【OpenCV 核心基础操作全解析：从边界填充到图像平滑】

OpenCV 作为 Python 计算机视觉领域的核心库，其基础操作是入门计算机视觉的必经之路。本文将围绕边界填充、图像运算、阈值处理、图像平滑四大核心模块，结合实战代码拆解原理与应用，帮助新手快速掌握 OpenCV 图像预处理的核心逻辑。

一、环境准备

1. 依赖安装

确保已安装 OpenCV 和 NumPy 库，执行以下命令完成安装：

python 复制代码

pip install opencv-python numpy

2. 素材准备

准备 1-2 张测试图片（如 zx_min.jpg、lp.png），放置在代码同级目录下，建议选择彩色、分辨率适中的图片，便于观察处理效果。

二、核心操作详解

（一）边界填充：给图像添加自定义边框

边界填充（Padding）是图像预处理的基础操作，常用于卷积运算中边缘信息补全、图像可视化时的边框美化等场景，OpenCV 中通过 cv2.copyMakeBorder() 实现。

函数核心参数

python 复制代码

cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

参数	说明
`src`	待填充的原始图像
`top/bottom/left/right`	上 / 下 / 左 / 右四个方向的边框宽度（单位：像素）
`borderType`	边框类型（核心：5 种预设类型）
`value`	仅 `BORDER_CONSTANT` 类型需要，指定边框颜色（BGR 格式，如 (299,25,80)）

5 种边框类型对比

边框类型	填充规则	效果示例（以序列 abcdefgh 为例）
`BORDER_CONSTANT`	固定颜色填充	` 自定义颜色	abcdefgh	自定义颜色 `
`BORDER_REFLECT`	镜面反射（包含边界像素重复）	`gfedcba	abcdefgh	hgfedcba`
`BORDER_REFLECT101`	镜面反射（无边界重复，推荐）	`gfedcb	abcdefgh	gfedcb`
`BORDER_REPLICATE`	重复边界像素	`aaaaaa	abcdefgh	hhhhhhh`
`BORDER_WRAP`	循环填充（上下左右边界互替）	`cdefgh	abcdefgh	abcdefg`

实战代码

python 复制代码

'''----------------边界填充-------------------------'''
# cv2.copyMakeBorder()是OpenCV库中的一个函数，用于给图像添加额外的边界(padding)。
# copyMakeBorder(src: UMat, top: int, bottom: int, left: int, right: int, borderType: int, dst: UMat | None = ..., value: cv2.typing.Scalar = ...)
# 它有以下几个参数：
# src:要扩充边界的原始图像。
# top, bottom, left, right:相应方向上的边框宽度。
# borderType:定义要添加边框的类型，它可以是以下的一种：
# cv2.BORDER_CONSTANT:添加的边界框像素值为常数(需要额外再给定一个参数)。
# cv2.BORDER_REFLECT:添加的边框像素将是边界元素的镜面反射，类似于gfedcba|abcdefgh|hgfedcba。 (交界处也复制了）
# cv2.BORDER_REFLECT_101 或 cv2.BORDER_DEFAULT：和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba  (交接处删除了）
# cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似于aaaaaa|abcdefgh|hhhhhhh
# cv2.BORDER_WRAP：上下左右边依次替换，cdefgh|abcdefgh|abcdefg


import cv2
zm=cv2.imread('zx_min.jpg')
# zm=cv2.resize(zm,dsize=None,fx=0.5,fy=0.5)
# zm=cv2.resize(zm,(640,480))
top,bottom,left,right=50,50,50,50
consant=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(299,25,80))
reflect=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_WRAP)

cv2.imshow('zx_min',zm)
# cv2.waitKey(0)
cv2.imshow('CONSTANT',consant)
# cv2.waitKey(0)
cv2.imshow('REFLECT',reflect)
# cv2.waitKey(0)
cv2.imshow('REFLECT101',reflect101)
# cv2.waitKey(0)
cv2.imshow('REPLICATE',replicate)
# cv2.waitKey(0)
cv2.imshow('WRAP',wrap)
cv2.waitKey(0)

cv2.destroyAllWindows()

（二）图像运算：像素级加法与加权融合

图像运算的本质是对像素值的逐点计算，核心分为普通加法 和加权加法，适用于图像融合、亮度调节等场景。

1. 普通加法：两种规则的差异

运算方式	核心规则	代码示例
原生 `+` 号	超过 255 取余（`(a+b)%256`），易导致颜色失真	`c = a[区域] + b[区域]`
`cv2.add()`	超过 255 取 255（饱和加法），符合人眼视觉习惯	`c = cv2.add(a, b)`

注意：加法运算要求两张图像尺寸、通道数完全一致，需先用 cv2.resize() 统一尺寸。

2. 加权加法：图像融合的核心

加权加法通过 cv2.addWeighted() 实现，支持调节图像透明度，公式为：

• alpha/beta：两张图像的权重（通常和为 1，如 0.5+0.5）；

• gamma：亮度调节常量（可正可负，如 10 表示整体亮度 +10）。

实战代码：

python 复制代码

'''-----------------图像运算-----------------------'''
# 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('lp.png')  
b = cv2.imread('zx_min.jpg')  

# 3. 对图片a的所有像素值加10（像素级加法，遵循模256规则）
# 原理：每个像素的B/G/R三个通道值都+10，比如像素(100,150,200)→(110,160,210)；若加完超255则取余，如(250,250,250)+10→(4,4,4)
c = a + 10  
cv2.imshow('yuan', a)  
cv2.imshow('a+10', c)  
cv2.waitKey(0)  

# 7. 截取图片a和b的指定区域并逐像素相加
# a[50:450,50:400]：截取a的行50到449、列50到399的矩形区域（高400像素，宽350像素）
# b[50:450,50:400]：截取b的相同位置区域（要求b的尺寸≥450行×400列，否则报错）
# 加法规则：对应位置的像素值相加，超255则取余（如250+10=260→260-256=4）
c = a[50:450,50:400] + b[50:450,50:400]  
cv2.imshow('a+b', c)  
cv2.waitKey(0)  

# 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
#

# 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dst=src1xa+src2xB+V

import cv2
a = cv2.imread('lp.png')  
b = cv2.imread('zx_min.jpg')  
# 3. 将图片b缩放为 400x400 像素（宽400，高400）
# cv2.resize(待缩放图像, (目标宽度, 目标高度))：统一尺寸是像素运算的前提
b = cv2.resize(b, (400, 400))  
# 4. 将图片a也缩放为 400x400 像素，保证和b尺寸完全一致
# （cv2.addWeighted要求两张图像尺寸、通道数必须相同，否则报错）
a = cv2.resize(a, (400, 400))  
# 5. 图像加权融合（核心函数：cv2.addWeighted）
# 公式：c = a*0.5 + b*0.5 + 10
# 参数说明：
#   a：第一张输入图像
#   0.5：a的权重（表示a占融合结果的50%透明度）
#   b：第二张输入图像
#   0.5：b的权重（表示b占融合结果的50%透明度）
#   10：亮度调节常量（给所有像素值加10，整体提亮，可正可负）
c = cv2.addWeighted(a, 0.5, b, 0.5, 10)  
cv2.imshow('addWeighted', c)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

（三）阈值处理：图像二值化的核心

阈值处理是将灰度图像转为黑白二值图的关键操作，通过设定 "像素分界线"（阈值）区分前景与背景，核心函数为 cv2.threshold()。

1. 函数核心参数

python 复制代码

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

thresh：阈值（0-255，如 150）；
maxval：最大值（通常为 255，代表纯白）；
type：阈值处理类型（5 种核心类型）。

2. 5 种阈值类型规则（以阈值 150 为例）

类型	处理规则	视觉效果
`THRESH_BINARY`	≥150 → 255（白），<150 → 0（黑）	亮区变白，暗区变黑
`THRESH_BINARY_INV`	≥150 → 0（黑），<150 → 255（白）	亮区变黑，暗区变白
`THRESH_TRUNC`	≥150 → 150（截断），<150 → 原值	亮区 "封顶"，暗区不变
`THRESH_TOZERO`	≥150 → 原值，<150 → 0（黑）	亮区保留，暗区变黑
`THRESH_TOZERO_INV`	≥150 → 0（黑），<150 → 原值	亮区变黑，暗区保留

3. 实战代码

python 复制代码

import cv2

import cv2

# 读取图片并转为灰度图（参数0指定灰度模式，像素值范围0-255）
image = cv2.imread('lpp.png', 0)  

# 阈值处理核心参数：阈值150，最大值255（纯白）
# 1. 二值化：≥150→255(白)，<150→0(黑) | ret返回实际使用的阈值（此处为150）
ret, binary = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY)  
# 2. 反向二值化：≥150→0(黑)，<150→255(白)
ret1, binaryinv = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY_INV)  

# 3. 截断处理：≥150→150(封顶)，<150→保留原值
ret2, trunc = cv2.threshold(image, 150, 255, cv2.THRESH_TRUNC)  
# 4. 低于阈值置0：≥150→保留原值，<150→0(黑)
ret3, tozero = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO)  
# 5. 高于阈值置0：≥150→0(黑)，<150→保留原值
ret4, tozeroinv = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO_INV)  

# 显示所有处理结果（一次性展示，按任意键关闭所有窗口）
cv2.imshow('gray', image)        # 灰度原图
cv2.imshow('binary', binary)    # 二值化结果
cv2.imshow('binaryinv', binaryinv)  # 反向二值化
cv2.imshow('trunc', trunc)      # 截断效果
cv2.imshow('tozero', tozero)    # 低于阈值置0
cv2.imshow('tozeroinv', tozeroinv)  # 高于阈值置0
cv2.waitKey(0)  # 阻塞窗口，按任意键退出

（四）图像平滑：噪声去除的核心手段

图像平滑（模糊处理）通过消除噪声、弱化细节实现图像模糊，常用滤波器包括均值滤波、方框滤波、高斯滤波、中值滤波，以下先实现 "添加椒盐噪声" 模拟真实场景，再演示滤波效果。

1. 生成椒盐噪声（模拟图像噪声）

python 复制代码

import cv2
import numpy as np

# 定义添加椒盐噪声的函数
def add_peppersalt_noise(image, n=10000):
    result = image.copy()  # 避免修改原图
    h, w = image.shape[:2]  # 对于彩色图像（默认 BGR 格式）：image.shape 返回 (高度, 宽度, 通道数)，例如 (720, 1080, 3)；对于灰度图像（单通道）：image.shape 返回 (高度, 宽度)，例如 (720, 1080)；获取图像高、宽
    for i in range(n):
        # 随机生成噪声点坐标
        x = np.random.randint(0, h)
        y = np.random.randint(0, w)
        # 随机生成黑色（0）或白色（255）噪声
        result[x, y] = 0 if np.random.randint(0,2)==0 else 255
    return result

# 读取图像并添加噪声
image = cv2.imread('zx_min.jpg')
noise_image = add_peppersalt_noise(image)

# 显示原图与噪声图
cv2.imshow('原图', image)
cv2.imshow('椒盐噪声图', noise_image)

2. 常用滤波器实战

python 复制代码

# 1. 均值滤波（邻域平均，核越大越模糊）
blur_3 = cv2.blur(noise_image, (3,3))  # 3x3 核（轻度模糊）
blur_63 = cv2.blur(noise_image, (63,63))  # 63x63 核（重度模糊）
cv2.imshow('均值滤波 3x3', blur_3)
cv2.imshow('均值滤波 63x63', blur_63)

# 2. 方框滤波（可归一化/非归一化）
# normalize=True：等价于均值滤波；False：像素值求和（易过曝）
一、核心结论
cv2.boxFilter() 中 normalize=True/False 决定了是否对滤波后的像素值进行归一化（均值化），是方框滤波的核心参数，直接影响滤波效果：

normalize=True：归一化（默认）→ 等价于均值滤波，滤波后图像亮度正常；
normalize=False：不归一化 → 像素值直接求和，大概率溢出（255），图像整体偏白 / 过曝。

二、原理拆解（3×3 核为例）
1. 方框滤波的本质
方框滤波是对图像中每个像素的「邻域（核大小）内所有像素值求和」，再根据 normalize 参数决定是否除以邻域像素总数：
邻域像素总数 = 核的宽 × 核的高（3×3 核 = 9 个像素）
 normalize=True（归一化）

计算公式：目标像素值=邻域像素总数/邻域内所有像素值之和
例：3×3 邻域像素和为 1000 → 目标值 = 1000/9 ≈ 111（正常范围 0-255）；
• 效果：和 cv2.blur(noise, (3,3)) 完全一致，是常规的 "均值模糊"，图像亮度自然。
normalize=False（不归一化）
计算公式：目标像素值=
例：3×3 邻域像素和为 1000 → 目标值 = 1000（远超 255）；
关键：OpenCV 中图像像素值默认是 uint8 类型（0-255），超过 255 的部分会被截断为 255（饱和处理）；
效果：大部分像素值直接溢出为 255，图像呈现大面积白色（过曝），仅极少数暗区域可能保留细节。




box_norm = cv2.boxFilter(noise_image, -1, (3,3), normalize=True)
box_unnorm = cv2.boxFilter(noise_image, -1, (3,3), normalize=False)
cv2.imshow('方框滤波（归一化）', box_norm)
cv2.imshow('方框滤波（非归一化）', box_unnorm)

# 3. 高斯滤波（高斯权重，模糊更自然）
gaussian = cv2.GaussianBlur(noise_image, (3,3), 1)
cv2.imshow('高斯滤波 3x3', gaussian)

# 4. 中值滤波（专治椒盐噪声）
median = cv2.medianBlur(noise_image, 3)  # 核大小为奇数
cv2.imshow('中值滤波 3x3', median)

cv2.waitKey(0)
cv2.destroyAllWindows()

滤波器效果对比

滤波器	核心特点	最佳适用场景
均值滤波	简单平均，模糊均匀	轻度降噪、整体模糊
方框滤波	可选择是否归一化	自定义权重求和、特殊效果
高斯滤波	高斯权重，边缘更柔和	自然模糊、保留边缘的降噪
中值滤波	取邻域中值，无像素求和	椒盐噪声去除（效果最佳）

三、核心总结

边界填充 ：BORDER_REFLECT101 是卷积操作补边的首选，BORDER_CONSTANT 适合自定义颜色边框；
图像运算 ：cv2.add() 优于原生 + 号，addWeighted() 是图像融合的核心函数；
阈值处理：二值化是图像分割基础，阈值需根据图像亮度灵活调整（建议 120-180 之间调试）；
图像平滑：中值滤波对椒盐噪声效果最佳，高斯滤波模糊更自然，滤波核越大效果越明显（需为奇数）。

四、注意事项

所有操作前需校验图像读取是否成功（if image is None），避免路径错误导致报错；
像素运算、滤波等操作需保证图像尺寸 / 通道数一致，必要时用 cv2.resize() 统一；
阈值处理建议先转为灰度图，彩色图需分通道处理；
显示图像后需调用 cv2.waitKey(0) 阻塞窗口，最后用 cv2.destroyAllWindows() 释放资源。