OpenCV图像处理入门：基础操作详解

OpenCV图像处理入门：基础操作详解

引用

CSDN

1.

https://blog.csdn.net/weixin_48970443/article/details/144951932

图像处理的流程从图像获取开始，通过预处理（如灰度化、平滑处理等）、特征提取和分割等步骤逐步实现对图像内容的理解和分析。本文将详细介绍OpenCV中图像IO操作、图像滤波、特征提取和阈值分割等核心概念和具体实现方法。

1 图像IO操作

• img = cv2.imread('Lena.png')：读取图像；
• cv2.imshow('Lena.png',img)：展示图像；
• cv2.imwrite('Lena_copy.png',img)：保存图像；
• img.shape：获取图像基本属性，图像的长/宽以及RGB通道数；
• ROI：region of interest，感兴趣的区域。实质是像素矩阵的切片；
• img_gray = cv2.imread('Lena.png', cv2.IMREAD_GRAYSCALE)：读取灰度图像。

# 读取图像,返回一个三维数组,shape为(height,width,channels),channels为3,表示RGB三个通道
img = cv2.imread('Lena.png')
cv2.imshow('Lena.png',img)
cv2.imwrite('Lena_copy.png',img)
# 读取灰度图像,返回一个二维数组,shape为(height,width),channels为1,表示灰度图像
img_gray = cv2.imread('Lena.png', cv2.IMREAD_GRAYSCALE)
#img_gray2 = cv2.imread('Lena.png',0)
# img.shape获取图像基本属性,如果channels为4,表示RGBA图像(包含透明度)
height, width, channels = img.shape
print(f"Image dimensions: {width}x{height}")
print(f"Number of channels: {channels}")
# 获取特定位置的像素值 (x=100, y=100)
pixel = img[100, 100]
print(f"Pixel value at (100,100): {pixel}")
#以下是输出：
Image dimensions: 512x512
Number of channels: 3
Pixel value at (100,100): [ 78  70 180]

2 图像滤波

图像滤波器大致可以分为两种：

• 低通滤波器：保留低频信息（图像中变化缓慢的部分），去除高频信息（图像中变化剧烈的部分，如噪声和边缘）
• 高通滤波器：保留高频信息（边缘、细节），去除低频信息（平滑区域）

低通滤波器的作用是去噪声，同时平滑图像，使其显得更加柔和。但会丢失部分细节信息，导致图像变得模糊。以下是三种常见的低通滤波器：

2.1. 均值滤波 (cv2.blur)

• 原理：对滤波核内所有像素取均值，用结果替代中心像素值。
• 特点：
• 简单易用，计算速度快。
• 对边缘的保留效果差，容易导致边缘模糊。
• 参数如 (5,5) 表示滤波核大小，核越大，平滑效果越明显，但细节丢失越多（必须为奇数）。

2.2. 高斯滤波 (cv2.GaussianBlur)

• 原理：对滤波核内像素赋予高斯分布权重，中心像素权重最大，离中心越远权重越小，用加权平均值替代中心像素值。
• 特点：
• 对噪声有更好的抑制效果。
• 较均值滤波更能保留边缘细节。
• 参数如 (5,5) 表示核大小， 表示根据核大小自动计算高斯标准差（必须为奇数）。

2.3. 中值滤波 (cv2.medianBlur)

• 原理：用滤波核内像素的中值替代中心像素值。
• 特点：
• 对椒盐噪声（孤立的亮点或暗点）特别有效。
• 对边缘保留效果更好，不会像均值滤波那样导致边缘模糊。
• 参数 5 表示滤波核大小（必须为奇数）。

2.4. 总结

滤波后，图像中的细节信息减少，纹理和边缘部分被平滑处理，因此图像会显得“模糊”。这是低通滤波器的典型特征，其优点是去除噪声，缺点是损失细节。

• 均值滤波：图像整体模糊化，边缘锐度明显降低。

• 高斯滤波：在平滑图像的同时，边缘保留效果较好，视觉上更自然。

• 中值滤波：在去噪声的同时，边缘区域细节保留最佳，尤其对椒盐噪声的处理效果优于前两种方法。

• 应用场景

• 均值滤波：快速去噪，对处理时间要求较高的场景。

• 高斯滤波：去除高斯噪声，同时需要较好的边缘保留效果。

• 中值滤波：对椒盐噪声场景效果最佳，适用于图像噪声类型明确的情况。

mean = cv2.blur(img, (5,5))
gaussian = cv2.GaussianBlur(img, (5,5), 0)
median = cv2.medianBlur(img, 5)

3 特征提取

特征提取是一种高通滤波操作，着重于提取图像中的高频信息（边缘）。介绍3种特征提取方法:

3.1. Sobel算子

• 原理：基于图像的一阶导数，计算像素点在水平和垂直方向上的梯度，通过梯度变化检测边缘。
• 特点：
• 分别对水平方向和垂直方向的边缘进行检测，可以结合两个方向的结果得到最终边缘。
• 使用简单的卷积核（如−1,0,1-1, 0, 1−1,0,1）进行计算。
• 优点：计算简单，能够有效检测方向性边缘。
• 缺点：对噪声敏感，可能会产生假边缘。

3.2. Laplacian算子

• 原理：基于图像的二阶导数，计算像素值变化的加速度。检测边缘时对亮度变化剧烈的区域特别敏感。
• 特点：
• 使用的是二阶导数（如拉普拉斯算子），因此对图像的噪声也特别敏感。
• 可以检测多方向的边缘，而不像Sobel仅限于水平或垂直方向。
• 优点：可以检测图像中更多细节。
• 缺点：对噪声非常敏感，常需结合其他预处理操作（如高斯滤波）。

3.3. Canny算子

• 原理：是一个更复杂的边缘检测算法，结合了多种技术：
  1. 高斯滤波：平滑图像，减少噪声。
  2. 梯度计算：利用Sobel算子计算梯度方向和大小。
  3. 非极大值抑制：通过抑制梯度图中的非边缘点，保留真正的边缘。
  4. 双阈值处理：设置高低两个阈值，将边缘分为强边缘和弱边缘，连接形成最终边缘。
• 特点：
• 过程复杂但结果更精确。
• 能够平衡噪声抑制和边缘检测的精确性。
• 优点：对噪声鲁棒性强，能够检测完整的边缘。
• 缺点：计算复杂度较高，需要调节多个参数（如高斯滤波核大小和双阈值）。

3.4. 总结

• Sobel适合基础的方向性边缘检测，简单高效。
• Laplacian可以检测多方向边缘，但对噪声较为敏感，适合结合其他方法使用。
• Canny是综合性最强的边缘检测算法，适用于对边缘检测精度要求较高的任务，但需要更多计算资源和参数调整。

img = cv2.imread('./Lena.png', 0) #读取灰度图像
![](https://wy-static.wenxiaobai.com/chat-rag-image/3894400130743008102)
# Sobel边缘检测
# 计算x方向的Sobel边缘
#1, 0表示计算x方向的梯度，0, 1表示计算y方向的梯度。
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
# 计算y方向的Sobel边缘
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
# 将Sobel边缘转换为8位无符号整数
sobelx = np.uint8(np.absolute(sobelx))
sobely = np.uint8(np.absolute(sobely))
sobel_combined = cv2.bitwise_or(sobelx, sobely)
# Laplacian边缘检测  
laplacian = cv2.Laplacian(img, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))
# Canny边缘检测  
canny = cv2.Canny(img, 100, 200) ## 100, 200表示低阈值和高阈值

4 阈值分割

图像是由一个个像素点组成，而每一个像素点又是0-255之间的任一数值（0为黑色，255为白色），因此可以根据特定的阈值将图像进行分割，将图像简化为二值图像（只有黑白两种颜色）。阈值分割是图像处理中的基础操作，opencv提供很多种阈值分割方法，这里简单介绍三种：

4.1. 全局阈值

• 原理：人为指定一个固定的阈值，将图像中的像素值与阈值进行比较，大于阈值的像素设为白色（255），小于阈值的像素设为黑色（0）。
• 适用场景：光照均匀、背景简单的图像。
• 优点：计算简单，效率高。
• 缺点：对光照变化敏感，效果依赖于阈值选择，复杂场景中表现较差。

4.2. Otsu阈值

• 原理：基于灰度直方图的双峰性，计算出一个最优阈值，使前景和背景之间的类间方差最大化，达到最佳分割效果。通常结合全局阈值方法进行自动优化。
• 适用场景：灰度直方图具有明显双峰特性的图像。
• 优点：自动选择最优阈值，适合简单图像的分割任务，无需人为干预。
• 缺点：对噪声较敏感，若图像直方图为单峰或分布不清晰，效果可能不理想。

4.3. 自适应阈值

• 原理：为每个像素点动态计算局部阈值，综合考虑其邻域内的像素信息，适应光照变化和局部特征。
• 适用场景：光照不均匀或背景复杂的图像。
• 优点：能够适应不同区域的亮度变化，对光照变化和局部细节处理效果更好。
• 缺点：计算复杂度较高，处理时间比全局阈值方法长，参数选择较为敏感。

4.4. 总结

• 全局阈值适合简单、光照均匀的图像，效率高但灵活性较差。
• Otsu阈值在特定条件下可以自动选择最优阈值，效果智能但对噪声较敏感。
• 自适应阈值适合复杂场景和光照不均匀的图像，灵活性强，但计算开销较大。

img = cv2.imread('./Lena.png', 0)
# 全局阈值
# 127, 255表示阈值和最大灰度值。像素值 > 127 时设为 255（白色），像素值 ≤ 127 时设为 0（黑色）
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# Otsu阈值法
ret2, thresh2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 自适应阈值
# 11, 2表示块大小和常数C
thresh3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
thresh4 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)