一、实践效果
将图片test.jpg放在桌面，编写代码 cv_lesson2.py
import cv2
import numpy as np
#读取图片
img = cv2.imread("test.jpg")
# 功能1： 彩色图-》灰度图（黑白）
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow("gray",gray)
#功能2： 高斯模糊（磨皮/去噪）
blur = cv2.GaussionBlur(gray,(9,9),0)
cv2.imshow("blur",blur)
#功能3：canny边缘检测（找轮廓）
canny = cv2.Canny(blur,50,150) #边缘检测
cv2.imshow("canny",canny)
#等待案件，关闭所有窗口
cv2.waitkay(0)
cv2.destroyAllWindows()1. 灰度图
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
- 彩色图有 3 个颜色通道，灰度图只有 1 个通道，计算更快
- 几乎所有 CV 识别任务，第一步都是转灰度图
2. 高斯模糊
cv2.GaussianBlur(gray, (9,9), 0)
(9,9)：模糊核大小，数字越大模糊越强（必须是奇数：3,5,7,9...）- 作用：去掉图片杂点，让边缘检测更精准
3. Canny 边缘检测
cv2.Canny(blur, 50, 150)
- CV 最经典的边缘检测算法
- 能找出图片里所有物体的轮廓线
- 后面做人脸、车牌、物体检测全靠它
- 把
(9,9)改成(3,3)→ 模糊变弱 - 把
(9,9)改成(15,15)→ 非常模糊 - 把
50,150改成100,200→ 边缘变少
二、原理讲解
1. 灰度化原理
把RGB三种颜色，加权平均成一个亮度值，变成黑白
- 彩色图 = 3 层数据：R (红)、G (绿)、B (蓝)
- 灰度图 = 1 层数据：亮度
- 公式（OpenCV 内部自动算）：
灰度值 = 0.299×R + 0.587×G + 0.114×B
为什么要这么算？
人眼对绿色最敏感，对蓝色最不敏感，所以加权后更接近人眼看到的黑白效果。
作用：
减少计算量、去掉颜色干扰、让后续算法更快更准。
2. 模糊化（高斯模糊）原理
让每个像素，都和周围像素 "平均一下"，画面就变柔变模糊。
通俗比喻：
就像你给照片抹了一层雾。
详细原理：
- 用一个小窗口（比如 3×3、9×9）在图片上滑动
- 窗口中心的像素 = 窗口内所有像素的加权平均值
- 高斯模糊 = 按正态分布加权，中间权重高，周围权重低
作用：
去噪点、让图像更平滑、防止边缘检测抓到杂线。
- 边缘检测（Canny）原理
找到像素值 "突然变化" 的地方，那就是边缘！
通俗比喻：
想象你在走路：
- 平地走 = 像素变化小 = 不是边缘
- 突然下台阶 = 像素变化大 = 边缘！
详细原理（OpenCV 内部 4 步）：
- 先高斯模糊去噪
- 计算每个点的像素梯度（变化大小）
- 保留变化最大的点
- 双阈值筛选，留下真正的边缘
作用：
提取物体轮廓，是人脸识别、物体检测的基础！
总结：
- 灰度化：去掉颜色，只留亮度
- 模糊化：像素周围平均，去噪柔化
- 边缘检测：找像素突变的地方，画轮廓线