文章目录 《OpenCV计算机视觉》-对图片的各种操作（均值、方框、高斯、中值滤波处理） 边界填充 阈值处理 图像平滑处理 生成椒盐图片 均值滤波处理 方框滤波处理 高斯滤波处理 中值滤波处理 图像形态学
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 = ...)
它有以下几个参数：
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
ys = cv2. imread( 'demo1.png' )
top, bottom, left, right = 50 , 50 , 50 , 50
constant = cv2. copyMakeBorder( ys, top, bottom, left, right, borderType= cv2. BORDER_CONSTANT, value= ( 100 , 20 , 220 ) )
reflect = cv2. copyMakeBorder( ys, top, bottom, left, right, borderType= cv2. BORDER_REFLECT)
reflect101 = cv2. copyMakeBorder( ys, top, bottom, left, right, borderType= cv2. BORDER_REFLECT101)
replicate = cv2. copyMakeBorder( ys, top, bottom, left, right, borderType= cv2. BORDER_REPLICATE)
wrap = cv2. copyMakeBorder( ys, top, bottom, left, right, borderType= cv2. BORDER_WRAP) cv2. imshow( 'yuantu' , ys)
cv2. waitKey( 0 )
cv2. imshow( 'CONSTANT' , constant)
cv2. waitKey( 0 )
cv2. imshow( 'REFLECT' , reflect)
cv2. waitKey( 0 )
cv2. imshow( 'REFLECT101' , reflect101)
cv2. waitKey( 0 )
cv2. imshow( 'REPLICATE' , replicate)
cv2. waitKey( 0 )
cv2. imshow( 'WRAP' , wrap)
cv2. waitKey( 0 )
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。使用的方法为:
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
image = cv2. imread( 'demo1.png' , 0 )
ret, binary= cv2. threshold( image, 210 , 255 , cv2. THRESH_BINARY)
ret1, binaryinv= cv2. threshold( image, 210 , 255 , cv2. THRESH_BINARY_INV)
ret2, trunc= cv2. threshold( image, 210 , 255 , cv2. THRESH_TRUNC)
ret3, tozero= cv2. threshold( image, 210 , 255 , cv2. THRESH_TOZERO)
ret4, tozeroinv= cv2. threshold( image, 210 , 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 )
cv2. destroyAllWindows( )
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。
下面是常用的一些滤波器均值滤波（邻域平均滤波）–> blur函数方框滤波–> boxFilter函数高斯滤波–>GaussianBlur函数中值滤波–>medianBlur函数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
一般情况下，使用dst=cv2.blur(src,ksize)即可
def add_peppersalt_noise ( image, n= 10000 ) : 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] = 0 else : result[ x, y] = 255 return resultimage = cv2. imread( 'demo1.png' )
cv2. imshow( 'sro' , image)
cv2. waitKey( 0 )
noise = add_peppersalt_noise( image)
cv2. imshow( 'noise' , noise)
cv2. waitKey( 0 )
blur_1 = cv2. blur( noise, ( 3 , 3 ) )
cv2. imshow( 'blur_1' , blur_1)
cv2. waitKey( 0 ) blur_2 = cv2. blur( noise, ( 5 , 5 ) )
cv2. imshow( 'blur_2' , blur_2)
cv2. waitKey( 0 )
dst=cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）式中：● 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。1.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。2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255
# 方框滤波
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 )
cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])高斯滤波
参数说明：
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。
GaussianB = cv2. GaussianBlur( noise, ( 3 , 3 ) , 1 )
cv2. imshow( 'GaussianBlur' , GaussianB)
cv2. waitKey( 0 )
cv2.medianBlur(src, ksize[, dst])中值滤波参数说明：
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。
medianB = cv2. medianBlur( noise, 3 )
cv2. imshow( 'medianBlur' , medianB)
cv2. waitKey( 0 )
cv2. destroyAllWindows( )
1、图像腐蚀, 函数为：
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
sun = cv2. imread( 'sun.png' )
cv2. imshow( 'sun' , sun)
cv2. waitKey( 0 )
kernel = np. ones( ( 3 , 3 ) , np. uint8)
erosion_1 = cv2. erode( sun, kernel, iterations= 2 )
cv2. imshow( 'erosion_1' , erosion_1)
cv2. waitKey( 0 )
2、图像膨胀, 函数为：
cv2.dilate(img, kernel, iteration)
参数含义：
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
wenzi = cv2. imread( 'zimu.png' )
cv2. imshow( 'src1' , wenzi)
cv2. waitKey( 0 )
kernel = np. ones( ( 2 , 2 ) , np. uint8)
wenzi_new = cv2. dilate( wenzi, kernel, iterations= 3 )
cv2. imshow( 'wenzi_new' , wenzi_new)
cv2. waitKey( 0 )
开运算：先腐蚀后膨胀。
zhiwen = cv2. imread( 'zhiwen1.png' )
cv2. imshow( 'scr2' , 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 )
闭运算：先膨胀后腐蚀
zhiwen = cv2.imread('zhiwen2.png')
cv2.imshow('scr3',zhiwen)
cv2.waitKey(0)
kernel = np.ones((4,4),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_CLOSE,kernel)
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)cv2.destroyAllWindows()
顶帽 = 原始图像 - 开运算结果(先腐蚀后膨胀)
黑帽 = 闭运算(先膨胀后腐蚀) - 原始图像
sun = cv2. imread( 'sun.png' )
cv2. imshow( 'sun_yuantu' , sun)
cv2. waitKey( 0 )
kernel = np. ones( ( 2 , 2 ) , np. uint8)
open_sun= cv2. morphologyEx( sun, cv2. MORPH_OPEN, kernel)
cv2. imshow( 'open_sun' , open_sun)
cv2. waitKey( 0 )
tophat = cv2. morphologyEx( sun, cv2. MORPH_TOPHAT, kernel)
cv2. imshow( 'TOPHAT' , tophat)
cv2. waitKey( 0 )
close_sun= cv2. morphologyEx( sun, cv2. MORPH_CLOSE, kernel)
cv2. imshow( 'close_sun' , close_sun)
cv2. waitKey( 0 )
blackhat = cv2. morphologyEx( sun, cv2. MORPH_BLACKHAT, kernel)
cv2. imshow( 'BLACKHAT' , blackhat)
cv2. waitKey( 0 )
