【OpenCV 核心基础操作全解析：从边界填充到图像平滑】

OpenCV 作为 Python 计算机视觉领域的核心库，其基础操作是入门计算机视觉的必经之路。本文将围绕边界填充、图像运算、阈值处理、图像平滑四大核心模块，结合实战代码拆解原理与应用，帮助新手快速掌握 OpenCV 图像预处理的核心逻辑。

一、环境准备

1. 依赖安装

确保已安装 OpenCV 和 NumPy 库，执行以下命令完成安装：

pip install opencv-python numpy

2. 素材准备

准备 1-2 张测试图片（如zx_min.jpg、lp.png），放置在代码同级目录下，建议选择彩色、分辨率适中的图片，便于观察处理效果。

二、核心操作详解

（一）边界填充：给图像添加自定义边框

边界填充（Padding）是图像预处理的基础操作，常用于卷积运算中边缘信息补全、图像可视化时的边框美化等场景，OpenCV 中通过cv2.copyMakeBorder()实现。

1. 函数核心参数

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

2. 5 种边框类型对比

3. 实战代码

'''----------------边界填充-------------------------''' # cv2.copyMakeBorder()是OpenCV库中的一个函数，用于给图像添加额外的边界(padding)。 # copyMakeBorder(src: UMat, top: int, bottom: int, left: int, right: int, borderType: int, dst: UMat | None = ..., value: cv2.typing.Scalar = ...) # 它有以下几个参数： # src:要扩充边界的原始图像。 # top, bottom, left, right:相应方向上的边框宽度。 # borderType:定义要添加边框的类型，它可以是以下的一种： # cv2.BORDER_CONSTANT:添加的边界框像素值为常数(需要额外再给定一个参数)。 # cv2.BORDER_REFLECT:添加的边框像素将是边界元素的镜面反射，类似于gfedcba|abcdefgh|hgfedcba。 (交界处也复制了） # cv2.BORDER_REFLECT_101 或 cv2.BORDER_DEFAULT：和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba (交接处删除了） # cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似于aaaaaa|abcdefgh|hhhhhhh # cv2.BORDER_WRAP：上下左右边依次替换，cdefgh|abcdefgh|abcdefg import cv2 zm=cv2.imread('zx_min.jpg') # zm=cv2.resize(zm,dsize=None,fx=0.5,fy=0.5) # zm=cv2.resize(zm,(640,480)) top,bottom,left,right=50,50,50,50 consant=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(299,25,80)) reflect=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REFLECT) reflect101=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101) replicate=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE) wrap=cv2.copyMakeBorder(zm,top,bottom,left,right,borderType=cv2.BORDER_WRAP) cv2.imshow('zx_min',zm) # cv2.waitKey(0) cv2.imshow('CONSTANT',consant) # cv2.waitKey(0) cv2.imshow('REFLECT',reflect) # cv2.waitKey(0) cv2.imshow('REFLECT101',reflect101) # cv2.waitKey(0) cv2.imshow('REPLICATE',replicate) # cv2.waitKey(0) cv2.imshow('WRAP',wrap) cv2.waitKey(0) cv2.destroyAllWindows()

（二）图像运算：像素级加法与加权融合

图像运算的本质是对像素值的逐点计算，核心分为普通加法和加权加法，适用于图像融合、亮度调节等场景。

1. 普通加法：两种规则的差异

注意：加法运算要求两张图像尺寸、通道数完全一致，需先用 cv2.resize() 统一尺寸。

2. 加权加法：图像融合的核心

加权加法通过 cv2.addWeighted() 实现，支持调节图像透明度，公式为：

• alpha/beta：两张图像的权重（通常和为 1，如 0.5+0.5）；
• gamma：亮度调节常量（可正可负，如 10 表示整体亮度 +10）。
实战代码：

'''-----------------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('lp.png') b = cv2.imread('zx_min.jpg') # 3. 对图片a的所有像素值加10（像素级加法，遵循模256规则） # 原理：每个像素的B/G/R三个通道值都+10，比如像素(100,150,200)→(110,160,210)；若加完超255则取余，如(250,250,250)+10→(4,4,4) c = a + 10 cv2.imshow('yuan', a) cv2.imshow('a+10', c) cv2.waitKey(0) # 7. 截取图片a和b的指定区域并逐像素相加 # a[50:450,50:400]：截取a的行50到449、列50到399的矩形区域（高400像素，宽350像素） # b[50:450,50:400]：截取b的相同位置区域（要求b的尺寸≥450行×400列，否则报错） # 加法规则：对应位置的像素值相加，超255则取余（如250+10=260→260-256=4） c = a[50:450,50:400] + b[50:450,50:400] 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 # # 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dst=src1xa+src2xB+V import cv2 a = cv2.imread('lp.png') b = cv2.imread('zx_min.jpg') # 3. 将图片b缩放为 400x400 像素（宽400，高400） # cv2.resize(待缩放图像, (目标宽度, 目标高度))：统一尺寸是像素运算的前提 b = cv2.resize(b, (400, 400)) # 4. 将图片a也缩放为 400x400 像素，保证和b尺寸完全一致 # （cv2.addWeighted要求两张图像尺寸、通道数必须相同，否则报错） a = cv2.resize(a, (400, 400)) # 5. 图像加权融合（核心函数：cv2.addWeighted） # 公式：c = a*0.5 + b*0.5 + 10 # 参数说明： # a：第一张输入图像 # 0.5：a的权重（表示a占融合结果的50%透明度） # b：第二张输入图像 # 0.5：b的权重（表示b占融合结果的50%透明度） # 10：亮度调节常量（给所有像素值加10，整体提亮，可正可负） c = cv2.addWeighted(a, 0.5, b, 0.5, 10) cv2.imshow('addWeighted', c) cv2.waitKey(0) cv2.destroyAllWindows()

（三）阈值处理：图像二值化的核心

阈值处理是将灰度图像转为黑白二值图的关键操作，通过设定 “像素分界线”（阈值）区分前景与背景，核心函数为 cv2.threshold()。

1. 函数核心参数

ret, dst = cv2.threshold(src, thresh, maxval, type)

• thresh：阈值（0-255，如 150）；
• maxval：最大值（通常为 255，代表纯白）；
• type：阈值处理类型（5 种核心类型）。

2. 5 种阈值类型规则（以阈值 150 为例）

3. 实战代码

import cv2 import cv2 # 读取图片并转为灰度图（参数0指定灰度模式，像素值范围0-255） image = cv2.imread('lpp.png', 0) # 阈值处理核心参数：阈值150，最大值255（纯白） # 1. 二值化：≥150→255(白)，<150→0(黑) | ret返回实际使用的阈值（此处为150） ret, binary = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY) # 2. 反向二值化：≥150→0(黑)，<150→255(白) ret1, binaryinv = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY_INV) # 3. 截断处理：≥150→150(封顶)，<150→保留原值 ret2, trunc = cv2.threshold(image, 150, 255, cv2.THRESH_TRUNC) # 4. 低于阈值置0：≥150→保留原值，<150→0(黑) ret3, tozero = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO) # 5. 高于阈值置0：≥150→0(黑)，<150→保留原值 ret4, tozeroinv = cv2.threshold(image, 150, 255, cv2.THRESH_TOZERO_INV) # 显示所有处理结果（一次性展示，按任意键关闭所有窗口） cv2.imshow('gray', image) # 灰度原图 cv2.imshow('binary', binary) # 二值化结果 cv2.imshow('binaryinv', binaryinv) # 反向二值化 cv2.imshow('trunc', trunc) # 截断效果 cv2.imshow('tozero', tozero) # 低于阈值置0 cv2.imshow('tozeroinv', tozeroinv) # 高于阈值置0 cv2.waitKey(0) # 阻塞窗口，按任意键退出

（四）图像平滑：噪声去除的核心手段

图像平滑（模糊处理）通过消除噪声、弱化细节实现图像模糊，常用滤波器包括均值滤波、方框滤波、高斯滤波、中值滤波，以下先实现 “添加椒盐噪声” 模拟真实场景，再演示滤波效果。

1. 生成椒盐噪声（模拟图像噪声）

import cv2 import numpy as np # 定义添加椒盐噪声的函数 def add_peppersalt_noise(image, n=10000): result = image.copy() # 避免修改原图 h, w = image.shape[:2] # 对于彩色图像（默认 BGR 格式）：image.shape 返回 (高度, 宽度, 通道数)，例如 (720, 1080, 3)；对于灰度图像（单通道）：image.shape 返回 (高度, 宽度)，例如 (720, 1080)；获取图像高、宽 for i in range(n): # 随机生成噪声点坐标 x = np.random.randint(0, h) y = np.random.randint(0, w) # 随机生成黑色（0）或白色（255）噪声 result[x, y] = 0 if np.random.randint(0,2)==0 else 255 return result # 读取图像并添加噪声 image = cv2.imread('zx_min.jpg') noise_image = add_peppersalt_noise(image) # 显示原图与噪声图 cv2.imshow('原图', image) cv2.imshow('椒盐噪声图', noise_image)

2. 常用滤波器实战

# 1. 均值滤波（邻域平均，核越大越模糊） blur_3 = cv2.blur(noise_image, (3,3)) # 3x3 核（轻度模糊） blur_63 = cv2.blur(noise_image, (63,63)) # 63x63 核（重度模糊） cv2.imshow('均值滤波 3x3', blur_3) cv2.imshow('均值滤波 63x63', blur_63) # 2. 方框滤波（可归一化/非归一化） # normalize=True：等价于均值滤波；False：像素值求和（易过曝） 一、核心结论 cv2.boxFilter() 中 normalize=True/False 决定了是否对滤波后的像素值进行归一化（均值化），是方框滤波的核心参数，直接影响滤波效果： normalize=True：归一化（默认）→ 等价于均值滤波，滤波后图像亮度正常； normalize=False：不归一化 → 像素值直接求和，大概率溢出（255），图像整体偏白 / 过曝。 二、原理拆解（3×3 核为例） 1. 方框滤波的本质 方框滤波是对图像中每个像素的「邻域（核大小）内所有像素值求和」，再根据 normalize 参数决定是否除以邻域像素总数： 邻域像素总数 = 核的宽 × 核的高（3×3 核 = 9 个像素） normalize=True（归一化） 计算公式：目标像素值=邻域像素总数/邻域内所有像素值之和 例：3×3 邻域像素和为 1000 → 目标值 = 1000/9 ≈ 111（正常范围 0-255）； • 效果：和 cv2.blur(noise, (3,3)) 完全一致，是常规的 “均值模糊”，图像亮度自然。 normalize=False（不归一化） 计算公式：目标像素值= 例：3×3 邻域像素和为 1000 → 目标值 = 1000（远超 255）； 关键：OpenCV 中图像像素值默认是 uint8 类型（0-255），超过 255 的部分会被截断为 255（饱和处理）； 效果：大部分像素值直接溢出为 255，图像呈现大面积白色（过曝），仅极少数暗区域可能保留细节。 box_norm = cv2.boxFilter(noise_image, -1, (3,3), normalize=True) box_unnorm = cv2.boxFilter(noise_image, -1, (3,3), normalize=False) cv2.imshow('方框滤波（归一化）', box_norm) cv2.imshow('方框滤波（非归一化）', box_unnorm) # 3. 高斯滤波（高斯权重，模糊更自然） gaussian = cv2.GaussianBlur(noise_image, (3,3), 1) cv2.imshow('高斯滤波 3x3', gaussian) # 4. 中值滤波（专治椒盐噪声） median = cv2.medianBlur(noise_image, 3) # 核大小为奇数 cv2.imshow('中值滤波 3x3', median) cv2.waitKey(0) cv2.destroyAllWindows()

3. 滤波器效果对比

三、核心总结

1. 边界填充：BORDER_REFLECT101是卷积操作补边的首选，BORDER_CONSTANT适合自定义颜色边框；
2. 图像运算：cv2.add()优于原生+号，addWeighted()是图像融合的核心函数；
3. 阈值处理：二值化是图像分割基础，阈值需根据图像亮度灵活调整（建议 120-180 之间调试）；
4. 图像平滑：中值滤波对椒盐噪声效果最佳，高斯滤波模糊更自然，滤波核越大效果越明显（需为奇数）。

四、注意事项

1. 所有操作前需校验图像读取是否成功（if image is None），避免路径错误导致报错；
2. 像素运算、滤波等操作需保证图像尺寸 / 通道数一致，必要时用cv2.resize()统一；
3. 阈值处理建议先转为灰度图，彩色图需分通道处理；
4. 显示图像后需调用cv2.waitKey(0)阻塞窗口，最后用cv2.destroyAllWindows()释放资源。