OpenCV入门学习（二）：图像预处理

OpenCV入门学习（二）：图像预处理

前言：本文是OpenCV系列教程的第二篇。在掌握了图像的基本操作之后，我们将进入图像预处理阶段。本章涵盖五个核心知识点：阈值处理、噪声处理、边界填充、边缘检测、图像形态学。以函数用法和参数调优为主，理论点到为止，代码紧跟知识点。

目录

• 一、阈值处理
• 二、噪声处理
• 三、边界填充
• 四、边缘检测
• 五、图像形态学
• 六、总结

一、阈值处理

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。

核心函数：retval, dst = cv2.threshold(src, thresh, maxval, type)

阈值类型详解：

import cv2

# 读取图像，0表示以灰度模式读取
img = cv2.imread("yys1.jpg", 0)

# 阈值处理：像素值大于175的设为255，小于等于175的设为0
ret1, binary = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY)

# 阈值处理：像素值大于175的设为0，小于等于175的设为255（与BINARY相反）
ret2, binaryinv = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY_INV)

# 阈值处理：像素值大于175的截断为175，小于等于175的保持不变
ret3, trunc = cv2.threshold(img, 175, 255, cv2.THRESH_TRUNC)

# 阈值处理：像素值大于175的保持不变，小于等于175的设为0
ret4, tozero = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO)

# 阈值处理：像素值大于175的设为0，小于等于175的保持不变（与TOZERO相反）
ret5, tozeroinv = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO_INV)

# 显示原图
cv2.imshow("yuan", img)

# 显示五种阈值处理结果
cv2.imshow('binary', binary)
cv2.imshow('binaryinv', binaryinv)
cv2.imshow('trunc', trunc)
cv2.imshow('tozero', tozero)
cv2.imshow('tozeroinv', tozeroinv)

# 等待按键后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

二、噪声处理

噪声是图像中的随机干扰信号，椒盐噪声是其中常见的一种，表现为随机出现的黑白像素点。滤波是去除噪声的主要手段。

2.1 椒盐噪声生成

代码位置：codes/ch2/04_add_noise.py

import cv2
import numpy as np

# 椒盐噪声生成函数
def add_peppersalt_noise(img, n=10000):
"""
为图像添加椒盐噪声
参数:
img: 输入图像
n: 噪声点的数量，默认10000
返回:
添加噪声后的图像
"""
result = img.copy()
h, w = img.shape[:2]
for i in range(n):
# 随机选取像素位置
x = np.random.randint(0, h)
y = np.random.randint(0, w)
# 随机决定是椒噪声（黑色，0）还是盐噪声（白色，255）
if np.random.randint(0, 2) == 0:
result[x, y] = 0 # 椒噪声：黑色
else:
result[x, y] = 255 # 盐噪声：白色
return result

img = cv2.imread('yys1.jpg')
noise = add_peppersalt_noise(img)

cv2.imshow('img', img)
cv2.imshow('noise', noise)

cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 均值滤波

核心函数：dst = cv2.blur(src, ksize)

一般情况下，使用 dst = cv2.blur(src, ksize) 即可。

# 均值滤波：用邻域内所有像素的平均值替代中心像素值
# 核大小为3×3（较小，去噪效果弱但保留更多细节）
blur_1 = cv2.blur(noise, (3, 3))
cv2.imshow('blur_1', blur_1)

# 均值滤波：核大小为63×63（较大，去噪效果好但图像更模糊）
blur_2 = cv2.blur(noise, (63, 63))
cv2.imshow('blur_2', blur_2)

# 显示原图和噪声图作为对比
cv2.imshow('img', img)
cv2.imshow('noise', noise)

cv2.waitKey(0)
cv2.destroyAllWindows()

2.3 方框滤波

核心函数：dst = cv2.boxFilter(src, ddepth, ksize, anchor, normalize, borderType)

# 方框滤波
# normalize=True时，归一化，与均值滤波效果相同
boxFilter_1 = cv2.boxFilter(noise, –1, (3, 3), normalize=True)
# normalize=False时，不归一化，直接使用邻域像素值的和，和>255时使用255
boxFilter_2 = cv2.boxFilter(noise, –1, (3, 3), normalize=False)

cv2.imshow('boxFilter_1', boxFilter_1)
cv2.imshow('boxFilter_2', boxFilter_2)
cv2.imshow('img', img)
cv2.imshow('noise', noise)

cv2.waitKey(0)
cv2.destroyAllWindows()

2.4 高斯滤波

核心函数：cv2.GaussianBlur(src, ksize, sigmaX)

# 高斯滤波：使用高斯核进行加权平均，离中心越近的像素权重越大
# 核大小5×5，X轴标准差为1
gaussian_blur = cv2.GaussianBlur(noise, (5, 5), 1)
cv2.imshow('gaussian_blur', gaussian_blur)

cv2.imshow('img', img)
cv2.imshow('noise', noise)

cv2.waitKey(0)
cv2.destroyAllWindows()

2.5 中值滤波

核心函数：cv2.medianBlur(src, ksize)

# 中值滤波：用邻域内所有像素的中值替代中心像素值
# 对椒盐噪声效果极佳，核大小为3×3
median_blur = cv2.medianBlur(noise, 3)
cv2.imshow('median_blur', median_blur)

cv2.imshow('img', img)
cv2.imshow('noise', noise)

cv2.waitKey(0)
cv2.destroyAllWindows()

三、边界填充

边界填充是在图像周围添加额外的像素边框，常用于卷积操作前保持图像尺寸、或为图像添加装饰边框。

核心函数：cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

borderType填充方式详解：

import cv2

img = cv2.imread('yys1.jpg')
top, bot, lf, rt = 15, 15, 15, 15

# 常数填充：边框像素值为常数[50,50,50]
constant = cv2.copyMakeBorder(img, top, bot, lf, rt, borderType=cv2.BORDER_CONSTANT, value=[50, 50, 50])

# 镜像填充：边框像素是边界元素的镜面反射，例如 gfedcba|abcdefgh|hgfedcba
refl = cv2.copyMakeBorder(img, top, bot, lf, rt, borderType=cv2.BORDER_REFLECT)

# 镜像填充101：与REFLECT类似，但交界处不重复，例如 gfedcb|abcdefgh|gfedcba
refl101 = cv2.copyMakeBorder(img, top, bot, lf, rt, borderType=cv2.BORDER_REFLECT101)

# 边缘复制填充：使用最边界的像素值代替，例如 aaaaaa|abcdefgh|hhhhhhh
repl = cv2.copyMakeBorder(img, top, bot, lf, rt, borderType=cv2.BORDER_REPLICATE)

# 平铺填充：上下左右边依次替换，例如 cdefgh|abcdefgh|abcdefg
wrap = cv2.copyMakeBorder(img, top, bot, lf, rt, borderType=cv2.BORDER_WRAP)

cv2.imshow("img", img)
cv2.imshow('constant', constant)
cv2.imshow('reflect', refl)
cv2.imshow('reflect101', refl101)
cv2.imshow('replicate', repl)
cv2.imshow('wrap', wrap)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、边缘检测

边缘是图像中灰度发生剧烈变化的位置，边缘检测是计算机视觉中最基础的特征提取方法。

4.1 Sobel算子

核心函数：cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])

import cv2

# ==================== Sobel算子基础演示 ====================
# cv2.Sobel(src, ddepth, dx, dy[, ksize])
# 参数:
# src: 输入图像
# ddepth: 输出图像的深度，-1表示与原图像相同
# dx,dy: dx=1,dy=0求x方向一阶导数；dx=0,dy=1求y方向一阶导数
# ksize: Sobel算子大小，必须是1、3、5或7，默认为3

yuan = cv2.imread("yuan.png")
yuan = cv2.resize(yuan, None, fx=0.7, fy=0.7)
cv2.imshow("yuan", yuan)

# x方向边缘（uint8类型，负数信息保存不了）
yuan_x = cv2.Sobel(yuan, –1, dx=1, dy=0)
cv2.imshow("yuan_x", yuan_x)

# x方向边缘（CV_64F类型，可保存负数）
yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, 1, 0)
cv2.imshow("yuan_x_64", yuan_x_64)

# x方向边缘（取绝对值，负数转正数显示）
yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
cv2.imshow("yuan_x_full", yuan_x_full)

# y方向边缘（uint8类型，负数信息保存不了）
yuan_y = cv2.Sobel(yuan, –1, 0, 1)
cv2.imshow("yuan_y", yuan_y)

# y方向边缘（CV_64F类型，可保存负数）
yuan_y_64 = cv2.Sobel(yuan, cv2.CV_64F, 0, 1)
cv2.imshow("yuan_y_64", yuan_y_64)

# y方向边缘（取绝对值，负数转正数显示）
yuan_y_full = cv2.convertScaleAbs(yuan_y_64)
cv2.imshow("yuan_y_full", yuan_y_full)

# 不建议同时使用x和y方向（dx=1,dy=1效果不佳）
yuan_xy = cv2.Sobel(yuan, –1, 1, 1)
cv2.imshow("yuan_xy", yuan_xy)

# 使用加权运算组合x和y方向的边缘
yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0)
cv2.imshow('yuan_xy_full', yuan_xy_full)

cv2.waitKey(0)
cv2.destroyAllWindows()

封装为函数：

def sobel_edge(img, flag=None):
"""Sobel边缘检测"""
if isinstance(img, str):
img = cv2.imread(img, flag)
elif flag == 0 and len(img.shape) == 3:
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# X方向梯度（CV_64F保存负数）
img_x_64 = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
img_x_full = cv2.convertScaleAbs(img_x_64)

# Y方向梯度（CV_64F保存负数）
img_y_64 = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
img_y_full = cv2.convertScaleAbs(img_y_64)

# 加权组合X和Y方向边缘
img_xy_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
return img_xy_full

# 分别用彩色图和灰度图测试Sobel效果
a = cv2.imread("yys_1.jpg")
a = cv2.resize(a, None, fx=0.7, fy=0.7)
b = cv2.cvtColor(a, cv2.COLOR_BGR2GRAY)

cv2.imshow("sobel_edge_color", sobel_edge(a))
cv2.imshow("sobel_edge_gray", sobel_edge(b))
cv2.waitKey(0)
cv2.destroyAllWindows()

4.2 Scharr算子

Scharr算子是Sobel算子的改进版，对边缘检测更敏感，核大小固定为3×3。

def scharr_edge(img, flag=None):
"""Scharr边缘检测（Sobel的改进版，对边缘更敏感）"""
if isinstance(img, str):
img = cv2.imread(img, flag)
elif flag == 0 and len(img.shape) == 3:
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# X方向梯度（Scharr对边缘更敏感）
img_x_64 = cv2.Scharr(img, cv2.CV_64F, 1, 0)
img_x_full = cv2.convertScaleAbs(img_x_64)

# Y方向梯度
img_y_64 = cv2.Scharr(img, cv2.CV_64F, 0, 1)
img_y_full = cv2.convertScaleAbs(img_y_64)

# 加权组合X和Y方向边缘
img_xy_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
return img_xy_full

# 分别用彩色图和灰度图测试Scharr效果
cv2.imshow("scharr_edge_color", scharr_edge(a))
cv2.imshow("scharr_edge_gray", scharr_edge(b))
cv2.waitKey(0)
cv2.destroyAllWindows()

4.3 Laplacian算子

Laplacian算子通过二阶导数检测边缘，对噪声敏感。

核心函数：cv2.Laplacian(src, ddepth[, ksize])

# Laplacian边缘检测函数
def laplacian_edge(img, flag=None):
"""Laplacian边缘检测（对噪声敏感）"""
if isinstance(img, str):
img = cv2.imread(img, flag)
elif flag == 0 and len(img.shape) == 3:
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Laplacian边缘检测
img_lap = cv2.Laplacian(img, cv2.CV_64F, ksize=3)
img_lap_full = cv2.convertScaleAbs(img_lap)
return img_lap_full

# 分别用彩色图和灰度图测试Laplacian效果
cv2.imshow("laplacian_edge_color", laplacian_edge(a))
cv2.imshow("laplacian_edge_gray", laplacian_edge(b))
cv2.waitKey(0)
cv2.destroyAllWindows()

4.4 Canny边缘检测

Canny算法是最经典、最完善的边缘检测方法。

核心函数：cv2.Canny(src, threshold1, threshold2)

def canny_edge(img, thresh1=100, thresh2=150):
"""Canny边缘检测（输入彩色或灰度均可，输出为二值边缘图）"""
return cv2.Canny(img, thresh1, thresh2)

cv2.imshow("canny_edge", canny_edge(a))
cv2.waitKey(0)
cv2.destroyAllWindows()

阈值参考：

调参技巧：先设 (100, 200)，若边缘太多（噪声多）则提高阈值，若边缘太少（丢失细节）则降低阈值。

4.5 算子对比速查

五、图像形态学

形态学操作基于结构元素对二值图像进行形状处理，常用于二值图像的后处理。

5.1 结构元素创建

import cv2
import numpy as np

# 直接创建全1矩阵作为结构元素
kernel = np.ones((3, 3), np.uint8)

5.2 腐蚀

核心函数：cv2.erode(src, kernel, dst, anchor, iterations, borderType, borderValue)

sun = cv2.imread("sun.png")
cv2.imshow("img", sun)

# 腐蚀：用结构元素对图像进行卷积，只有结构元素完全覆盖的区域才保留
# kernel为结构元素，iterations=2表示连续腐蚀两次
erode_sun = cv2.erode(sun, kernel, iterations=2)
cv2.imshow('erode_sun', erode_sun)

5.3 膨胀

核心函数：cv2.dilate(img, kernel, iterations)

wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi', wenzi)

# 膨胀：用结构元素对图像进行卷积，结构元素覆盖区域有任一像素为白则全部变白
# 用于连接断裂区域、扩大白色区域，iterations=1表示膨胀一次
dilate_wenzi = cv2.dilate(wenzi, kernel, iterations=1)
cv2.imshow('dilate_wenzi', dilate_wenzi)

cv2.waitKey(0)
cv2.destroyAllWindows()

5.4 开运算与闭运算

核心函数：cv2.morphologyEx(src, op, kernel)

# 开运算：先腐蚀后膨胀，去除小噪点，分离粘连物体
zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('zhiwen', zhiwen)

open_zhiwen = cv2.morphologyEx(zhiwen, cv2.MORPH_OPEN, kernel)
cv2.imshow('open_zhiwen', open_zhiwen)

# 闭运算：先膨胀后腐蚀，填充小空洞，连接断裂区域
zhiwen_duan = cv2.imread('zhiwen_duan.png')
cv2.imshow('zhiwen_duan', zhiwen_duan)

close_zhiwen_duan = cv2.morphologyEx(zhiwen_duan, cv2.MORPH_CLOSE, kernel, iterations=2)
cv2.imshow('close_zhiwen_duan', close_zhiwen_duan)

cv2.waitKey(0)
cv2.destroyAllWindows()

5.5 梯度运算

梯度运算 = 膨胀 – 腐蚀，作用：突出显示图像中强度变化剧烈的地方（即物体轮廓）。

核心函数：cv2.morphologyEx(img, op, kernel)

# 梯度运算 = 膨胀 – 腐蚀，用于提取物体轮廓
gradient_wenzi = cv2.morphologyEx(wenzi, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('wenzi', wenzi)
cv2.imshow('gradient_wenzi', gradient_wenzi)
cv2.waitKey(0)
cv2.destroyAllWindows()

5.6 顶帽与黑帽

cv2.imshow('sun', sun)

# 开运算：先腐蚀后膨胀，去除小噪点
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow('open_sun', open_sun)

# 顶帽：原图 – 开运算，提取亮色细节
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)

# 闭运算：先膨胀后腐蚀，填充小空洞
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow('close_sun', close_sun)

# 黑帽：闭运算 – 原图，提取暗色细节
blackhat = cv2.morphologyEx(sun, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)

cv2.waitKey(0)
cv2.destroyAllWindows()

5.7 形态学操作速查

六、总结

核心函数速查表

参数快速参考

常见陷阱

系列直达

• 上篇：OpenCV入门学习（一）：图像的基本操作
• 本篇：OpenCV入门学习（二）：图像预处理（本文）
• 下篇：OpenCV入门学习（三）：特征提取与匹配