OpenCV——进阶

1.图片的相加

2.图片的相减

3.图片溶合

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

核心计算公式（底层运算逻辑）

dst(x,y)=src1(x,y)×α+src2(x,y)×β+γ

输出图像每个像素 = 图 A 像素 × 权重 α + 图 B 像素 × 权重 β + 偏移常量 γ

参数逐句对应解释

1. src1（A） 第一张输入图像，要求和第二张图尺寸、通道数完全一致，否则无法融合。
2. alpha 图像 A 的融合权重，浮点值，控制 A 在最终画面里的透明度占比； 例：alpha=0.6 → 原图 A 贡献 60% 亮度。
3. src2（B） 第二张输入图像，尺寸、通道必须和 src1 匹配。
4. beta 图像 B 的融合权重，浮点值，控制 B 画面占比； 常规搭配：alpha + beta = 1，避免画面整体过亮 / 过暗，如 alpha=0.4, beta=0.6。
5. gamma（静态权重 / 亮度偏移） 全局亮度偏移常量，叠加到所有像素上：
   • gamma>0：整张图提亮
   • gamma=0：不额外增减亮度
   • gamma<0：整张图压暗

---

关键使用前提

两张图片宽、高、通道数量必须完全相同 ，否则直接报错； 尺寸不一致时，需要先用 cv2.resize() 缩放至统一尺寸。

4.图像的逻辑运算

表格

函数	作用
cv2.bitwise_not(src)	单张图像素按位取反（取反掩码 / 反转图像）
cv2.bitwise_and(a,b,mask)	两张图像素按位与，掩码提取前景
cv2.bitwise_or(a,b)	两张图像素按位或，合并图像
cv2.bitwise_xor(a,b)	两张图像素按位异或，提取差异区域

5.图像的缩放

dst = cv2.resize(src, dsize, fx, fy, interpolation)

参数详解

1. src：原始输入图像

2. dsize=(width, height) 目标尺寸，格式是 (宽度 w, 高度 h)

   ⚠️重点易错：和 img.shape 顺序相反！ img.shape = (H, W, C) dsize = (W, H) 本例：直接把图片强制缩放为宽 200 像素、高 200 像素正方形。

3. fx / fy （可选） 水平、垂直缩放比例； 如果 dsize=(0,0)，启用比例模式：

   new = cv2.resize(img, (0,0), fx=0.5, fy=0.5)

4. interpolation 插值算法（可选）

   表格

   插值方式	使用场景
   cv2.INTER_LINEAR（默认）	放大图像，双线性插值，效果平滑
   cv2.INTER_NEAREST	最近邻，速度最快，容易锯齿
   cv2.INTER_AREA	缩小图像优先选用
   cv2.INTER_CUBIC	放大，效果更好，速度慢

6.图像的翻转

dst = cv2.flip(src, flipCode)

flipCode	翻转效果	通俗说明
0	沿 X 轴翻转（上下翻转）	图像垂直颠倒，上下镜像
>0（常用 1）	沿 Y 轴翻转（左右翻转）	水平镜像，自拍照片常见翻转
<0（常用 - 1）	先左右翻转，再上下翻转	旋转 180° 效果

7.图像的旋转

dst = cv2.rotate(src, rotateCode)

常量	效果
cv2.ROTATE_90_CLOCKWISE	顺时针旋转 90°（当前代码使用）
cv2.ROTATE_180	旋转 180°
cv2.ROTATE_90_COUNTERCLOCKWISE	逆时针旋转 90°（等价顺时针 270°）

8.图像的仿射变换

dst = cv2.warpAffine(src, M, dsize)

cv2.getRotationMatrix2D(center, angle, scale)

参数说明

1. center=(w/2, h/2) 旋转中心点，这里取图像中心 (宽度一半, 高度一半)
2. angle=15 旋转角度（单位：度）
   • 正数：逆时针旋转
   • 负数：顺时针旋转
3. scale=0.2 整体缩放系数，0.2 = 缩小为原图的 20%

本例效果：图片以画面中心逆时针旋转 15°，同时缩小到原来 0.2 倍。

9.透视变换

项目	仿射变换	透视变换
求矩阵函数	getAffineTransform	getPerspectiveTransform
需要匹配点	3 对点	4 对点
变换矩阵	2 行 3 列	3 行 3 列
执行函数	warpAffine	warpPerspective
几何特性	平行线依旧平行，没有近大远小	平行线可以汇聚，模拟相机透视、近大远小
适用场景	旋转、平移、缩放、斜切	文档矫正、俯视转正、鸟瞰变换

10.滤波处理

cv2.filter2D(src, ddepth, kernel) 参数说明

1. src：输入图像
2. ddepth=-1 输出图像位深，填 -1 代表输出图像和原图深度保持一致。
3. kernel：卷积核（滤波器），二维数组

正常数学卷积不做处理，输出图会缩小； 但 OpenCV 的 filter2D 默认开启「边界填充

padding」，保证输出图像宽高和原图一模一样，所以你看不到尺寸缩小。

11.方盒滤波与均值滤波

1、基础概念

① 方盒滤波 cv2.boxFilter(src, ddepth, ksize)

卷积核公式：

\(kernel = \frac{1}{a} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}\)

• normalize=True（默认开启）：\(a = width \times height\)，各个像素求平均值 → 等价均值滤波
• normalize=False：\(a=1\)，只求和，不除以总数，像素容易溢出变白

② 均值滤波 cv2.blur(src, ksize)

本质就是：自动开启归一化的方盒滤波

cv2.blur(img, (5,5))
# 完全等价
cv2.boxFilter(img, -1, (5,5), normalize=True)

12.高斯滤波

dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY)

参数说明：

1. src：原图
2. ksize：卷积核尺寸 必须是奇数 (3,3) (5,5) (7,7)
3. sigmaX：X 方向高斯标准差（控制模糊强度）
   • 如果写 0，OpenCV 自动根据核大小计算 sigma
4. sigmaY：Y 方向标准差，默认 = sigmaX

13.中值滤波

、

dst = cv2.medianBlur(src, ksize)

• src：输入图像
• ksize：核大小，必须是奇数（3,5,7...）

注意！和前面滤波不一样：这里只传一个数字，不是元组 (5,5)

14.双边滤波

dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)

参数说明

1. src：输入图像，只支持 8 位单通道 / 三通道
2. d：滤波窗口直径
   • 推荐：d=5；如果写d=-1，程序自动根据 sigmaSpace 计算
3. sigmaColor 色彩相似度标准差 越大，颜色差异较大的像素也会参与平滑；数值越大磨皮越强
4. sigmaSpace 空间距离标准差 越大，更远的邻域像素参与运算

经验口诀：一般 sigmaColor == sigmaSpace，两者设成相同数值。

15.Sobel 索贝尔算子

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

参数详解

1. src：输入图像
2. ddepth：输出图像深度 ⚠️重点坑：建议使用 cv2.CV_64F 梯度会产生负数（由亮→暗），uint8 会直接截断负数，丢失一部分边缘信息。
3. dx：x 方向导数阶数，dx=1,dy=0 → Sobel X
4. dy：y 方向导数阶数，dx=0,dy=1 → Sobel Y
5. ksize：卷积核大小，只能取 1,3,5,7；默认 3

16.Scharr 算子

dst = cv2.Scharr(src, ddepth, dx, dy)

参数含义和 Sobel 完全一致：

1. src：输入灰度图像
2. ddepth：强烈推荐 cv2.CV_64F 梯度存在正负，uint8 会截断负数，丢失一半边缘
3. dx：x 方向导数阶数，只能取 0 或 1
4. dy：y 方向导数阶数，只能取 0 或 1

限制：dx 和 dy 不能同时等于 1！无法一次性同时求两个方向。

17.Laplacian拉普拉斯算子

dst = cv2.Laplacian(src, ddepth, ksize=1)

参数说明

1. src：输入图像
2. ddepth：输出深度，推荐 cv2.CV_64F 二阶微分同样存在正负值，uint8 直接截断会丢失信息
3. ksize：卷积核大小，取值 1,3,5,7
   • ksize=1：使用上面 4 邻域简易核
   • ksize=3：8 邻域核

18.Canny 边缘检测

Canny 内部 4 大步骤（必背）

1. 高斯模糊降噪 使用 5×5 高斯滤波，消除图像高斯噪声（噪声极易产生虚假边缘）
2. 计算图像梯度（Sobel 算子） Sobel 求 \(G_x、G_y\)，算出梯度幅值与梯度方向
3. 非极大值抑制（NMS） 把 "粗宽边缘" 压缩成单像素细线。 在梯度方向上，仅保留局部最大值，其余像素置 0。
4. 双阈值筛选 设置两个阈值：threshold1(低)、threshold2(高)
   • ＞高阈值：确定边缘
   • ＜低阈值：直接舍弃，不是边缘
   • 介于两者之间：候选边缘，只有和确定边缘相连才保留

优势：可以有效剔除零散噪点形成的伪边缘，输出干净、纤细的轮廓。

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

参数说明

1. image：输入图像，建议传入灰度图
2. threshold1：低阈值
3. threshold2：高阈值 经验：高低阈值比例常用 1:2 ~ 1:3
4. apertureSize：内部 Sobel 核大小，默认 3
5. L2gradient
   • False(默认)：梯度幅值 \(|G_x|+|G_y|\)，速度快
   • True：L2 范数 \(\sqrt{G_x^2+G_y^2}\)，精度更高，略慢