opencv圖片處理常見操作方法總結

更新時間：2026年01月09日 10:32:28 作者：一招定勝負

這篇文章主要介紹了opencv圖片處理常見操作方法的相關資料,通過代碼示例,展示了如何對圖片進行這些操作,并解釋了圖片在計算機中以數(shù)組形式存儲的原理,需要的朋友可以參考下

1、圖片打碼

代碼：

import cv2
import numpy as np

# 圖片打碼
a = cv2.imread(r'img.png')
a[100:200,200:300] = np.random.randint(0,256,(100,100,3))#矩陣賦值必須是相同大小
cv2.imshow(  'masaike',a)

(100,100,3)表示生成100行100列三通道的三維數(shù)組。

運行結果：

2、圖片組合和縮放

代碼：

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：矩陣的大小必須要統(tǒng)一。
cv2.imshow(  'b',b)
cv2.imshow( 'a',a)
# 圖片縮放cv2.resize
# 用于調整圖像的大小。它有以下幾個參數(shù)：
# src:要調整大小的輸入圖像，可以是numpy數(shù)組、PIL圖像或其他類型。
# dsize:輸出圖像的大小，可以是一個元組，例如(寬，高)，或者使用整數(shù)標量來縮放原始圖像。如果dsize為None，則根據(jù)scalex和scaley
# fx:沿x軸的縮放系數(shù)。
# fy:沿y軸的縮放系數(shù)。
a = cv2.imread('img.png')
# a_new = cv2.resize(a,(600,200))  # 寬、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()

運行結果：

3、圖片運算

代碼：

import cv2
'''---------圖像運算---------'''
# 圖像加法運算
# 對于+號運算，當對圖像a，圖像b進行加法求和時，遵循以下規(guī)則：
# 當某位置像素相加得到的數(shù)值小于255時，該位置數(shù)值為兩圖像該位置像素相加之和
# 當某位置像素相加得到的數(shù)值大于255時，該位置數(shù)值將截斷結果并將其減去 256  例如：相加后是260，實際是260-256=4
a = cv2.imread('img.png')
b = cv2.imread('img_1.png')
c = a+10  #圖片
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)

# 對于cv2.add()運算，當對圖像a，圖像b進行加法求和時，遵循以下規(guī)則：
# 當某位置像素相加得到的數(shù)值小于255時，該位置數(shù)值為兩圖像該位置像素相加之和
# 當某位置像素相加得到的數(shù)值大于255時，該位置數(shù)值為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)


# 圖像加權運算
# 就是在計算兩幅圖像的像素值之和時，將每幅圖像的權重考慮進來，可以用公式表示為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:圖像的亮度值（常數(shù)），將添加到加權和上
cv2.imshow( 'addWeighted',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

運行結果：

4、平滑處理（模糊處理）

選取一個像素點，一附近的像素點代替，代替方式是使用濾波器，濾波器是一個卷積核，通過卷積核實現(xiàn)均值，中值等運算。

代碼：給加入噪聲的圖片進行平滑處理消除噪聲，我們看下集中處理方式的用法和效果：

'''---------圖像平滑處理---------'''
# 圖像平滑（smoothing）也稱為"模糊處理"（bluring）
# 通過消除圖像中的噪聲或細節(jié)來使圖像看起來更為模糊，從而實現(xiàn)平滑效果
# 可以用來壓制、弱化、消除圖像中的細節(jié)、突變和噪聲。
# 下面是常用的一些濾波器
#           均值濾波 -> blur函數(shù)
#           方框濾波 -> boxFilter函數(shù)
#           高斯濾波->GaussianBlur函數(shù)
#           中值濾波->medianBlur函數(shù)
# dst=cv2.blur(src,ksize,anchor,borderType)
#   dst是返回值
#   src是需要處理的圖像
#   ksize是濾波核（卷積核）的大小
#   anchor是錨點，默認值是（-1,-1）一般無需更改
#   borderType是邊界樣式，一般無需更改
# 一般情況下，使用dst=cv2.blur(src,ksize)即可

import cv2
import numpy as np

# 1個用法
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    h, w = image.shape[:2]  # 獲取圖片的高和寬
    for i in range(n):  # 生成n個椒鹽噪聲
        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、均值濾波  blur
blur_1 = cv2.blur(noise, (3,3))  #卷積核為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，表示進行方框濾波后得到的處理結果。
####     src 是需要處理的圖像，即原始圖像。
####     ddepth是處理結果圖像的圖像深度，一般使用-1表示與原始圖像使用相同的圖像深度。（可以理解為數(shù)據(jù)類型）
####     ksize 是濾波核的大小。濾波核大小是指在濾波處理過程中所選擇的鄰域圖像的高 度和寬度。
####     anchor 是錨點，（指對應哪個區(qū)域）
####     normalize 表示在濾波時是否進行歸一化。
####         1.當值為True時，歸一化，用鄰域像素值的和除以面積。 此時方框濾波與 均值濾波 效果相同。
####         2.當值為False時，不歸一化，直接使用鄰域像素值的和。和>255時使用255

boxFilter_1 = cv2.boxFilter(noise,-1, ksize=(3,3),normalize = True) # 2、方框濾波
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]]])高斯濾波
#### 參數(shù)說明：
#### src:輸入圖像，通常是一個NumPy數(shù)組。
#### ksize:濾波器的大小，它是一個元組，表示在水平和垂直方向上的像素數(shù)量。例如，(5, 5)表示一個5x5的濾波器。
#### sigmaX和sigmaY:分別表示在X軸和Y軸方向上的標準差。這些值與濾波器大小相同。默認情況下，它們都等于0，這意味著沒有高斯模糊。
#### dst:輸出圖像，通常是一個NumPy數(shù)組。如果為None，則會創(chuàng)建一個新的數(shù)組來存儲結果。

GaussianB = cv2.GaussianBlur(noise, ksize=(3,3), sigmaX=1) #標準差為1，標準正太分布。 3、高斯濾波
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)

# cv2.medianBlur(src, ksize[, dst]])中值濾波
# 參數(shù)說明：
# src:輸入圖像。
# ksize:濾波器的大小，它是一個整數(shù)，表示在水平和垂直方向上的像素數(shù)量。例如，5表示一個5x5的濾波器。
# dst:輸出圖像，通常是一個NumPy數(shù)組。如果為None，則會創(chuàng)建一個新的數(shù)組來存儲結果。

medianB = cv2.medianBlur(noise, ksize=3)  # 4、中值濾波
cv2.imshow('medianBlur',medianB)
cv2.waitKey(0)

cv2.destroyAllWindows()

運行結果：