flowchart TD A[读取图像<br>（cv2.imread）] --> B[色彩空间转换<br>（如 BGR 转灰度）] B --> C{选择处理路径} C -- 预处理 --> D[图像增强<br>（滤波/平滑/形态学操作）] C -- 几何变换 --> E[缩放/旋转/裁剪<br>等几何变换] C -- 特征分析 --> F[边缘/轮廓/特征检测<br>等高级分析] D --> G[保存或显示结果] E --> G F --> G

🔧 核心操作详解

1. 图像读取、显示与保存

一切处理始于读取图像，终于保存或显示结果。

读取图像：使用cv2.imread()函数。务必检查返回值是否为None，以防止因路径错误导致的异常。
```
import cv2 image = cv2.imread('path_to_image.jpg') if image is None: print("图像读取失败，请检查文件路径")
```

显示图像：使用cv2.imshow()显示图像，并用cv2.waitKey(0)等待按键响应，最后用cv2.destroyAllWindows()关闭窗口。

cv2.imshow('Image Window', image) key = cv2.waitKey(0) # 0 表示无限期等待按键 if key == ord('q'): # 按下 'q' 键退出 cv2.destroyAllWindows()

保存图像：使用cv2.imwrite()将处理后的图像保存到文件。
```
success = cv2.imwrite('output_image.jpg', image)
```

2. 色彩空间转换

OpenCV 默认使用BGR 色彩空间，而非常见的 RGB。最常用的转换之一是变为灰度图，可简化计算。

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

其他常见转换包括 BGR 转 HSV（常用于颜色分割）或 LAB 等。

3. 图像几何变换

几何变换用于改变图像的形状、位置或视角。

缩放：使用cv2.resize()。

resized_image = cv2.resize(image, (new_width, new_height)) # 指定新尺寸 resized_by_scale = cv2.resize(image, None, fx=0.5, fy=0.5) # 按比例缩放

旋转：需先计算旋转矩阵，再应用仿射变换。

(h, w) = image.shape[:2] center = (w // 2, h // 2) rotation_matrix = cv2.getRotationMatrix2D(center, 45, 1.0) # 中心点，角度，缩放因子 rotated_image = cv2.warpAffine(image, rotation_matrix, (w, h))

裁剪：直接使用 NumPy 数组切片完成。

cropped_image = image[start_y:end_y, start_x:end_x]

4. 图像滤波与增强

滤波主要用于降噪或突出特征。

高斯模糊：有效抑制噪声，是常用的预处理步骤。

blurred_image = cv2.GaussianBlur(image, (5, 5), 0) # 核大小（需正奇数），标准差

中值模糊：对“椒盐噪声”有较好效果。
```
median_blurred = cv2.medianBlur(image, 5)
```
图像平滑：如均值滤波，也可用于简单去噪。

5. 形态学操作

形态学操作主要针对二值图像，用于分析形状。

腐蚀与膨胀：是最基本的操作。

kernel = np.ones((5,5), np.uint8) # 定义结构元素 eroded = cv2.erode(image, kernel, iterations=1) # 腐蚀，使白色区域变小 dilated = cv2.dilate(image, kernel, iterations=1) # 膨胀，使白色区域变大

开运算与闭运算：由腐蚀和膨胀组合而成。

opening = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel) # 开运算：先腐蚀后膨胀，去噪点 closing = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel) # 闭运算：先膨胀后腐蚀，填小孔

🔍 核心特征处理

1. 边缘检测

Canny 边缘检测是最经典和常用的算法。

# 通常先转为灰度图并模糊处理 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5,5), 0) # Canny 检测，两个阈值很重要：minVal, maxVal edges = cv2.Canny(blurred, 50, 150)

2. 轮廓检测

轮廓是连接所有连续边缘点的曲线，常用于物体形状分析。

# 通常需要先得到二值图像（如通过阈值处理） contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在原图上绘制轮廓 image_with_contours = cv2.drawContours(image.copy(), contours, -1, (0, 255, 0), 2)

3. 特征检测与描述

例如ORB 特征，它是一种快速且无专利限制的特征检测算法。

orb = cv2.ORB_create() keypoints, descriptors = orb.detectAndCompute(gray_image, None) # 在图像上绘制关键点 image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0,255,0), flags=0)