【Open CV图像处理】修改运算与平滑处理

import cv2
import numpy as np
# 图片打码
a = cv2.imread(r'./xin.jpg')
xxx = np.random.randint(0, 256, (3, 3))
print(xxx)
a[100:200, 200:300] = np.random.randint(0, 256, (100, 100, 3))
cv2.imshow('masaike', a)
cv2.waitKey(0)
cv2.destroyAllWindows()

图片本质是三维numpy数组：(高度, 宽度, 3个RGB通道)，可通过数组切片直接修改像素。
切片语法：a $高度起始:高度结束, 宽度起始:宽度结束$ ，对应图片的矩形区域。
np.random.randint(0,256,(h,w,3))：生成0~255的随机像素值，模拟马赛克效果。

注意：

赋值的数组大小必须完全匹配切片区域的大小

切片：100:200 高度共 100行，200:300 宽度共 100列

随机数组必须是 (100,100,3)，行列数量不一致会直接报错。

运行效果

图片组合

python 复制代码

# 图片组合
a = cv2.imread('xin.jpg')
b = cv2.imread('o.png')
b[200:350, 200:350] = a[50:200, 100:250]
cv2.imshow('b', b)
cv2.imshow('a', a)
cv2.waitKey(0)
cv2.destroyAllWindows()

图片像素可以跨图片复制粘贴：将一张图的像素区域，直接赋值给另一张图的区域。
原理：OpenCV图片均为numpy数组，数组之间支持直接赋值操作。

注意：

两张图片的切片区域，尺寸必须严格一致，行列数量不匹配，会直接报错。

运行效果

图片缩放

python 复制代码

# 图片缩放
a = cv2.imread('xin.jpg')
# 写法1：直接指定宽高缩放
a_new = cv2.resize(a, dsize=(600,200))
# 写法2：按比例缩放（fx宽比例、fy高比例）
# a_new = cv2.resize(a, None, fx=1.5, fy=0.5)
cv2.imshow('a',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

两个核心使用方式：

方式1：dsize=(宽度, 高度)，直接指定输出图片的宽高

方式2：fx、fy 缩放系数，fx=1.5代表宽度放大1.5倍，fy=0.5代表高度缩小一半

注意：

dsize 格式为 (宽, 高)，与图片数组(高,宽)顺序相反，容易写反。
两种缩放方式二选一：指定dsize后，fx/fy会自动失效。
缩小图片会丢失细节，放大图片会产生模糊，无法还原原始清晰度。

运行效果

二、图像运算

图片加法

python 复制代码

import cv2
# 图像加法运算:当某位置像素相加得到的数值大于255时，将该位置数值相加结果阶段减去256（例如：相加后得到260，实际是260-256=4）
a = cv2.imread('mimi.jpg')
b = cv2.imread('xin_new.jpg')
c = a+100
cv2.imshow('yuan', a)
cv2.imshow('a+10', c)
cv2.waitKey(0)
c = a[50:450, 50:450]+b[50:450, 50:450]
cv2.imshow('a+b', c)
cv2.waitKey(0)

像素和 <255：结果 = 两像素直接相加
像素和 >255：执行取模运算（循环截断），公式：结果 = 总和 - 256

例：260 → 260-256 = 4

注意：

他的本质是 numpy 数组运算，遵循 uint8 类型的循环溢出规则

两张图片相加时，参与运算的区域尺寸必须完全一致，否则直接报错

运行效果

cv2.add（）运算

python 复制代码

# cv2.add()运算规则：当某位置像素相加得到的数字大于255时，该位置数值为255
a = cv2.imread('mimi.jpg')
b = cv2.imread('xin_new.jpg')
b = cv2.resize(b, (400, 400))
a = cv2.resize(a, (400, 400))
c = cv2.add(a, b)
cv2.imshow('a add b', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

像素和 <255：结果 = 两像素直接相加
像素和 >255：执行饱和截断，直接固定最大值为255

注意：

他与 + 运算最大区别是，溢出后不会归零，直接保持纯白255
两张图片宽高必须完全一致，否则运算直接报错
专门用于图像融合，是OpenCV官方推荐的加法方式

运行效果

图片加权运算

python 复制代码

# 图像加权运算:计算两张图片的像素值之和，将每张图的权重都考虑进来（公式c像素=a像素×α权重+b像素×β权重+γ偏移量/变亮变暗）
a = cv2.imread('mimi.jpg')
b = cv2.imread('xin_new.jpg')
b = cv2.resize(b, (400, 400))
a = cv2.resize(a, (400, 400))
c = cv2.addWeighted(a, 0.5, b, 0.4, 10)
cv2.imshow('addWeighed', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

公式：dst = src1 × α + src2 × β + γ

alpha(α)：第一张图的权重系数（透明度，0~1之间）

beta(β)：第二张图的权重系数（透明度，0~1之间）

gamma(γ)：全局亮度偏移值，给整张融合图片统一提亮/压暗

注意：

同样要求两张图片尺寸完全一致
权重之和 alpha+beta 通常设为1，保证亮度均衡；大于1画面会整体变亮
gamma为最终提亮值，正数提亮、负数压暗，是调整画面明暗的常用参数

运行效果

阈值处理

剔除图像内像素值高于/低于设定阈值的像素点，实现图像二值分割（黑白区分）。

标准函数格式：

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

src：需要做阈值分割的图像，必须先转为灰度图（代码中 flags=0 就是读取灰度图）
thresh：手动设定的分割阈值
maxval：像素超过阈值时填充的最大值
type：阈值分割的5种类型

返回值

retval：最终生效的阈值（手动设置时和thresh一致，自动阈值算法才会变化）

dst：阈值处理后的结果图像

阈值类型	像素值 > 175	其他情况（≤175）	含义
cv2.THRESH_BINARY	设为maxval(255)（纯白）	设为0（纯黑）	标准二值化：亮部变白，暗部变黑
cv2.THRESH_BINARY_INV	设为0（纯黑）	设为maxval(255)（纯白）	反二值化：亮部变黑，暗部变白
cv2.THRESH_TRUNC	固定为阈值175	保持原灰度值	高光截断：超过阈值的像素统一变暗，画面呈现灰调
cv2.THRESH_TOZERO	保持原灰度值	设为0（纯黑）	暗部抑制：低于阈值的像素变黑，亮部保持不变
cv2.THRESH_TOZERO_INV	设为0（纯黑）	保持原灰度值	亮部抑制：高于阈值的像素变黑，暗部保持不变

python 复制代码

import cv2
image = cv2.imread('zl.png', 0)
ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV)
cv2.imshow('gray', image)
cv2.waitKey(0)
cv2.imshow('binary', binary)
cv2.waitKey(0)
cv2.imshow('binaryinv', 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)

强制灰度图：threshold 函数只能接收单通道灰度图，彩色图必须先转灰度，否则直接报错
maxval仅2种模式生效：只有 BINARY / BINARY_INV 会用到maxval，另外3种类型该参数无效
像素取值范围：所有阈值处理基于 0~255 的uint8像素值，超出范围会直接截断

运行效果

三、图像平滑处理

椒盐噪声生成

给图片添加椒盐噪声（黑白随机噪点）

定义生成椒盐噪点的函数
读取原图并显示
调用函数生成带噪点的图片
显示带噪点的图片

python 复制代码

import cv2
import numpy as np
# 导入OpenCV图像处理库与数值计算库，是所有OpenCV项目的基础依赖。
# 定义【椒盐噪声生成函数】
def add_peppersalt_noise(image, n=10000):
    # 复制原图，避免直接修改原始图片
    result = image.copy()
    # 获取图片的高度、宽度（shape[:2]只取前两个维度，排除RGB通道）
    h, w = image.shape[:2]
    
    # 循环n次，生成n个随机噪点
    for i in range(n):
        # 随机生成x坐标（纵向：0 ~ 图片高度h之间）
        x = np.random.randint(0, h)
        # 随机生成y坐标（横向：0 ~ 图片宽度w之间）
        y = np.random.randint(0, w)
        
        # 50%概率生成黑点，50%概率生成白点
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0      # 0 = 纯黑色（胡椒噪点）
        else:
            result[x, y] = 255     # 255 = 纯白色（盐粒噪点）
    
    # 返回添加完噪点的图片
    return result

函数核心知识点1. 椒盐噪声定义：0 → 黑色胡椒噪点，255 → 白色盐粒噪点

参数n=10000：噪点的总数量，数值越大噪点越密集，画面越模糊。
image.copy()：复制原图操作，核心原则：绝对不能直接修改原始图片。
np.random.randint(0,2)：随机生成0或1，保证黑白噪点的生成概率各占一半。

python 复制代码

# 读取原始图片
image = cv2.imread('xin_new.png')
# 显示原图
cv2.imshow('yntu', image)
cv2.waitKey(0)  # 等待按键，不按则窗口一直停留
# 调用函数，给图片添加椒盐噪点
noise = add_peppersalt_noise(image)
# 显示添加噪点后的图片
cv2.imshow('noise', noise)
cv2.waitKey(0)

注意：

彩色图兼容：该函数可直接用于彩色图片，代码会自动给3个RGB通道同时添加黑白噪点，无需额外修改。
噪点数量调整：

n=5000：轻微噪点

n=10000：常规密度噪点（当前代码默认值）

n=50000：重度噪点，画面会严重受损

滤波处理

均值滤波

python 复制代码

blur_1 = cv2.blur(noise, (3, 3))
cv2.imshow('blur_1', blur_1)
cv2.waitKey(0)
blur_2 = cv2.blur(noise, (63, 63))
cv2.imshow('blur_2', blur_2)
cv2.waitKey(0)

参数 (3,3)：卷积核大小，代表取周围3×3=9个像素，求平均值替换中心像素
原理：邻域所有像素取平均值，让整体画面模糊平滑
两组对比效果：

(3,3)：小卷积核，轻微模糊，能去除部分噪点

(63,63)：大卷积核，画面极度模糊，丢失大量细节

去除噪声效果差，只能弱化噪点，无法彻底清除，画面会整体发糊。

效果展示

方框滤波

python 复制代码

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)

-1：输出图像深度，固定写 -1 即可，代表和原图格式保持一致
(3,3)：卷积核大小，和均值滤波完全一致
normalize

True 归一化：求和后÷像素数量，结果和 cv2.blur 均值滤波一模一样

False 不归一化：直接累加所有像素值，数值极易超过255，画面会变成几乎纯白色

方框滤波本质是均值滤波的通用版，仅归一化模式有实际使用价值。

高斯滤波

python 复制代码

GaussianB = cv2.GaussianBlur(noise, (3,3), sigmaX=1)
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)

原理：距离中心越近的像素权重越高，模拟人眼观察效果，模糊效果更自然
参数 sigmaX=1：X方向高斯标准差，数值越大，模糊程度越强

去噪效果优于均值滤波，画面不会出现生硬的方块模糊，但对椒盐噪声的去除效果依旧一般，仅能弱化噪点，无法彻底清除

中值滤波

python 复制代码

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

参数 3：卷积核尺寸，必须是奇数（3、5、7......）
原理：取3×3邻域内所有像素的中间值，直接剔除0和255的极值噪点

去除椒盐噪声效果最好，能直接清除黑白噪点，画面保留细节，不会像均值滤波一样整体严重发糊

效果展示

视频平滑处理作业

给定一个视频文件：'test.avi'，要求完成以下操作：

1、使其每一帧画面都随机生成10000个黑白点（椒盐噪声）添加噪声效果，

2、然后选择合适的图像平滑处理方法，处理每一帧画面，消除噪声的同时尽可能使原画面清晰，

3、同时弹出三个窗口，分别展示原视频、含有噪声的视频、平滑处理后的视频。

代码实现

python 复制代码

import cv2
import numpy as np

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)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x, y] = 255
    return result

video_capture = cv2.VideoCapture('test.avi')
if not video_capture.isOpened():
    print("无法打开视频文件")
    exit()

while True:
    ret, frame = video_capture.read()
    if not ret:
        break
    noise_frame = add_peppersalt_noise(frame, n=10000)
    medianB_frame = cv2.medianBlur(noise_frame, 3)
    cv2.imshow('yuan Video', frame)
    cv2.imshow('Noise Video', noise_frame)
    cv2.imshow('medianB Video', medianB_frame)
    if cv2.waitKey(100) == 27:
        break
video_capture.release()
cv2.destroyAllWindows()

代码解读

整体逻辑流程

定义函数：给单张图片添加椒盐黑白噪点
打开视频文件，循环读取每一帧画面
给每一帧视频画面添加噪点
使用中值滤波去除椒盐噪点
同时显示「原图、带噪视频、去噪后视频」三个窗口，对比效果
按下ESC键结束程序

第一部分：椒盐噪声生成函数

python 复制代码

import cv2
import numpy as np
# 定义椒盐噪声生成函数
def add_peppersalt_noise(image, n=10000):
    # 复制原图，绝对不修改原始图片
    result = image.copy()
    # 获取图片高度、宽度（只取前两个维度，排除RGB通道）
    h, w = image.shape[:2]
    # 循环n次，生成n个随机噪点
    for i in range(n):
        # 随机生成纵向坐标x（0 ~ 图片高度之间）
        x = np.random.randint(0, h)
        # 随机生成横向坐标y（0 ~ 图片宽度之间）
        y = np.random.randint(0, w)
        # 50%概率生成黑点，50%概率生成白点
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0      # 0 = 纯黑色（胡椒噪点）
        else:
            result[x, y] = 255     # 255 = 纯白色（盐粒噪点）
    return result

第二部分：视频读取 + 逐帧处理逻辑

python 复制代码

# 打开视频文件test.avi
video_capture = cv2.VideoCapture('test.avi')
# 判断视频是否成功打开
if not video_capture.isOpened():
    print("无法打开视频文件")
    exit()
# 无限循环读取视频每一帧
while True:
    # 读取一帧画面：ret=是否读取成功，frame=当前帧图片
    ret, frame = video_capture.read()
    # 视频播放完毕，跳出循环结束
    if not ret:
        break
    
    # 1. 给当前帧添加椒盐噪点
    noise_frame = add_peppersalt_noise(frame, n=10000)
    # 2. 中值滤波去除椒盐噪点（3×3卷积核，去噪最优方案）
    medianB_frame = cv2.medianBlur(noise_frame, 3)
    
    # 三个窗口同步显示，实时对比效果
    cv2.imshow('yuan Video', frame)        # 原始干净视频
    cv2.imshow('Noise Video', noise_frame) # 布满黑白噪点的视频
    cv2.imshow('medianB Video', medianB_frame) # 中值滤波去噪后的视频
    
    # 按下ESC键（按键码27）退出循环
    if cv2.waitKey(100) == 27:
        break

# 释放视频资源，关闭所有窗口
video_capture.release()
cv2.destroyAllWindows()

cv2.VideoCapture('test.avi')：打开视频，视频本质就是连续播放的图片帧

while True 循环：一帧一帧读取视频画面，逐帧处理

关键执行顺序：原图帧 → 添加椒盐噪点 → 中值滤波去噪，处理顺序不能颠倒

中值滤波去除椒盐噪点的效果最好，必须先生成噪点，再去噪

卷积核尺寸必须是奇数（3、5、7......），偶数会直接报错

waitKey(100)：控制视频播放速度，数值越大播放越慢

视频读取完毕后会自动结束循环，不会卡死程序

运行展示