《Opencv》基础操作详解（3）

接上篇：《Opencv》基础操作详解（2）-CSDN博客

Opencv基础操作

目录

Opencv基础操作

18、图像边界填充

 19、阈值处理（图像的二值化）

20、图像平滑处理

（1）、均值滤波（Mean Filtering）

（2）、方框滤波（Box Filtering）

（3）、高斯滤波（Gaussian Filtering）

（4）、中值滤波（Median Filtering）

21、图像形态学操作

（1）、图像腐蚀

（2）、图像膨胀

 （3）、开运算（先腐蚀后膨胀）

（4）、闭运算（先膨胀后腐蚀）

---

18、图像边界填充

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 = ...)

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
img = cv2.imread('./images/img.png')
constant = cv2.copyMakeBorder(img,50,50,50,50,borderType=cv2.BORDER_CONSTANT,value=(229,25,80))
reflact = cv2.copyMakeBorder(img,50,50,50,50,borderType=cv2.BORDER_REFLECT)
reflact101 = cv2.copyMakeBorder(img,50,50,50,50,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(img,50,50,50,50,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(img,50,50,50,50,borderType=cv2.BORDER_WRAP)cv2.imshow('yuan',img)
cv2.waitKey(0)
cv2.imshow('constant',constant)
cv2.waitKey(0)
cv2.imshow('reflact',reflact)
cv2.waitKey(0)
cv2.imshow('reflact101',reflact101)
cv2.waitKey(0)
cv2.imshow('replicate',replicate )
cv2.waitKey(0)
cv2.imshow('wrap',wrap)
cv2.waitKey(0)
cv2.destroyAllWindows()

 19、阈值处理（图像的二值化）

阈值处理是指剔除图像内像素值高于一定值或低于一定值的像素点。

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

retval 代表返回的阈值

dst 代表阈值分割结果图像，与原始图像具有相同的大小和类型

src 代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值

thresh 代表要设定的阈值

maxval 代表type参数位THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值

type 代表阈值分割的类型，具体内容如下表所示:                                    

选项	像素值>thresh	其他情况
cv2.THRESH_BINARY	maxval	0
cv2.THRESH_BINARY_INV	0	maxval
cv2.THRESH_TRUNC	thresh	当前灰度值
cv2.THRESH_TOZERO	当前灰度值	0
cv2.THRESH_TOZERO_INV	0	当前灰度值

img = cv2.imread('./images/img_1.png',0)
ret,binary = cv2.threshold(img,150,255,cv2.THRESH_BINARY)
ret1,binaryinv = cv2.threshold(img,150,255,cv2.THRESH_BINARY_INV)
ret2,trunc = cv2.threshold(img,150,255,cv2.THRESH_TRUNC)
ret3,tozero = cv2.threshold(img,150,255,cv2.THRESH_TOZERO)
ret4,tozeroinv = cv2.threshold(img,150,255,cv2.THRESH_TOZERO_INV)cv2.imshow('yuantu',img)
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)
cv2.destroyAllWindows()
print(ret)

20、图像平滑处理

图像平滑（smoothing）也称为“模糊处理”（bluring）， 是一项简单且使用频率很高的图像处理方法。 可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声。但最常见的是用来减少图像上的噪声或者失真。 降低图像分辨率时，平滑处理是很重要的。

下面是几种在图像平滑处理时常用的滤波器：

（1）、均值滤波（Mean Filtering）

均值滤波是一种简单的线性滤波方法，它通过计算图像中每个像素周围邻域的平均值来替代该像素的值。均值滤波器通常使用一个固定大小的窗口（如3x3、5x5等）在图像上滑动，窗口内的所有像素值的平均值作为中心像素的新值。

dst=cv2.blur(src, ksize, anchor, borderType)

dst 是返回值

src 是需要处理的图像

kszie 是滤波核(卷积核)的大小 anchor是锚点，默认值是（-1，-1）一般无需更改 borderType 是边界样式，一般无需更改

公式：

特点：

• 简单易实现。

• 对高斯噪声有较好的平滑效果。

• 可能会模糊图像的边缘。

（2）、方框滤波（Box Filtering）

方框滤波与均值滤波非常相似，区别在于方框滤波可以选择是否对窗口内的像素值进行归一化。如果不进行归一化，方框滤波实际上就是对窗口内的像素值进行求和。

dst=cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）

dst 是返回值，表示进行方框滤波后得到的处理结果。

src  是需要处理的图像，即原始图像。

ddepth 是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。（可以理解为数据类型）

ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。

anchor 是锚点，（指对应哪个区域）

normalize  表示在滤波时是否进行归一化，当值为True时，归一化，用邻域像素值的和除以面积。 此时方框滤波与 均值滤波 效果相同；当值为False时，不归一化，直接使用邻域像素值的和。和大于255时使用255。

公式：

特点：

• 与均值滤波类似，但可以选择不进行归一化。

• 常用于积分图像的计算。

（3）、高斯滤波（Gaussian Filtering）

高斯滤波是一种加权平均滤波方法，它使用高斯函数来计算窗口内像素的权重。高斯滤波器根据像素与中心像素的距离来分配不同的权重，距离越近的像素权重越大。

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])

src: 输入图像，通常是一个NumPy数组。

ksize: 滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5)表示一个5x5的滤波器。

sigmaX和sigmaY: 分别表示在X轴和Y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0,这意味着没有高斯模糊。

dst: 输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。

公式：

特点：

• 对高斯噪声有很好的平滑效果。

• 相比于均值滤波，高斯滤波能更好地保留图像的边缘信息。

• 计算复杂度较高。

（4）、中值滤波（Median Filtering）

中值滤波是一种非线性滤波方法，它通过计算图像中每个像素周围邻域的中值来替代该像素的值。中值滤波器通常使用一个固定大小的窗口在图像上滑动，窗口内的所有像素值按大小排序后，取中间值作为中心像素的新值。

cv2.medianBlur(src, ksize[, dst])

src: 输入图像。

ksize: 滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示一个5x5的滤波器。

dst: 输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。

公式：

特点：

• 对椒盐噪声（脉冲噪声）有很好的去除效果。

• 不会模糊图像的边缘。

• 计算复杂度较高。

import numpy as np
# 定义添加椒盐噪声的函数
def add_peppersalt_noise(image,n):result = image.copy()h,w = image.shape[:2]for i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2)==0:result[x,y]=0else:result[x,y]=255return resultcat = cv2.imread('./images/cat.jpg')
cv2.imshow('cat',cat)
cv2.waitKey(0)
noise = add_peppersalt_noise(cat,10000)
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 均值滤波
# 3*3卷积核
blur_cat = cv2.blur(noise,(3,3))
cv2.imshow('3*3',blur_cat)
cv2.waitKey(0)
# 5*5卷积核
blur_cat1 = cv2.blur(noise,(5,5))
cv2.imshow('5*5',blur_cat1)
cv2.waitKey(0)# 方框滤波
box_Filter = cv2.boxFilter(noise,-1,(3,3),normalize=True)
cv2.imshow('box_Filter',box_Filter)
cv2.waitKey(0)
box_Filter1 = cv2.boxFilter(noise,-1,(3,3),normalize=False)
cv2.imshow('box_Filter1',box_Filter1)
cv2.waitKey(0)# 高斯滤波
Gaussian_cat = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('Gaussian_cat',Gaussian_cat)
cv2.waitKey(0)# 中值滤波
median_cat = cv2.medianBlur(noise,3)
cv2.imshow('median_cat',median_cat)
cv2.waitKey(0)

21、图像形态学操作

（1）、图像腐蚀

cv2. erode(src, kernel, dst,anchor,iterations,borderType,borderValue)

src:  输入的图像

kernel:  用于腐蚀的结构元件如果element = Mat()，则使用3 × 3的矩形结构单元。

dst:  它是与src相同大小和类型的输出图像。

iterations:  腐蚀操作的迭代次数，默认为1。次数越多, 腐蚀操作执行的次数越多,腐蚀效果越明显

# 图像腐蚀
sun = cv2.imread(r'./images/sun.png')
cv2.imshow('sun',sun)
cv2.waitKey(0)
kernel = np.ones((3,3),np.uint8)
erosion_1 = cv2.erode(sun,kernel,iterations=1)
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

（2）、图像膨胀

cv2.dilate(img, kernel, iteration)

img  目标图片

kernel  进行操作的内核，默认为3×3的矩阵

iterations  膨胀次数，默认为1

# 图像膨胀
wenzi = cv2.imread(r'./images/wenzi.png')
cv2.imshow('wenzi',wenzi)
cv2.waitKey(0)
kernel = np.ones((3,3),np.uint8)
wenzi_new = cv2.dilate(wenzi,kernel,iterations=1)
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(0)

 （3）、开运算（先腐蚀后膨胀）

# 开运算（先腐蚀后膨胀）
zhiwen = cv2.imread(r'./images/zhiwen.png')
cv2.imshow('zhiwen',zhiwen)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel)
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)

（4）、闭运算（先膨胀后腐蚀）

# 闭运算（先膨胀后腐蚀）
zhiwen_duan = cv2.imread(r'./images/zhiwen_duan.png')
cv2.imshow('zhiwen_duan',zhiwen_duan)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
zhiwen_duan_new = cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel)
cv2.imshow('zhiwen_duan_new',zhiwen_duan_new)
cv2.waitKey(0)