【计算机视觉】OpenCV 图像处理阈值处理 + 图像编辑 + 噪声滤波 + 图像运算

m沐沐

15人浏览 · 2026-05-25 01:32:26

m沐沐 · 2026-05-25 01:32:26 发布

文章目录

前言
一、图像阈值处理
二、图像编辑操作（打码 + 组合 + 缩放）
三、椒盐噪声生成 + 4 种图像平滑滤波
四、图像像素运算（加法 / 加权融合）
总结

前言

在计算机视觉领域，OpenCV 是最经典、最常用的开源图像处理库，无论是基础的图像变换、噪声处理，还是进阶的目标检测、图像分割，都离不开 OpenCV 的核心操作。本次案例全覆盖图像阈值处理、图片打码 / 组合 / 缩放、椒盐噪声生成与平滑滤波、图像像素运算四大核心模块，搭配逐行代码解析 + 原理详解 + 效果说明，流程清晰、零基础可学，非常适合作为 OpenCV 图像处理的入门实战教程。

如果对计算机视觉有兴趣但是没有了解的读者，可以先观看博主的第一篇关于计算机视觉入门的文章。
【Python OpenCV 入门教程】图像读取、灰度转换、图片切分、视频逐帧处理

一、图像阈值处理

1.概念

图像阈值处理是图像分割的基础方法，核心逻辑为人为设定一个固定阈值，将图像中每个像素的灰度值与阈值对比，按照预设规则重新赋值，实现前景和背景的分离。
简单来说：把图像的像素分成两部分，要么是纯黑（0），要么是纯白（255），或保留部分像素，实现图像的简化、分割。

2.阈值处理类型

阈值类型常量	像素值 > 设定阈值	像素值 ≤ 设定阈值
cv2.THRESH_BINARY	赋值为 255（纯白）	赋值为 0（纯黑）
cv2.THRESH_BINARY_INV	赋值为 0（纯黑）	赋值为 255（纯白）
cv2.THRESH_TRUNC	赋值为设定阈值	保持原像素值
cv2.THRESH_TOZERO	保持原像素值	赋值为 0（纯黑）
cv2.THRESH_TOZERO_INV	赋值为 0（纯黑）	保持原像素值

"inv"代表对前一个处理类型的反转

3.完整代码

代码完整且可直接运行，有需要可自取

import  cv2
image = cv2.imread(r'./carh5.png',0)
ret,binary = cv2.threshold(image,175,255,cv2.THRESH_BINARY)
ret1,binaryinv = cv2.threshold(image,175,255,cv2.THRESH_BINARY_INV)
ret2,trunc = cv2.threshold(image,175,255,cv2.THRESH_TRUNC)
ret3,tozero = cv2.threshold(image,175,255,cv2.THRESH_TOZERO)
ret4,tozeroinv = cv2.threshold(image,175,255,cv2.THRESH_TOZERO_INV)

print(ret) #查看当前的阈值为多少
cv2.imshow('gray',image)
cv2.waitKey(0)
cv2.imshow('binary',binary)
cv2.waitKey(0)
cv2.imshow('binaryinv',binaryinv)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozeroinv',tozeroinv)
cv2.waitKey(0)

4.代码详解

在编写代码前，我们需要先安装两个核心工具包：

OpenCV-Python：OpenCV 的 Python 接口，用于实现所有图像处理操作；
NumPy：Python 科学计算库，用于生成随机数、处理图像像素数组（OpenCV 依赖 NumPy）。

pip install opencv-python numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/

首先导入OpenCV库，然后读取本地图像：参数0表示以【灰度模式】读取图像（彩色图转灰度，阈值处理必须用灰度图）。
路径替换为你自己的图片路径，r表示原生字符串，避免路径转义报错。
如果不想使用相对路径，可将图片复制在py文件同一文件夹后，直接使用。

import cv2
image = cv2.imread(r'./carh5.png', 0)

调用cv2.threshold()执行5种阈值处理
函数参数：cv2.threshold(原图, 设定阈值, 最大值255, 阈值类型)
retval,dst=cv2.threshold(src, thresh,maxval,type)

src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值
thresh代表要设定的阈值
maxval代表type参数位THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值
retval代表返回的阈值dst代表阈值分割结果图像，与原始图像具有相同的大小和类型type代表阈值分割的类型，

ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY)  
ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV) 
ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC)  
ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO)  
ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV)

打印返回的阈值（验证：ret的值就是我们手动设定的175）

print(ret) #查看当前的阈值为多少

显示图像：cv2.imshow(窗口名称, 图像变量)
窗口名称需要使用全英文，使用中文将显示乱码。

cv2.imshow('gray',image)
cv2.waitKey(0)
cv2.imshow('binary',binary)
cv2.waitKey(0)
cv2.imshow('binaryinv',binaryinv)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozeroinv',tozeroinv)
cv2.waitKey(0)

关闭所有OpenCV图像窗口

cv2.destroyAllWindows()

运行结果：
在这里插入图片描述

二、图像编辑操作（打码 + 组合 + 缩放）

1.概念

图片打码的原理为定位图像中需要打码的矩形区域，用随机生成的像素值替换原区域的所有像素，让区域内容无法识别，实现马赛克效果。
彩色图像是三维数组：(高度，宽度，3 通道)；
用np.random.randint(0,256)生成 0-255 的随机数，替换指定区域像素。

2.完整代码

代码完整且可直接运行，有需要可自取

import cv2
import numpy as np
a = cv2.imread(r'./110614.png')
a[10:110, 200:300, :] = np.random.randint(0, 256, (100, 100, 3))
cv2.imshow('dama',a)
cv2.waitKey(0)
cv2.destroyAllWindows()


a = cv2.imread(r'./110614.png')
b = cv2.imread(r'./200257.png')
b[100:250,100:250] = a[50:200,100:250]#矩阵大小一致
cv2.imshow('b',b)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.destroyAllWindows()


a = cv2.imread(r'./110614.png')
a_new = cv2.resize(a,(600,200))
#a_new = cv2.resize(a,None,fx=1.5,fy=0.5)
cv2.imshow('a',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.代码详解

1.图片打码

导入必备库，读取彩色图像

import cv2
import numpy as np
a = cv2.imread(r'./110614.png')

选择指定图片的指定区域，替换成随机生成的像素，
10:110 → 高度方向10到110像素，200:300 → 宽度方向200到300像素。
np.random.randint：生成和打码区域尺寸完全一致的随机数组，尺寸不匹配会报错。

a[10:110, 200:300, :] = np.random.randint(0, 256, (100, 100, 3))

显示图像，关闭所有OpenCV图像窗口。

cv2.imshow('dama',a)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

2.图片区域组合（像素替换拼接）

首先读取两张彩色图片

a = cv2.imread(r'./110614.png')
b = cv2.imread(r'./200257.png')

将a图像的区域，替换到b图像的对应位置
规则：左边区域尺寸 = 右边区域尺寸
矩阵的大小要一致

b[100:250, 100:250] = a[50:200, 100:250]

显示两张图像对比效果

cv2.imshow('b',b)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

在这里插入图片描述

3.图片尺寸缩放（自由调整大小）

首先读取一张彩色图片

a = cv2.imread(r'./110614.png')

参数可随意更改，查看效果

两种方法：

固定尺寸缩放：参数：(宽度, 高度)
比例缩放： None=不指定尺寸，fx=宽倍数，fy=高倍数

推荐比例缩放，不会让图片变形

a_new = cv2.resize(a,(600,200))
#a_new = cv2.resize(a,None,fx=1.5,fy=0.5)

显示两张图像对比效果

cv2.imshow('a',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：
在这里插入图片描述

三、椒盐噪声生成 + 4 种图像平滑滤波

1.概念

椒盐噪声是图像中最常见的噪声类型，表现为随机分布的纯黑像素（胡椒噪声）和纯白像素（盐噪声），看起来像撒了盐和胡椒，因此得名。
生成原理为随机选择图像中的像素点，赋值为 0（黑）或 255（白）。
图像滤波的作用是去除图像噪声，同时保留图像细节。

2.图像平滑滤波（降噪）类型

均值滤波：计算区域内像素平均值，简单但会模糊图像；
方框滤波：均值滤波的变体，可选择是否归一化；
高斯滤波：按高斯权重计算，平滑效果自然，抑制高斯噪声；
中值滤波：取区域像素中位数，对椒盐噪声降噪效果最好。

3.完整代码

代码完整且可直接运行，有需要可自取

import cv2
import numpy as np
# 产生噪点图
image = cv2.imread(r'./carh5.png')
def add_peppersalt_noise(image,n = 10000):
    result = image.copy()
    h,w = image.shape[:2]
    for i in range(n):
        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

cv2.imshow('yntu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 均值滤波
blur_1 = cv2.blur(noise,(3,3))
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)
blur_2 = cv2.blur(noise,(20,20))
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)

# 方框滤波
boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize=True)
cv2.imshow('box_filtwer_1',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize= False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)


# 高斯滤波
Gaussian = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('gauss',Gaussian)
cv2.waitKey(0)

# 中值滤波
median = cv2.medianBlur(noise,3)
cv2.imshow('median',median)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.代码详解

1.生成椒盐噪声图像

导入必备库，读取灰度图像

import cv2
import numpy as np
image = cv2.imread(r'./carh5.png', 0)

定义函数：添加椒盐噪声
image=原图，n=噪声点数量（默认10000个），同时复制原图，不修改原图像，获取图像高度h、宽度w

def add_peppersalt_noise(image,n = 10000):
    result = image.copy()
    h,w = image.shape[:2]

循环生成n个噪声点，(x,y)为随机生成噪声的坐标。
if判断语句的含义是50%概率生成黑噪声，50%概率生成白噪声

    for i in range(n):
        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

显示两张图像对比效果

cv2.imshow('yntu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)

运行结果：

在这里插入图片描述

2.4 种滤波降噪代码

1.均值滤波

cv2.blur:核越大，模糊越严重
计算区域内像素平均值，简单但会模糊图像；
blur_1就是在3x3的区域内进行轻度滤波
blur_2就是在20x20的区域内进行重度滤波

# 均值滤波
blur_1 = cv2.blur(noise,(3,3))
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)
blur_2 = cv2.blur(noise,(20,20))
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)

运行结果：

在这里插入图片描述

2.方框滤波

方框滤波：均值滤波的变体，可选择是否归一化；
cv2.boxFilter(图, 深度：-1, 核大小, normalize=True/False)
normalize=True=归一化（效果同均值滤波），False=不归一化（像素溢出，变亮）


# 方框滤波
boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize=True)
cv2.imshow('box_filtwer_1',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize= False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)

运行结果：
在这里插入图片描述

3.高斯滤波

高斯滤波：cv2.GaussianBlur(图, 核大小, 标准差)
核大小不变的情况下，效果和均值滤波差距不大

# 高斯滤波
Gaussian = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('gauss',Gaussian)
cv2.waitKey(0)

运行结果：

在这里插入图片描述

4.均值滤波

中值滤波：取区域像素中位数，对椒盐噪声降噪效果最好。
中值滤波：cv2.medianBlur(图, 核大小)
核的大小决定取中值的范围


# 中值滤波
median = cv2.medianBlur(noise,3)
cv2.imshow('median',median)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

在这里插入图片描述

四、图像像素运算（加法 / 加权融合）

1.概念

在图像中需要运算的矩形区域，用另外一张鱼片的像素值替换原区域的所有像素，让区域内容透明融合，比如水印、叠加效果。
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

2.完整代码

代码完整且可直接运行，有需要可自取

import cv2
import numpy as np

a = cv2.imread(r'./110614.png')
b = cv2.imread(r'./200257.png')
c = b+100
cv2.imshow('yuan',b)
cv2.imshow('b+10',c)
cv2.waitKey(0)

c = a[50:250,50:400]+b[50:250,50:400]
cv2.imshow('a+b',c)
cv2.imshow('a',a)
cv2.waitKey(0)
# cv2.destroyAllWindows()


a = cv2.resize(a,[400,400])
b = cv2.resize(b,[400,400])
c = cv2.add(a,b)
cv2.imshow('a add b',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

c = cv2.addWeighted(a,0.2,b,0.8,10)
cv2.imshow('weight',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.代码详解

1.加法运算

导入必备库，读取彩色图像

import cv2
import numpy as np
a = cv2.imread(r'./110614.png')
b = cv2.imread(r'./200257.png')

图像整体加100，超过255会变色

a = cv2.imread(r'./110614.png')
b = cv2.imread(r'./200257.png')
c = b+100
cv2.imshow('yuan',b)
cv2.imshow('b+10',c)
cv2.waitKey(0)

运行结果：

在这里插入图片描述

2.OpenCV加法（饱和处理，正常）

先缩放为相同尺寸（必须一致才能相加）

c = a[50:250,50:400]+b[50:250,50:400]
cv2.imshow('a+b',c)
cv2.imshow('a',a)
cv2.waitKey(0)

运行结果：

在这里插入图片描述

3.图像融合

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.resize(a,[400,400])
b = cv2.resize(b,[400,400])
c = cv2.add(a,b)
cv2.imshow('a add b',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：
在这里插入图片描述

4.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

c = cv2.addWeighted(a,0.2,b,0.8,10)
cv2.imshow('weight',c)
cv2.waitKey(0)
cv2.destroyAllWindows()

将a图的权重设置为0.2，图b的权重值设置为0.8.
运行结果：
在这里插入图片描述

总结

本篇文章覆盖了 OpenCV最核心、最基础的 4 大模块，所有代码都经过实测，零基础也能轻松运行。这些操作是学习计算机视觉的基石，熟练掌握后，才能进一步学习边缘检测、特征提取、目标检测等进阶内容。

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

Claude Code 必备 Skill 清单：14 个亲测好用的效率技能包，一键安装全部

内置 50+ 设计风格、161 套配色方案、57 组字体搭配、99 条 UX 指南，覆盖 React、Next.js、Vue、SwiftUI、Flutter、Tailwind、shadcn/ui 等主流技术栈。PDF 工具箱：读取内容、合并拆分页面、旋转方向、添加水印、OCR 文字识别、表单填写。创建、读取、编辑，支持目录生成、页眉页脚、批注修订、图片替换。写报告和方案的人必备。表格数据处理：创建

AtomGit开源社区

KingbaseES系统视图与Hints调优：从诊断到性能优化的进阶之路

AtomGit开源社区

C++ 关联式容器map 与 set 的原理与实践操作

map 中的元素是类型，pairfirst：键（key），不可修改；second：值（value），可修改。创建pair的方式：1234// 方式 1：显式指定模板参数pair<int, string> p1(1, "张三");// 方式 2：使用 make_pair（自动推导类型）pair<int, string> p2 = make_pair(2, "李四");map 和 set 是 C++

AtomGit开源社区

所有评论(0)

查看更多评论

m沐沐

@m0_66822255

已为社区贡献6条内容

【计算机视觉】OpenCV 图像处理阈值处理 + 图像编辑 + 噪声滤波 + 图像运算

m沐沐

文章目录

前言

一、图像阈值处理

1.概念

2.阈值处理类型

3.完整代码

4.代码详解

二、图像编辑操作（打码 + 组合 + 缩放）

1.概念

2.完整代码

3.代码详解

1.图片打码

2.图片区域组合（像素替换拼接）

3.图片尺寸缩放（自由调整大小）

三、椒盐噪声生成 + 4 种图像平滑滤波

1.概念

2.图像平滑滤波（降噪）类型

3.完整代码

4.代码详解

1.生成椒盐噪声图像

2.4 种滤波降噪代码

1.均值滤波

2.方框滤波

3.高斯滤波

4.均值滤波

四、图像像素运算（加法 / 加权融合）

1.概念

2.完整代码

3.代码详解

1.加法运算

2.OpenCV加法（饱和处理，正常）

3.图像融合

4.图像加权运算

总结

所有评论(0)

温馨提示：您尚未绑定手机号

m沐沐