计算机视觉第二课：3 个核心操作（灰度图 + 模糊 + 边缘检测）

一、实践效果

将图片test.jpg放在桌面，编写代码 cv_lesson2.py

复制代码

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