.imread('../data/image.jpeg')
b = cv2.imread('../data/QQ_image.png')

a = cv2.resize(a,(400,400))
b = cv2.resize(b,(400,400))

c = cv2.addWeighted(a,0.8,b,0.2,10)
cv2.imshow('addweight',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、阈值处理

阈值处理是指剔除图像内像素值高于一定值或低于一定值的像素点

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

参数：

src:

输入图像：代表要进行阈值分割的图像，可以是多通道的

thresh:

阈值（门槛值）：浮点数 / 整数，比如 thresh=127 表示以 127 为分界点

maxval:

最大值：仅对部分阈值类型生效（见下文），表示「高于阈值的像素」要设置的目标值（通常设为 255，即白色）

type:

阈值分割类型（OpenCV 预定义常量）：决定「像素高于 / 低于阈值时如何处理」

取值如下：

cv2.THRESH_BINARY：二值化：高于阈值→maxval，低于→0

cv2.THRESH_BINARY_INV：反二值化：高于阈值→0，低于→maxval

cv2.THRESH_TRUNC：截断：高于阈值→thresh，低于→保持原值

cv2.THRESH_TOZERO：归零：高于阈值→保持原值，低于→0

cv2.THRESH_TOZERO_INV：反归零：高于阈值→0，低于→保持原值

     选项                    像素值>thresh         其他情况
 CV2.THRESH_BINARY           maxval               0
 CV2.THRESH_BINARY_INV       0                    maxval
 CV2.THRESH_TRUNC            thresh               当前灰度值
 cV2. THRESH_T0ZERO           当前灰度值            0
 CV2.THRESH_TOZERO_INV         0                   当前灰度值

import cv2

img = cv2.imread('../data/image.jpeg',cv2.IMREAD_GRAYSCALE)
ret,binary = cv2.threshold(img,170,255,cv2.THRESH_BINARY)
ret1,binaryinv = cv2.threshold(img,170,255,cv2.THRESH_BINARY_INV)
ret2,trunc = cv2.threshold(img,170,255,cv2.THRESH_TRUNC)
ret3,tozero = cv2.threshold(img,170,255,cv2.THRESH_TOZERO)
ret4,tozeroinv = cv2.threshold(img,170,255,cv2.THRESH_TOZERO_INV)

cv2.imshow('gray',img)
cv2.waitKey(0)
cv2.imshow('binary',binary)
cv2.waitKey(0)
cv2.imshow('binartinv',binaryinv)
cv2.waitKey(0)
cv2.imshow('trunc',trunc)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozeroinv',tozeroinv)
cv2.waitKey(0)

四、图像平滑处理（模糊处理）

4.1 增加椒盐噪声

import cv2

image = cv2.imread('../data/image.jpeg')
def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]   #获取图片的高宽
    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 i in range(n):
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result

cv2.imshow('yuantu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)

4.2 滤波器

通过消除图像中的噪声或细节来使图像看起来更为模糊，从而实现平滑效果

可以用来压制、弱化、消除图像中的细节、突变和噪声

4.2.1 均值滤波

对图像每个像素取其邻域内所有像素的平均值，从而达到平滑、降噪的效果。

用滤波核覆盖区域内所有像素的平均值，替换锚点位置的像素值

dst = cv2.blur(src, ksize, anchor=(-1,-1), borderType=cv2.BORDER_DEFAULT)

参数介绍：

src:

输入图像（可以是单通道灰度图或多通道彩色图）

ksize：

滤波核（卷积核）的大小，格式为 (宽度, 高度)，建议是正奇数 （也可填偶数，但奇数效果更稳定），ksize 数值越大，模糊效果越强，但图像细节丢失越多

anchor: (-1,-1)

核的锚点（即滤波时的参考点），表示核中对应像素的位置，一般不用改。

borderType：图像边界填充方式（默认即可）

cv2.BORDER_DEFAULT：默认填充

cv2.BORDER_CONSTANT：常量填充（黑色）

import cv2
import pandas as pd

image = cv2.imread('../data/image.jpeg')
def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]   #获取图片的高宽
    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 i in range(n):
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result

cv2.imshow('yuantu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)

#均值滤波
blur_1 = cv2.blur(noise,(5,5))
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)
blur_2 = cv2.blur(noise,(13,13))
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)

4.2.2 方框滤波

用当前像素点周围nxn(ksize滤波核有关)个像素值的和来代替当前像素值。

cv2.boxFilter (src, ddepth, ksize, anchor,normalize, borderType)

参数介绍：

src:

需要处理的图像（单通道灰度图 / 多通道彩色图）

ddepth(int):

输出图像的深度（数据类型），常用值：cv2.CV_8U：8 位无符号整数（和原图一致）-1：表示输出图像深度与输入图像相同（建议）

ksize：

滤波核大小，格式为 (宽度, 高度)，需为正整数（奇数更稳定）

anchor：

核的锚点（-1,-1）（锚点在核中心）

borderType：

图像边界填充方式

normalize（布尔值）：

是否归一化

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。 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

注意：normalize=False 时，必须将 ddepth 设为 cv2.CV_32F/cv2.CV_64F，否则 8 位图像求和后会溢出（像素值被截断，出现大片白色）

import cv2
import pandas as pd

image = cv2.imread('../data/image.jpeg')
def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]   #获取图片的高宽
    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 i in range(n):
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result

boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize = True)
cv2.imshow('boxFilter_1',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize = False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)

4.2.3 高斯滤波（专门针对高斯噪声（如低光照片的颗粒感））

对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

目标像素值 = 核内每个像素值 × 对应权重 的总和；

相比均值滤波（cv2.blur()），高斯滤波对图像的模糊更 "自然"，能更好地保留图像整体轮廓，同时有效去除高斯噪声

dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY=None, borderType)

参数介绍：

src:

需要处理的图像（单通道灰度图 / 多通道彩色图）

ksize：（建议奇数）

高斯核大小，格式为 (宽度, 高度)

sigmaX：

X 方向的高斯核标准差（σ），核心控制模糊程度：σ 越大，权重分布越分散，模糊越强

sigmaY：（默认None）

Y 方向的高斯核标准差，若设为 None/0（常用），自动等于 sigmaX， 若设为非 0 值，可实现 X/Y 方向不同程度的模糊。

borderType：

图像边界填充方式。

import cv2
import pandas as pd

image = cv2.imread('../data/image.jpeg')
def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]   #获取图片的高宽
    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 i in range(n):
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result


GaussianB = cv2.GaussianBlur(noise,(3,3),1)  #标准差为1，标准正态分布
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)

4.2.4 中值滤波（仅针对椒盐噪声（黑白斑点）效果最佳，对高斯噪声（颗粒感）效果差，需搭配高斯滤波使用）

不做加权 / 平均计算，而是取滤波核内像素值的中位数替换锚点像素值。

cv2.medianBlur(src, ksize)

参数介绍：

src:

单通道灰度图 / 多通道彩色图（彩色图会对每个通道独立计算）(仅支持 uint8/uint16/float32 类型)

ksize:

滤波核的尺寸（边长）

import cv2
import pandas as pd

image = cv2.imread('../data/image.jpeg')
def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]   #获取图片的高宽
    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 i in range(n):
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result

medianB = cv2.medianBlur(noise,3)
cv2.imshow('medianBlur',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()