今天学习opencv对图片的常见处理操作，包括：图片的打码，组合，放缩，加法运算，加权运算，以及图片的模糊处理（平滑处理）
1、图片打码
代码：
import cv2 import numpy as np # 图片打码 a = cv2.imread(r'img.png') a[100:200,200:300] = np.random.randint(0,256,(100,100,3))#矩阵赋值必须是相同大小 cv2.imshow( 'masaike',a)(100,100,3)表示生成100行100列三通道的三维数组。
运行结果：
2、图片组合和缩放
代码：
import cv2 a = cv2.imread('img_1.png') b = cv2.imread('img.png') b[20:100,20:100] = a[20:100,20:100]#注意：矩阵的大小必须要统一。 cv2.imshow( 'b',b) cv2.imshow( 'a',a) # 图片缩放cv2.resize # 用于调整图像的大小。它有以下几个参数： # src:要调整大小的输入图像，可以是numpy数组、PIL图像或其他类型。 # dsize:输出图像的大小，可以是一个元组，例如(宽，高)，或者使用整数标量来缩放原始图像。如果dsize为None，则根据scalex和scaley # fx:沿x轴的缩放系数。 # fy:沿y轴的缩放系数。 a = cv2.imread('img.png') # a_new = cv2.resize(a,(600,200)) # 宽、高 a_new = cv2.resize(a,dsize=None,fx=1.5,fy=0.5) cv2.imshow( 'a1',a) cv2.imshow('a_new',a_new) cv2.waitKey(0) cv2.destroyAllWindows()运行结果：
3、图片运算
代码：
import cv2 '''---------图像运算---------''' # 图像加法运算 # 对于+号运算，当对图像a，图像b进行加法求和时，遵循以下规则： # 当某位置像素相加得到的数值小于255时，该位置数值为两图像该位置像素相加之和 # 当某位置像素相加得到的数值大于255时，该位置数值将截断结果并将其减去 256 例如：相加后是260，实际是260-256=4 a = cv2.imread('img.png') b = cv2.imread('img_1.png') c = a+10 #图片 cv2.imshow( 'yuan',a) cv2.imshow( 'a+10',c) cv2.waitKey(0) c = a[50:100,50:100]+b[50:100,50:100] cv2.imshow( 'a+b',c) cv2.waitKey(0) # 对于cv2.add()运算，当对图像a，图像b进行加法求和时，遵循以下规则： # 当某位置像素相加得到的数值小于255时，该位置数值为两图像该位置像素相加之和 # 当某位置像素相加得到的数值大于255时，该位置数值为255 a = cv2.imread('img.png') b = cv2.imread('img_1.png') b = cv2.resize(b, (100,100)) a = cv2.resize(a, dsize= (100,100)) c = cv2.add(a,b) #也可以使用使用 cv2.imshow( 'a add b',c) cv2.waitKey(0) # 图像加权运算 # 就是在计算两幅图像的像素值之和时，将每幅图像的权重考虑进来，可以用公式表示为dst=src1×α+src2×β+γ a = cv2.imread('img.png') b = cv2.imread('img_1.png') b = cv2.resize(b, dsize= (400,400)) a = cv2.resize(a, dsize= (400,400)) # c =cv2.addWeighted(a, 0.5,b, 0.5, 10) # 10:图像的亮度值（常数），将添加到加权和上 cv2.imshow( 'addWeighted',c) cv2.waitKey(0) cv2.destroyAllWindows()运行结果：
4、平滑处理（模糊处理）
选取一个像素点，一附近的像素点代替，代替方式是使用滤波器，滤波器是一个卷积核，通过卷积核实现均值，中值等运算。
代码：给加入噪声的图片进行平滑处理消除噪声，我们看下集中处理方式的用法和效果：
'''---------图像平滑处理---------''' # 图像平滑（smoothing）也称为"模糊处理"（bluring） # 通过消除图像中的噪声或细节来使图像看起来更为模糊，从而实现平滑效果 # 可以用来压制、弱化、消除图像中的细节、突变和噪声。 # 下面是常用的一些滤波器 # 均值滤波 -> 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 # ksize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 import cv2 import numpy as np # 1个用法 def add_peppersalt_noise(image, n=10000): result = image.copy() h, w = image.shape[:2] # 获取图片的高和宽 for i in range(n): # 生成n个椒盐噪声 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 # ## image = cv2.imread('img.png') cv2.imshow('yuan',image) cv2.waitKey(0) noise = add_peppersalt_noise(image) cv2.imshow('noise',noise) cv2.waitKey(0) # ## 1、均值滤波 blur blur_1 = cv2.blur(noise, (3,3)) #卷积核为3，3 效果一般，清晰度一般 cv2.imshow('blur_1',blur_1) cv2.waitKey(0) blur_2 = cv2.blur(noise, (63,63)) 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 boxFilter_1 = cv2.boxFilter(noise,-1, ksize=(3,3),normalize = True) # 2、方框滤波 cv2.imshow('boxFilter_1',boxFilter_1) cv2.waitKey(0) boxFilter_2 = cv2.boxFilter(noise,-1, ksize=(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, ksize=(3,3), sigmaX=1) #标准差为1，标准正太分布。 3、高斯滤波 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, ksize=3) # 4、中值滤波 cv2.imshow('medianBlur',medianB) cv2.waitKey(0) cv2.destroyAllWindows()运行结果：
以上就是今天给大家分享的图片处理核心知识点：图片在计算机中本质是以数组形式存储的，其中彩色图片对应 RGB 三通道的数组结构，灰度图则是单通道数组。所以我们用 OpenCV 处理图片，本质上就是对这些数组进行各类运算和操作。
