【OpenCV】基础操作学习--实现原理理解

读取和显示图像

基本操作

cv2.imread(filename , flags)：文件中读取图像，从指定路径中读取图像，返回一个图像数组（NumPy数组）
- filename：图像文件的路径
- flags：指定读取图像的方式
  - cv2.IMREAD_COLOR（默认为1）：以彩色图像读取，忽略透明度通道
  - cv2.IMREAD_GRAYSCALE（0）：以灰度图像读取
  - cv2.IMREAD_UNCHANGED(-1)：包含图像中alpha通道
cv2.imshow()：窗口中显示图像，从新窗口中显示图像
cv2.waitkey()：控制图像显示事件，参数值是毫秒，0表示无限等待
因为运行环境在云服务器上，所以无法实时显示图像，后期补充测试

代码实现1

#读取与显示图像
import cv2 

#读取
img = cv2.imread('your_image.jpg')

#检测是否加载成功
if img is None:
    print("图像读取失败，检查图像路径是否存在")
else:
    #显示图像
    cv2.imshow('显示窗口',img)
    #等待任意按键
    cv2.waitKey(0)
    cv2.destroyAllWindows()

代码实现2：根据三种读取方式，分别读取图片

import cv2

# 读取彩色图像
# color_img = cv2.imread('your_image.jpg', cv2.IMREAD_COLOR)
# cv2.imwrite('color.jpg',color_img)


# 读取灰度图像
# gray_img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)
# cv2.imwrite('gray.jpg',gray_img)


# # 读取包含 alpha 通道的图像
unchanged_img = cv2.imread('your_image.png', cv2.IMREAD_UNCHANGED)
cv2.imwrite('unchange.jpg',unchanged_img)

实现理解

图像读取逻辑：底层调用图像解码库来读取图像文件，然后将其转换为NumPy数组
图像显示逻辑：创建一个窗口，然后调用GUI库（例如Qt）将图像数据渲染到屏幕上

计算机图像学相关知识

像素与颜色空间

像素：图像中的基本元素，通常表示为数值的集合，代表图像在某个位置上的颜色和亮度
- 图像的最小单位，类似于拼图中的一小块，拼在一起就是一个整体的图像
颜色空间：描述颜色的模型，使用坐标系或者子空间来表示颜色，例如RGB、BGR、HSV等
- 不同描述颜色的方法，相似与不同语言但是最终表示的都是相同含义

颜色通道

RGB颜色：Red , Green , Blue三个颜色通道组成
- 每个通道的数值是0-255的整数，相对应着表示颜色强弱
BGR颜色：OpenCV默认的颜色模型
- OpenCV中使用BGR颜色主要是因为需要与早期设计的图形格式兼容
- 可以通过函数对图片的格式进行变换

像素与图像的理解

import cv2

# 读取彩色图像
img = cv2.imread('your_image.jpg')

# 查看图像的尺寸和像素值
print("图像尺寸：", img.shape)
print("像素值示例：", img[0, 0])  # 输出第一个像素的 BGR 值

# 转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
print("灰度图像尺寸：", gray_img.shape)
print("灰度像素值示例：", gray_img[0, 0])  # 输出第一个像素的灰度值

# 保存灰度图像
cv2.imwrite('gray_image.jpg', gray_img)

保存图像

基本操作

cv2.imwrite(filename , img , params = None)：将图像保存为文件，也就是将图像保存为指定格式，最终格式取决于设定拓展名
- filename：保存的文件名，其格式是由拓展名决定的
- img：需要保存的图像对象
- params：可选参数，用于设置特定格式的编码参数

代码实现

参数设置

import cv2

# 读取图像
img = cv2.imread('your_image.jpg')

# 保存为不同格式
cv2.imwrite('output_image.jpg', img, [int(cv2.IMWRITE_JPEG_QUALITY), 90])  # JPEG，质量90
cv2.imwrite('output_image.png', img, [int(cv2.IMWRITE_PNG_COMPRESSION), 5])  # PNG，压缩级别5

print("图像已保存。")

import cv2 

img = cv2.imread('your_image.jpg')

# JPEG 质量90
cv2.imwrite('output_image.jpg',img,[int(cv2.IMWRITE_JPEG_QUALITY),90])
cv2.imwrite('output_image.png',img,[int(cv2.IMWRITE_PNG_COMPRESSION),5])

参数调整总结

JPEG质量参数：数值越高，图像质量越好，相应的文件体积越大
PNG压缩级别：数值越高，压缩率越高，文件体积也就越小

计算机图形学知识补充

图像编码与压缩

无损压缩：例如PNG，图像的质量不受损失，但是文件的体积较大
有损压缩：例如JPEG，会舍弃部分的像素来达到压缩的目的，文件体积会更小

保存图像函数实现分析

图像保存会调用编码库，会将NumPy数组编码为指定格式的图像文件，其中编码参数params传递给编码器，从而控制压缩质量和压缩级别

调整图像大小

基本操作

cv2.resize(src , dsize , fx=0 , fy=0 , interolation = cv2.INTER_LINEAR)：按照指定的尺寸或者缩放比例去调整图像大小
- 参数
  - src：输出图像
  - desize：输出图像的尺寸（宽、高）
  - fx,fy：水平和垂直方向的缩放因子
  - interpolation：插值方法
- 插值方法
  - cv2.INTER_NEAREST: 最近邻插值，速度快，质量低
  - cv2.INTER_LINEAR: 双线性插值，默认值，适用于放大
  - cv2.INTER_AREA: 区域插值，适用于缩小
  - cv2.INTER_CUBIC: 三次插值，质量较高，速度较慢

代码实现

#调整尺寸
import cv2 

img = cv2.imread('your_image.jpg')

#按比例将其缩放成原来的一半
resized_img = cv2.resize(img,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_AREA)

#保存查看
cv2.imwrite('resized_image.jpg',resized_img)

参数调整测试

import cv2

# 读取图像
img = cv2.imread('your_image.jpg')

# 指定输出尺寸
resized_img_fixed = cv2.resize(img, (800, 600), interpolation=cv2.INTER_LINEAR)

# 使用缩放因子
resized_img_scale = cv2.resize(img, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_LINEAR)

# 使用不同的插值方法
resized_img_nearest = cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_NEAREST)
resized_img_cubic = cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

# 保存结果
cv2.imwrite('resized_fixed.jpg', resized_img_fixed)
cv2.imwrite('resized_scale.jpg', resized_img_scale)
cv2.imwrite('resized_nearest.jpg', resized_img_nearest)
cv2.imwrite('resized_cubic.jpg', resized_img_cubic)

通过改变输出尺寸与缩放因子，可以调整图像的大小
不同的插值方法会影响图像的质量，最近邻插值可能会出现像素化，三次插值则会更加的平滑

计算机图像学相应知识

图像缩放与插值

图像缩放，主要就是改变图像分辨率，需要重新计算其像素值
插值算法：用于估计新的像素值，常见的右最近邻、双线性、双三次插值等
- 处理图像的时候，插值算法主要用于在图像缩放和旋转的时候生成新像素
- 也就是说当要放大或者缩小图像的时候，原图中的像素不够使用了，插值算法就是用来填补这些空白区域的，目的就是为了让变换后的新图像看起来更加的平滑自然

插值方法原理理解

最近邻插法：选择最接近的像素值，简单但是可能会出现锯齿或者马赛克的效果
- 观察哪个已有像素距离新位置最近，然后直接将这个最近的像素颜色搬运过来
- 也就类似于在放大图片的时候，直接把原来的像素点扩大复制出来，这样省时省力，但是结果可能会出现锯齿现象，图像看起来也就不平滑
- 具体理解，类似于网格纸上的像素画，该算法就是暴力将每个格子放大几倍，但是格子的颜色不变，这样放大后的图像在视觉上一定是存在锯齿形状
双线性插值：根据周围四个像素的加权平均计算，效果比较好
- 考虑周围4个像素，并根据这些像素做一个加权平均生成一个新的像素，也就是根据周围的颜色混合出一个中间值，所以图像会比最近邻插值平滑的多
- 根据周围的四个颜色计算出一个过度色，从而更加自然
双三次插值：考虑周围16个像素，计算更加复杂一些，效果更加平滑
- 考虑16个相邻的像素，然后利用数学公式生成新的像素，这样就会让边缘和细节更加清晰
超分辨率插值
- 该种方法不是简单的利用周围元素生成新的像素，而是利用机器学习来理解图像的内容，甚至预测出新的细节，所以该种方法可以恢复一些模糊的部分

调整图像背后实现理解

重采样：计算机通过对目标图像每个像素在源图像的对应位置，使用插值方法计算新的像素值
插值计算：根据插值算法，对源图像的像素值进行加权平均，最终得到目标像素值

转换色彩空间

基本操作

cv2.cvtColor(src , code)：转换图像颜色空间，主要用于不同颜色空间之间的转换(BGR转换到灰度)
- src ：输入的图像
- code：颜色空间转换代码
  - cv2.COLOR_BGR2GRAY: BGR 转灰度
  - cv2.COLOR_BGR2HSV: BGR 转 HSV
  - cv2.COLOR_BGR2RGB: BGR 转 RGB
OpenCV默认的颜色空间是BGR

代码实践

#颜色空间转换
import cv2

img = cv2.imread('your_image.jpg')

#转换为灰度图像
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#保存灰度图像
cv2.imwrite('gray_image.jpg',gray_img)

实现原理理解

该函数会使用预定义的转换公式，将像素值从一种颜色空间映射到另一种颜色空间
颜色空间的转换会涉及到对图像的每一个像素和通道进行计算

计算机图形学相应知识补充

颜色空间

BGR/RGB：基于三原色的颜色模型，一般用于显示设备
HSV（色调、饱和度、明度）：接近于人类感知，主要用于处理颜色分析和处理

颜色空间转换

线性转换：部分颜色空间是可以直接通过线性变换转换
非线性转换：RGB转换为HSV，就需要使用到非线性公式

图像裁剪

基本说明

图像在OpenCV中是以NumPy数组形式表示，所以图像裁剪可以使用数组切片的方式实现
数组切片：img[y1:y2 , x1:x2] ，先行后列
- y1:y2：行索引范围（高度）
- x1:x2：列索引范围（宽度）

代码实践

import cv2

img = cv2.imread('your_image.jpg')

#裁剪图像，获取[100,100]到[400,400]
cropped_img = img[100:400,100:400]

#保存图像
cv2.imwrite('cropped_image.jpg',cropped_img)

函数实现

图像在内存中是以二维或者三维数值表示的，裁剪操作实际上就是对数组进行切片
裁剪得到的图像与原图像共享内存，修改裁剪后的图像会影响原图像

计算机原理知识补充

ROI（感兴趣区域）

图像中需要处理或者分析的特定区域，主要用于降低计算量，聚焦于关键部分
- ROI是图像中的一块区域，当对这个区域的内容感兴趣的时候，并且需要在这个部分进行处理、分析或者提取信息
- 例如在对一张风景照进行处理，只是对该图片上的一朵花感兴趣，那么只需要提取这朵花的ROI区域，那么接下来的操作就可以对这朵花进行操作，例如放大、修改其形状等
实现流程
- 确定ROI的位置，即通过矩形划出感兴趣的部分，然后提取ROI，作为一个独立的小图像
- 处理ROI，针对于该块区域进行处理，最后将ROI还原到原图即可
裁剪，即是选取图像中感兴趣的部分，类似于用剪刀将照片上剪下一块

ROI实验

import cv2

# 读取图像
img = cv2.imread('your_image.jpg')

# 定义 ROI 区域（假设已知需要裁剪的坐标）
x, y, w, h = 100, 100, 200, 200  # 左上角坐标 (x, y)，宽度 w，高度 h

# 裁剪 ROI
roi = img[y:y+h, x:x+w]

# 对 ROI 进行处理，例如转换为灰度
roi_gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)

# 将处理后的 ROI 放回原图（需要匹配通道数）
roi_color = cv2.cvtColor(roi_gray, cv2.COLOR_GRAY2BGR)
img[y:y+h, x:x+w] = roi_color

# 保存结果
cv2.imwrite('processed_image.jpg', img)

绘制形状和添加文字

基本方法

cv2.line(img , pt1 , pt2 , color , thickness , lineType)：绘制直线
- pt1 , pt2 ：起点和终点坐标
- color：线条颜色（B G R）
- thickness：线条厚度
- lineType
  - cv2.LINE_8: 8-connected line（默认）
  - cv2.LINE_AA: 抗锯齿线条，效果更平滑
  - cv2.LINE_4: 4-connected line
cv2.rectangle(img , pt1 , pt2 , color-BGR , thickness,lineType,shift )：绘制矩形
- img：目标图像
- pt1：矩形左上角顶点（x,y）
- pt2：矩形的右下顶点
- color：矩形边框颜色
- thickness（可选）：边框的厚度，如果将其设置为负数或者cv2.FILLED矩形将被填充
- lineType（可选）：边框线条类型
- shift（可选）：坐标的小数位表示
cv2.circle(img , center , radius , color , thickness=None , lineType=None , shift=None)：绘制圆形
- img：目标图像
- center：圆心位置
- radius：圆的半径
- color：圆的颜色
- thickness（可选）：元边框的厚度
cv2.putText(img , text , org , fontFace , fontScale , color , thickness=None,lineType=None,bottomLeftOrigin=None)：在图形上添加文字
- img：目标图像
- text：要绘制的文本字符串
- org：文本左下角的起始位置，格式为 (x, y)
- fontFace：字体类型。常用的字体类型：
  - cv2.FONT_HERSHEY_SIMPLEX: 常用字体，正常大小
  - cv2.FONT_HERSHEY_PLAIN: 非常小的字体
  - cv2.FONT_HERSHEY_DUPLEX: 比较粗的字体
  - cv2.FONT_HERSHEY_COMPLEX: 比较复杂的字体
  - cv2.FONT_HERSHEY_TRIPLEX: 更复杂的字体
  - cv2.FONT_HERSHEY_COMPLEX_SMALL: 小字体
  - cv2.FONT_HERSHEY_SCRIPT_SIMPLEX: 类似手写字体
  - cv2.FONT_HERSHEY_SCRIPT_COMPLEX: 更复杂的手写字体
- fontScale：字体的缩放比例（大小）
- color：文本颜色，格式为 (B, G, R)
- thickness（可选）：文本线条的粗细，默认为 1
- lineType（可选）：线条类型，通常是 cv2.LINE_AA 抗锯齿
- bottomLeftOrigin（可选）：如果为 True，则文本原点为左下角，默认是 False，即左上角为原点

代码实践

#绘制文字与添加形状
import cv2 
import numpy as np

#创建纯黑色背景
img = np.zeros((512,512,3),np.uint8)

#蓝色直线，左上角到右下角
cv2.line(img,(0,0),(511,511),(255,0,0),5)

#绿色矩形，左上角到右下角
cv2.rectangle(img,(100,100),(400,400),(0,255,0),3)

#红色圆形,中心坐标和半径
cv2.circle(img,(256,256),50,(0,0,255),-1) #-1是填充的意思

#添加文字
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img,'openCv_stu',(10,500),font,2,(255,255,255),2,cv2.LINE_AA)

#保存结果
cv2.imwrite('shapes_text.jpg',img)

参数调整分析

import cv2
import numpy as np

# 创建黑色图像
img = np.zeros((512, 512, 3), np.uint8)

# 绘制不同厚度和颜色的线条
cv2.line(img, (50, 50), (462, 50), (255, 0, 0), 1)
cv2.line(img, (50, 100), (462, 100), (0, 255, 0), 3)
cv2.line(img, (50, 150), (462, 150), (0, 0, 255), 5)

# 绘制填充和非填充的矩形
cv2.rectangle(img, (50, 200), (200, 350), (255, 255, 0), 3)
cv2.rectangle(img, (250, 200), (450, 350), (255, 0, 255), -1)

# 绘制不同半径的圆形
cv2.circle(img, (256, 400), 50, (0, 255, 255), 2)
cv2.circle(img, (256, 400), 30, (255, 255, 255), -1)

# 添加不同字体和大小的文字
fonts = [cv2.FONT_HERSHEY_SIMPLEX, cv2.FONT_HERSHEY_COMPLEX]
cv2.putText(img, 'OpenCV', (10, 450), fonts[0], 1, (255, 255, 255), 2)
cv2.putText(img, 'Graphics', (10, 500), fonts[1], 2, (255, 255, 255), 3)

# 保存结果
cv2.imwrite('drawings.jpg', img)

计算机图形学补充

光栅化与绘制

光栅化就是将几何图形转换为像素阵列
光栅图形
- 由像素组成的图像，类似于一个由多个小方格组成的画，每个方格都有颜色
抗锯齿即是通过灰度处理平滑边缘，减少锯齿效果

矢量图形

使用数学描述图形，放大不会模糊
矢量图形是可以实现无损缩放、光栅图形由像素组成，缩放会失真

图像算术运算

基本操作

cv2.add()：图像相加
cv2.addWeighted(src1 , alpha , scr2 , beta , gamma)：图像融合
- src1 , src2 ：输入图像
- alpha , beta：图像的权重
- gamma：加到结果上的标量值

代码实践

#图像运算
import cv2 

#读取两个相同尺寸的图片
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

#简单相加
added_img = cv2.add(img1,img2)

#两张图像融合
blended_img = cv2.addWeighted(img1,0.7,img2,0.3,0)

#保存结果
cv2.imwrite('added_imge.jpg',added_img)
cv2.imwrite('boended_image.jpg',blended_img)

参数调整测试

import cv2

# 读取图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

# 确保图像尺寸相同
img2 = cv2.resize(img2, img1.shape[1::-1])

# 不同权重的加权融合
blended_img1 = cv2.addWeighted(img1, 0.2, img2, 0.8, 0)
blended_img2 = cv2.addWeighted(img1, 0.5, img2, 0.5, 0)
blended_img3 = cv2.addWeighted(img1, 0.8, img2, 0.2, 0)

# 保存结果
cv2.imwrite('blended_20_80.jpg', blended_img1)
cv2.imwrite('blended_50_50.jpg', blended_img2)
cv2.imwrite('blended_80_20.jpg', blended_img3)

计算机图形学知识补充

图像融合

加权平均：对两张图像的像素值按照权重求和，实现融合效果
Alpha通道：用于表示图像的透明度，在图像叠加的时候起作用

像素级运算

逐像素计算：对图像的每个像素进行算术运算，生成新的图像
- 对图像中的每个元素进行计算，就像个每个像素加上一样的亮度
图像融合
- 将两个图像按照一定比例进行叠加，从而产生融合效果，类似于PS中的正片叠底等效果

图像阈值处理

基本操作

cv2.threshold(src , thresh , maxval , type)：主要负责对图像的阈值进行处理，阈值就是用来将灰度图像二值化，根据阈值将像素进行分类
- src：输出灰度图像
- thresh：阈值
- maxval：当满足条件的时候，赋予的像素值
- type：阈值类型
  - cv2.THRESH_BINARY: 大于阈值的像素赋值为 maxval，否则为 0
  - cv2.THRESH_BINARY_INV: 反转的二值化
  - cv2.THRESH_TRUNC: 大于阈值的像素赋值为阈值
  - cv2.THRESH_TOZERO: 大于阈值的保留，其他设为 0
注意其返回值有两个，以代码事例来说，ret是阈值，thresh_img是处理后的图像

代码实践

import cv2 

#读取灰度图像
gray_img = cv2.imread('gray_image.jpg',0)

#应用全局阈值
ret,thresh_img = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)

#保存处理结果
cv2.imwrite('threshold_image.jpg',thresh_img)

参数调整测试

import cv2

# 读取灰度图像
gray_img = cv2.imread('gray_image.jpg', 0)

# 应用不同阈值和类型
ret, thresh_binary = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
ret, thresh_binary_inv = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh_trunc = cv2.threshold(gray_img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh_tozero = cv2.threshold(gray_img, 127, 255, cv2.THRESH_TOZERO)

# 保存结果
cv2.imwrite('thresh_binary.jpg', thresh_binary)
cv2.imwrite('thresh_binary_inv.jpg', thresh_binary_inv)
cv2.imwrite('thresh_trunc.jpg', thresh_trunc)
cv2.imwrite('thresh_tozero.jpg', thresh_tozero)

计算机图形学概念理解

阈值处理

阈值处理理解
- 类似于一张黑白照片，然后手动管设定一个亮度数值，照片上比这个亮度更亮的部分都变成的了白色，低于这个亮度的部分都变成了黑色，该操作就是阈值处理
- 阈值处理就是设定了一个门槛值，将图像的像素分成的两类，一类就是高于这个门槛的像素，另一个就是低于这个门槛的像素，一般用于区分图像前景和后景
图像分割：根据像素值，将图像分为前景和背景
- 将自己想要的图像分割出来，但是这个区分标准是基于像素的亮度
直方图分析：通过图像的灰度直方图，选择合适的阈值
- 首先直方图就是一个统计表，该直方图中显式的告诉照片中有多少亮的像素和多少暗的像素，这样就可以合理的找出自己想要设定的阈值
- 例如一张黑白图片，上面主要有亮的和暗的物体，直方图中就统计了这张照片亮和暗的像素有多少，然后设计了一个统计表，然后就可以利用直方图将明暗区域分开

自动阈值算法

大津算法：自动计算最佳阈值，最大化类间方差
- 大津算法就是在照片中找到一个最佳的分界线，让前景物体和背景区分最明显
- 也就是自动帮忙找到最佳阈值，从而找到最佳分割亮度值

图像平滑（模糊）

基本操作

主要功能：图像平滑主要就是用来降低噪声，改善图像质量
滤波核大小：核越大，模糊的程度就越高
高斯滤波：比均值更加平滑，保留边缘能力更强
cv2.blur(src , ksize)：均值滤波
- ksize：滤波核大小
cv2.GaussianBlur（src , kszie , sigmaX）：高斯滤波
- sigmaX：高斯核在X方向的标准差
cv2.medianBlur(src , ksize)
- ksize：滤波核大小，必须是奇数

代码实践

#图像平滑
import cv2 

img = cv2.imread('your_image.jpg')

#均值滤波
blur_img = cv2.blur(img,(10,10))

#高斯滤波
gaussian_img = cv2.GaussianBlur(img,(5,5),0)

cv2.imwrite('blur_image.jpg',blur_img)
cv2.imwrite('gaussian_image.jpg',gaussian_img)

参数调整变化分析

计算机图形学知识补充

滤波器

滤波器，类似于PS中的模版或者工具，可以达到模糊、锐化等效果，就像在照片上盖了一层透明的薄膜一样
- 不同滤波器的理解：卷积就像手中拿到的放大镜，观察图像中的每一个部分，然后使用滤波器，类似的滤波器不同的类型可以让图像达到不同的效果
空间域滤波：直接在图像像素空间上进行操作
卷积操作：滤波器与图像进行卷积，从而得到平滑效果
- 将滤波器在图像上滑动，对对应的像素进行运算，这就像用滚筒在墙上刷漆一样
- 本身是一种数学运算，通过将滤波器核与图像进行点积，得到滤波后的结果

高斯滤波器

其权重按照高斯分布，中心权重大，边缘权重小
主要用于平滑噪声以及保留边缘信息

不同滤波器实践验证

均值滤波对随机噪声有一定抑制作用，但会模糊边缘
高斯滤波保留边缘的能力较好，适合去除高斯噪声
中值滤波对椒盐噪声有很好的去除效果

import cv2

# 读取图像
img = cv2.imread('your_image.jpg')

# 均值滤波
mean_blur = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1)

# 中值滤波
median_blur = cv2.medianBlur(img, 5)

# 保存结果
cv2.imwrite('mean_blur.jpg', mean_blur)
cv2.imwrite('gaussian_blur.jpg', gaussian_blur)
cv2.imwrite('median_blur.jpg', median_blur)

边缘处理

基本用法

边缘检测主要用于提取图像中的边缘信息
cv2.Canny( image , threshold1 , threshold2 , aertureSize=3 , L2gradient=False)：边缘检测算法
- image（输入图像）
  - 必须是单通道的灰度图像，如果输入的是彩色图像，需要先将其转为灰度图像，然后进行边缘检测
- threshold1 , threshold2 ：低阈值与高阈值
  - 低阈值，表示任何小于该值的像素梯度将会被认为不是边缘，低阈值直接影响检测出边缘的数量和强度
  - 高阈值，任何大于该值的像素梯度都会被认为是边缘，高阈值会直接的影响边缘的强度和检测的灵敏度
- aertureSize：Sobel算子的大小，默认是3
  - Sobel算子就是用于计算图像梯度的卷积核尺寸，该算子是一种用于检测边缘的算子
  - apertureSize的数值必须是奇数，卷积和越大，计算出来梯度就越精细，但是可能也会导致边缘模糊
- L2gradient：是否使用更加精确的L2范数进行梯度的运算

代码实践

参数调整

结论：改变阈值可以控制检测到的边缘数量；增大aertureSize，可以检测到更粗的边缘

import cv2 

gray_img = cv2.imread('gray_image.jpg',0)

#不同阈值边缘检测
edges_50_150 = cv2.Canny(gray_img, 50, 150)
edges_100_200 = cv2.Canny(gray_img, 100, 200)
edges_150_250 = cv2.Canny(gray_img, 150, 250)

# 使用不同的 apertureSize
edges_aperture_5 = cv2.Canny(gray_img, 100, 200, apertureSize=5)

# 保存结果
cv2.imwrite('edges_50_150.jpg', edges_50_150)
cv2.imwrite('edges_100_200.jpg', edges_100_200)
cv2.imwrite('edges_150_250.jpg', edges_150_250)
cv2.imwrite('edges_aperture_5.jpg', edges_aperture_5)

计算机图形学知识补充

边缘检测算法

Canny边缘检测：多级边缘检测算法，
Sobel算子：用于计算图形的梯度

梯度

梯度就是图像中像素值变化的程度，就像山坡的坡度，坡度越大变化也就越明显
图像处理中的梯度，表示的是在空间位置上的变化率，是向量，包含幅值和方向
课本概念理解
- 梯度是图像中亮度（灰度值）变化的方向和强度，对于每个像素，梯度是一个向量，其指的是像素值变化最快的方向
- Gx：图像在水平方向的变化
- Gy：图像上垂直方向上变化