OpenCV图像处理操作：边缘填充、阈值处理与图像平滑处理

一、图像边缘填充技术

1.1 核心函数解析

cv2.copyMakeBorder()是OpenCV实现边界填充的核心函数，其完整语法如下：

cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])

参数说明表：

1.2 五种填充模式对比

通过示例代码展示不同填充效果：

import cv2

img = cv2.imread('input.jpg')
top, bottom, left, right = 50, 50, 50, 50

# 五种填充方式对比
constant = cv2.copyMakeBorder(img,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(57,38,156))
reflect = cv2.copyMakeBorder(img,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(img,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(img,top,bottom,left,right,borderType=cv2.BORDER_WRAP)

填充效果对比表：

二、图像阈值处理技术

2.1 阈值处理原理

通过设定临界值对像素进行分类，公式表示：

$$dst(x,y)=\{\begin{array}{ll}maxval& \text{if }src(x,y)>thresh\\ 0& \text{otherwise}\end{array}$$

2.2 五种阈值模式详解

ret,binary = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret1,binaryinv = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret2,trunc = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret3,tozero = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret4,tozeroinv = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

阈值处理类型对照表：

• 彩色图像与灰度图阈值处理的对比

2.3 参数选择建议

• 阈值选择：建议使用直方图分析确定最佳阈值
• 最大值设定：通常设置为255（8位图像）
• 类型选择：
  • 文档扫描：THRESH_BINARY
  • 光照不均：THRESH_TOZERO
  • 噪声抑制：结合平滑处理

三、图像平滑处理技术

3.1 噪声类型与处理选择

常见噪声处理方案：

3.2 四大滤波算法对比

添加椒盐噪声

def add_peppersalt_noise(image):
    result = img.copy()
    h , w = img.shape[:2]
    for i in range(10000):
        x = np.random.randint(1,h)
        y = np.random.randint(1,w)
        if np.random.randint(0,2) ==0:
            result[x,y]=0
        else:
            result[x,y]=255
    return result

均值滤波（邻域平均滤波）–> blur函数

均值滤波(Mean filtering)：是指用当前像素点周围nxn个像素值的均值来代替当前像素值。边界点的处理可以扩展当前图像的周围像素点padding

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

blur_1 = cv2.blur(noise,(3,3))
cv2.imshow('blur(3*3)',blur_1)
blur = cv2.blur(noise,(5,5))
cv2.imshow('blur(5*5)',blur)

方框滤波–> boxFilter函数

方框滤波：是指用当前像素点周围nxn个像素值的和来代替当前像素值。

boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize = True)
cv2.imshow('boxFilter_1(3*3)',boxFilter_1)
boxFilter_1 = cv2.boxFilter(noise,-1,(5,5),normalize = True)
cv2.imshow('boxFilter_1(5*5)',boxFilter_1)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize = False)
cv2.imshow('boxFilter_2(3*3)',boxFilter_2)
boxFilter_2 = cv2.boxFilter(noise,-1,(5,5),normalize = False)
cv2.imshow('boxFilter_2(5*5)',boxFilter_2)

高斯滤波–>GaussianBlur函数

高斯滤波(Mean filtering)：对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

GaussianB = cv2.GaussianBlur(noise,(3,3),1) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlura_x(3*3)',GaussianB)
GaussianB = cv2.GaussianBlur(noise,(5,5),1) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlura_x(5*5)',GaussianB)
GaussianB_1 = cv2.GaussianBlur(noise,(3,3),2) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlura_y(3*3)',GaussianB_1)
GaussianB_1 = cv2.GaussianBlur(noise,(5,5),3) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlura_y(5*5)',GaussianB_1)

中值滤波–>medianBlur函数

中值滤波：会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值从小到大排序，然后将位于中间位置的像素值作为当前像素点的像素值。

medianB = cv2.medianBlur(noise,3)
cv2.imshow('medianBlur(3*3)',medianB)
medianB_5 = cv2.medianBlur(noise,5)
cv2.imshow('medianBlur(5*5)',medianB_5)

滤波器性能对比：

3.3 参数优化技巧

1. 核尺寸选择：
   • 奇数尺寸（3x3, 5x5）
   • 越大越模糊，但计算量增加
2. 高斯滤波σ值：
   • σ=0时自动计算
   • σ与核尺寸比例建议：σ = 0.3*((ksize-1)*0.5 - 1) + 0.8
3. 中值滤波：
   • 最佳效果通常出现在3x3或5x5
   • 大尺寸计算成本指数级增长

四、综合应用实例

# 完整处理流程示例
def process_image(img_path):
    # 读取图像
    img = cv2.imread(img_path)
    
    # 边缘填充
    padded = cv2.copyMakeBorder(img, 20,20,20,20, cv2.BORDER_REFLECT101)
    
    # 灰度转换
    gray = cv2.cvtColor(padded, cv2.COLOR_BGR2GRAY)
    
    # 阈值处理
    _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
    # 噪声去除
    denoised = cv2.medianBlur(thresh, 3)
    
    return denoised

该示例展示了：

1. 反射边界填充保持图像连续性
2. 自动阈值选择（OTSU算法）
3. 中值滤波去除椒盐噪声
4. 完整的预处理流程

五、性能优化建议

1. 并行处理：对大图使用cv2.UMat加速
2. 内存管理：及时释放不需要的图像缓存
3. 硬件加速：启用OpenCL支持
4. 算法选择：根据实时性要求选择滤波器

# 使用UMat加速示例
img_umat = cv2.UMat(img)
blur_umat = cv2.blur(img_umat, (5,5))
result = blur_umat.get()

六、常见问题解答

Q：边界填充后图像尺寸如何计算？
A：新尺寸 = 原始高+top+bottom × 原始宽+left+right

Q：中值滤波核大小是否影响去噪效果？
A：是的，过小的核无法去除密集噪声，过大的核会导致细节丢失

Q：阈值处理出现大量噪声怎么办？
A：建议先进行高斯滤波再进行阈值处理