学习日记 8.1

前言

前一篇文章讲了图片读取与显示，今天继续看图像运算、阈值处理和噪声去除。主要涉及：

• 图像运算：图像的加法运算与加权融合
• 阈值处理：二值化、截断等阈值操作，以及图像边框的填充
• 噪声去除：椒盐噪声的生成与多种滤波器的去噪效果对比

一、图像运算

1.1 使用 NumPy 的加法（+ 运算符）

直接用+运算符做图像加法，但 NumPy 的加法是取模运算：

import cv2 a1 = cv2.imread("3.png") b1 = cv2.imread("4.jpg") a1 = cv2.resize(a1, (500, 400)) b1 = cv2.resize(b1, (500, 400)) NumPy 加法：像素值相加后对 256 取模 c1 = a1 + 10 # 每个像素值加 10 c2 = a1[50:450, 50:400] + b1[50:450, 50:400] # ROI 区域相加

当像素值超过 255 时，NumPy 会将其对 256 取模。例如250 + 10 = 260，取模后变成260 % 256 = 4，这会导致原本应该更亮的区域反而变暗，出现“溢出回绕”的现象。

1.2 使用 OpenCV 的 cv2.add() 函数

OpenCV 提供了专门的加法函数cv2.add()，它的处理方式是饱和运算——超过 255 的值会被截断为 255：

a2 = cv2.imread("3.png") b2 = cv2.imread("4.jpg") b2 = cv2.resize(b2, (400, 400)) a2 = cv2.resize(a2, (400, 400)) OpenCV 加法：超过 255 的像素值会被截断为 255（饱和运算） c3 = cv2.add(a2, b2)

小结：在处理图像加法时，推荐使用cv2.add()，因为它避免了取模操作带来的“反色”异常，视觉效果更加自然。

1.3 图像加权融合 —— cv2.addWeighted()

有时候我们希望将两张图像按照一定比例混合，而不是简单地相加。这时候就可以使用cv2.addWeighted()：

# 参数：img1, 权重1, img2, 权重2, 亮度偏移量 c4 = cv2.addWeighted(a2, 0.7, b2, 0.3, 100)

公式为：dst = α · img1 + β · img2 + γ，其中 α 和 β 是两幅图像的权重，γ 是亮度调节参数。在上面的代码中，a2占 70% 的权重，b2占 30%，最后再加上 100 的亮度偏移。这个函数在图像叠加、水印添加、视频特效等场景中很常用。

二、图像边框与阈值处理

2.1 为图像添加边框 —— cv2.copyMakeBorder()

为图像添加边框可以用cv2.copyMakeBorder()，支持多种填充方式：

import cv2 ys = cv2.imread("4.jpg") top, bottom, left, right = 50, 50, 50, 50 1. 常量边框：用固定颜色填充 constant = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=[229, 25, 80]) 2. 镜像边框：以边缘为轴进行镜像 reflect = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT) 3. 镜像边框（不含边界）：与 REFLECT 类似但不包含边界像素 reflect101 = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT101) 4. 复制边框：复制边缘像素 replicate = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REPLICATE) 5. 环绕边框：用对面边界的像素填充 warp = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_WRAP)

五种边框类型的效果对比：

默认推荐：BORDER_REFLECT101 是 OpenCV 中许多函数（如滤波）的默认边框处理方式，它在大多数场景下表现最佳。

2.2 阈值处理 —— cv2.threshold()

阈值处理是图像分割中最基础的方法之一：设定一个阈值，将像素值与阈值比较，根据比较结果对像素分类。OpenCV 提供了五种阈值处理类型：

image = cv2.imread("4.jpg", 0) # 以灰度模式读取 参数：源图像, 阈值, 最大值, 阈值类型 ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY) # 二值化 ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV) # 反二值化 ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC) # 截断 ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO) # 阈值归零 ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV) # 反阈值归零

返回值ret是实际使用的阈值（在使用 Otsu 等自适应方法时可能与传入值不同），binary等是处理后的图像。

应用场景：阈值处理常用于文档扫描二值化、物体轮廓提取、前景/背景分离等任务。

三、图像噪声与滤波

3.1 椒盐噪声的生成

椒盐噪声（Salt-and-Pepper Noise）是图像中常见的噪声类型，表现为随机出现的黑白像素点（像撒了盐和胡椒一样）。可以手动模拟这种噪声：

import numpy as np def add_peppersalt_noise(image, n=10000): """向图像添加椒盐噪声 Args: image: 输入图像 n: 噪声点数量 Returns: 添加了噪声的图像 """ result = image.copy() h, w = image.shape[:2] # 获取图像的高和宽 for i in range(n): x = np.random.randint(0, h) # 随机行坐标 y = np.random.randint(0, w) # 随机列坐标 if np.random.randint(0, 2) == 0: result[x][y] = 0 # 黑点（胡椒噪声） else: result[x][y] = 255 # 白点（盐噪声） return result

这段代码会在图像的随机位置生成黑白噪声点，模拟真实场景中的椒盐噪声。

3.2 均值滤波 —— cv2.blur() 与 cv2.boxFilter()

均值滤波是最简单的线性滤波方法，它用像素邻域的平均值来替代中心像素的值：

# 均值滤波：5x5 的卷积核 blur_1 = cv2.blur(noise, (5, 5)) 方框滤波：当 normalize=True 时与均值滤波等效 boxFilter_1 = cv2.boxFilter(noise, -1, (3, 3), normalize=True) 方框滤波：normalize=False 时，求和但不平均（容易溢出） boxFilter_2 = cv2.boxFilter(noise, -1, (3, 3), normalize=False)

注意：当normalize=False时，方框滤波不再除以核面积，像素值容易超过 255，导致画面一片白。

3.3 高斯滤波 —— cv2.GaussianBlur()

高斯滤波使用高斯函数作为权重分配，离中心越近的像素权重越大，去噪的同时能更好地保留边缘信息：

# 高斯滤波：核大小 (3,3)，标准差为 1 Gaussian_Noise = cv2.GaussianBlur(noise, (3, 3), 1)

参数说明：(3, 3)是高斯核的大小（必须是奇数），1是 X 方向的标准差（如果设为 0，则根据核大小自动计算）。

3.4 中值滤波 —— cv2.medianBlur()

中值滤波是非线性滤波，它用邻域像素的中值替代中心像素，对椒盐噪声的去除效果尤其出色：

# 中值滤波：核大小为 3 medianB = cv2.medianBlur(noise, 3)

3.5 滤波效果对比

结论：对于椒盐噪声，中值滤波是首选方案。它能在有效去除椒盐噪声的同时最大限度地保留图像的边缘细节。

四、综合实战

4.1 实战一：摄像头实时画面与背景图融合

这是一个综合运用图像运算的实战案例，实现摄像头实时画面与背景图片的融合效果：

import cv2 cap = cv2.VideoCapture(0) background = cv2.imread('4.jpg') background = cv2.resize(background, (640, 480)) background_gray = cv2.cvtColor(background, cv2.COLOR_BGR2GRAY) if not cap.isOpened(): print("无法打开摄像头") exit() while True: ret, frame = cap.read() if not ret: break frame = cv2.resize(frame, (640, 480)) frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 彩色融合（各占 50% 透明度） c1 = cv2.addWeighted(frame, 0.5, background, 0.5, 100) 灰度融合（各占 50% 透明度） c2 = cv2.addWeighted(frame_gray, 0.5, background_gray, 0.5, 100) cv2.imshow('Color Fusion', c1) cv2.imshow('Gray Fusion', c2) 按下 ESC 键退出 if cv2.waitKey(60) == 27: break cap.release() cv2.destroyAllWindows()

4.2 实战二：视频椒盐噪声处理

对视频文件逐帧添加椒盐噪声，并使用中值滤波进行去噪：

import cv2 import numpy as np def add_peppersalt_noise(image, n=8000): 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 cap = cv2.VideoCapture("test.avi") if not cap.isOpened(): print("无法打开视频文件") exit() while True: ret, frame = cap.read() if not ret: break # 添加椒盐噪声 noise = add_peppersalt_noise(frame) 中值滤波去噪 medianB = cv2.medianBlur(noise, 3) 同时显示三个窗口 cv2.imshow('Original', frame) # 原视频 cv2.imshow('Noise', noise) # 含噪声视频 cv2.imshow('Denoised', medianB) # 去噪后视频 if cv2.waitKey(60) == 27: break cap.release() cv2.destroyAllWindows()

五、总结

今天的学习内容涵盖了 OpenCV 图像处理的三个核心模块：

这些知识都是后续学习更高级图像处理操作（如边缘检测、形态学操作、轮廓提取等）的基础，建议动手运行每一段代码，观察不同参数带来的效果变化。