一.噪声和平滑处理

1.增加噪声

def add_peppersalt(image,n=10000): result = image.copy() h,w = image.shape[:2] # 获取图片的高和宽 for i in range(n): # 生成n个椒盐噪声 x = np.random.randint(0,h) y = np.random.randint(0,w) if np.random.randint(0,2) == 0: # 百分之五十的概率 result[x,y] = 0 else: result[x,y] = 255 return result

定义噪声函数 add_peppersalt，传入参数：图像数据（image），生成椒盐噪声的个数（n），默认值为10000。result复制一份图像数据，h，w获取图像的高和宽。进入循环，生成n个椒盐噪声。

x，y在图像的高宽范围内随机选取一点，百分之50的概率添加黑色噪声，百分之50的概率添加白色噪声。返回处理后的图像。

image = cv2.imread("./03.jpg") image = cv2.resize(image,(400,400)) cv2.imshow("yuantu",image) cv2.waitKey(0)

读入原始图像，展示图像，设置停留时间。

noise = add_peppersalt(image) cv2.imshow("noise",noise) cv2.waitKey(0)

调用噪声函数，对原图进行添加噪声的操作，返回noise噪声图像，然后展示图像，设置停留时间。

结果图如下：

2.平滑处理

1.均值滤波（blur）

原理：

它的核心原理可以概括为八个字：“邻域平均，中心替换”。在图像上选定一个目标像素点，以它为中心，划定一个固定大小的正方形区域，这个区域被称为卷积核或模板。常见的大小有 3x3、5x5 等（通常为奇数，以便有唯一的中心点）。将邻域内所有像素点的灰度值相加，然后除以像素的总个数（即求算术平均值）。用计算出的这个平均值，替换掉原始中心像素的灰度值。然后，将这个滑窗在整张图片上从左到右、从上到下依次滑动，对每个像素执行相同的操作，直到整张图都被遍历一遍。

优缺点：算法极其简单，计算速度快，对抵抗高斯噪声（分布较均匀的噪声）效果不错。
破坏边缘细节。因为图像的边缘往往是灰度剧烈变化的地方，均值滤波会把这些“突变”拉平，导致边缘、纹理等细节变得模糊不清。卷积核越大，去噪能力越强，但图像也越模糊。

边界处理：当滑窗移动到图像边缘时，窗口会超出图像边界。常见的处理方式有忽略边界，零填充。

忽略边界就是最外围的边界像素不去管它，只处理内部像数值，但这样每处理一次图像就会缩小一圈；零填充就是在最外围补上一圈0 。

# 均值滤波 blur blur_1 = cv2.blur(noise,ksize=(3,3)) #卷积核为3，3效果一般，清晰度一般 cv2.imshow("blur_1",blur_1) cv2.waitKey(0)

简单实现均值滤波，dst=cv2.blur(src,ksize,anchor,borderType)，参数如下：

• dst是返回值
• src是需要处理的图像
• ksize是滤波核(卷积核)的大小
• anchor是锚点，默认值是(-1，-1)一般无需更改
• borderType是边界样式，一般无需更改

一般情况下，使用dst=cv2.blur(src,ksize)即可。

运行结果：可以看到对抗椒盐噪声很一般，略微除去了一点噪声。

2.方框滤波（boxFilter）

原理：

与均值滤波类似，只不过 ，它是用正方形区域内所有像素值的和或平均来替换中间的像素值，也就是非归一化和归一化，当使用归一化时，它就是均值滤波；当使用非归一化，它就主要用于特征计算或亮度统计，并不关心平均值，只关心局部区域的总能量。

优缺点：过于突出的亮点会被周围的暗点“拉低”，过于暗的点会被拉亮，整张图就变得“平滑”。但会严重模糊边缘。

dst=cv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)式中参数如下：

● dst是返回值，表示进行方框滤波后得到的处理结果。

● src 是需要处理的图像，即原始图像。

● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。(可以理解为数据类型)

● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。

● anchor 是锚点，(指对应哪个区域)

● normalize 表示在滤波时是否进行归一化。

1.当值为True时，归一化，用邻域像素值的和除以面积。此时方框滤波与 均值滤波 效果相同。

2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255

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

运行结果如下：

3.高斯滤波（GaussianBlur）

原理：

也是用卷积核扫过图像进行处理，卷积核内是各个像素所占的权重。利用高斯函数计算邻域内每个像素的权重，离中心越近的像素影响力越大，离得越远影响力越小。高斯滤波的权重不是人为设定的，而是严格遵循二维高斯分布（正态分布）

二维高斯函数的数学表达式为：

其中：

• G(x, y)：在坐标 (x, y) 处的高斯核权重值
• σ：标准差，控制高斯分布的宽度（平滑程度）
• x, y：相对于卷积核中心的坐标位置

将邻域内每个像素的坐标代入公式，算出权重值，组成卷积核。

计算完所有权重后，必须将整个核的权重总和归一化为 1（除以总和）。这是为了保证滤波前后图像的整体亮度不变。

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]]) 高斯滤波

参数说明：

• src：输入图像，通常是一个 NumPy 数组。
• ksize：滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5) 表示一个 5×5 的滤波器。
• sigmaX和sigmaY：分别表示在 X 轴和 Y 轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于 0，这意味着没有高斯模糊。
• dst：输出图像，通常是一个 NumPy 数组。如果为 None，则会创建一个新的数组来存储结果。

高斯滤波通过高斯函数计算卷积核中每个像素的权重，离中心越近的像素权重越大，离中心越远的像素权重越小。这种权重分布使得高斯滤波在平滑图像的同时，能更好地保留边缘信息。

使用示例

GaussianB = cv2.GaussianBlur(noise,(3,3),1) #标准差为1，标准正太分布。 3、高斯滤波 cv2.imshow("GaussianBlur",GaussianB) cv2.waitKey(0)

运行结果图：

4.中值滤波（medianBlur）

：原理：

用卷积核扫过图像进行处理，把卷积核扫到的邻域内的像素按灰度值排序，取中间那个值来替换中心像素。

优缺点：椒盐噪声（随机出现的全黑或全白点）在排序后，极值（0 或 255）会天然地被排到数组的两端，永远不会被选中为中值。因此，中值滤波在去除这种孤立的异常点时，效果远优于线性滤波。但对高斯噪声效果一般，高斯噪声是均匀分布、服从正态分布的细小灰度波动，它们没有极端值。对一大堆数值接近的像素排序取中值，和平滑取平均效果差别不大，且不如高斯滤波来得平滑自然。

cv2.medianBlur(src, ksize[, dst]) 中值滤波

参数说明：

• src：输入图像。
• ksize：滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5 表示一个 5×5 的滤波器。
• dst：输出图像，通常是一个 NumPy 数组。如果为 None，则会创建一个新的数组来存储结果。

中值滤波是一种非线性滤波方法，特别适合去除椒盐噪声。它的核心思想是用邻域内像素值的中值来替代中心像素值，这样能有效消除孤立的噪声点。

使用示例：

medianB = cv2.medianBlur(noise,3) cv2.imshow("medianBlur",medianB) cv2.waitKey(0) cv2.destroyAllWindows()

运行结果：可以看到中值滤波对椒盐噪声的处理效果非常好。

二.图像形态学腐蚀和膨胀

1.图像腐蚀

原理：

图像腐蚀（Erosion）是形态学基本操作之一，它的核心原理可以用一句话概括："把高亮区域（前景）向内收缩，吃掉边缘的一层像素。"

与方框滤波不同，腐蚀不是计算权重和，而是设定一个结构元素——通常是一个小矩形、十字形或椭圆形，这个结构元素有一个锚点（通常为中心点）。

运算规则（以二值图为例，前景为白色1，背景为黑色0）：

1. 将结构元素在图像上滑动，判断结构元素覆盖下的所有像素点。
2. 如果结构元素覆盖的区域全部都是白色（1），那么锚点对应的中心像素保留为白色（1）。
3. 只要覆盖区域内有一个像素是黑色（0），那么锚点对应的中心像素立刻变为黑色（0）。

通俗理解：结构元素就像一个"缩小滤镜"。只有窗口内的像素"全部符合条件"时，中心点才能幸存；只要有一点"杂质"，这个点就会被腐蚀掉。

效果：

• 前景（白色）区域会缩小，边缘会向内收缩。
• 细小的白色噪点、毛刺会被消除。
• 两个相邻但未连通的白色区域可能会断开。
• 白色区域的边界变得更加平滑。

应用场景：

• 去除图像中的细小噪声点。
• 分离两个粘连的物体。
• 消除物体边缘的毛刺。
• 为后续的形态学操作（如开运算、闭运算）做准备。

参数说明：cv2.erode（src，kernel，iterations）

• src：输入图像，可以是二值图或灰度图。
• kernel：结构元素，决定了腐蚀的形状和大小。
• iterations：腐蚀次数，次数越多，腐蚀效果越明显。

读入原图：

image_sun = cv2.imread("./sun.png") cv2.imshow("sun",image_sun) cv2.waitKey(0)

使用示例：

# 腐蚀元件 kernel = np.ones((3,3),np.uint8) # 设置kenenel大小,核改为5*5试试 # 腐蚀 erosion = cv2.erode(image_sun,kernel,iterations=2) # iterations改为5试试 cv2.imshow("erosion",erosion) cv2.waitKey(0)

kernel为腐蚀原件，这里是（3，3）的大小，使用cv2.erode函数，传入原图，腐蚀次数为2，展示运行结果图：分别为原图，腐蚀后的图

可以看到腐蚀效果不错。

2.图像膨胀

原理：

图像膨胀（Dilation）是形态学基本操作之一，它的核心原理可以用一句话概括："把高亮区域（前景）向外'长胖'一圈，吞并周围的背景像素。"

与腐蚀类似，膨胀也使用结构元素（通常是小矩形、十字形或椭圆形）在图像上滑动，但运算规则与腐蚀正好相反。

运算规则（以二值图为例，前景为白色1，背景为黑色0）：

1. 将结构元素（Kernel）在图像上滑动，判断结构元素覆盖下的所有像素点。
2. 只要覆盖区域内有一个像素是白色（1），那么锚点对应的中心像素就设为白色（1）。
3. 只有覆盖区域内所有像素全是黑色（0），锚点对应的中心像素才会被设为黑色（0）。

通俗对比：

• 腐蚀：要求窗口内"全部是白"才留白（极严格，导致边界向内缩）。
• 膨胀：只要窗口内"有一丁点白"就变白（极宽松，导致边界向外涨）。

效果：

• 前景（白色）区域会扩大，边缘会向外扩张。
• 细小的黑色孔洞、裂缝会被填充。
• 两个相邻但未连通的白色区域可能会连接起来。
• 白色区域的边界变得更加饱满。

应用场景：

• 填充图像中的小孔洞和裂缝。
• 连接相邻但断开的物体。
• 扩大前景区域，增强目标特征。
• 为后续的形态学操作（如开运算、闭运算）做准备。

参数说明：cv2.dilate（src，kernel，iterations）

• src：输入图像，可以是二值图或灰度图。
• kernel：结构元素，决定了膨胀的形状和大小。
• iterations：膨胀次数，次数越多，膨胀效果越明显。

使用示例：

wenzi = cv2.imread("wenzi.png") cv2.imshow("wenzi",wenzi) cv2.waitKey(0)

读入原图

kernel = np.ones((3,3),np.uint8) # 设置kenenel大小 dilation = cv2.dilate(wenzi,kernel,iterations=2) cv2.imshow("dilation",dilation) cv2.waitKey(0) cv2.destroyAllWindows()

kernel为膨胀元件，这里是（3，3）的大小，使用cv2.dilate函数，传入原图，膨胀次数为2，展示运行结果图：分别为原图，膨胀后的图

运行结果：可以看到膨胀效果使文字图案向外扩张，填充了内部的小间隙。

三.图像的开，闭，梯度，顶帽与黑帽

1.图像的开运算

原理：先腐蚀后膨胀

作用：平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。

参数说明：cv2.morphologyEx(src, op, kernel, iterations)

• src：输入图像，可以是二值图或灰度图。
• op：形态学操作类型。对于开运算，应设置为cv2.MORPH_OPEN。
• kernel：结构元素（卷积核），决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核，或使用cv2.getStructuringElement()创建其他形状（如椭圆形、十字形）。
• iterations：迭代次数，即执行开运算的次数。次数越多，效果越明显。

使用示例：

kernel = np.ones((3,3),np.uint8) zhiwen_open = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel) cv2.imshow("zhiwen_open",zhiwen_open) cv2.waitKey(0)

效果解释：开运算先通过腐蚀去除图像中细小的噪声点或突出物，再通过膨胀恢复主体区域的大致形状。因此，它能有效消除小的白色噪点，同时保持主体区域的大小和形状基本不变。

运行效果：

2.图像的闭运算

原理：先膨胀后腐蚀

作用：弥合较窄的间断和细长的沟壑，消除小的孔洞，填补轮廓线。

参数说明：cv2.morphologyEx(src, op, kernel, iterations)

• src：输入图像，可以是二值图或灰度图。
• op：形态学操作类型。对于闭运算，应设置为cv2.MORPH_CLOSE。
• kernel：结构元素（卷积核），决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核，或使用cv2.getStructuringElement()创建其他形状（如椭圆形、十字形）。
• iterations：迭代次数，即执行闭运算的次数。次数越多，效果越明显。

使用示例：

原图，指纹段

zhiwen_duan = cv2.imread("./zhiwen_duan.png") cv2.imshow("zhiwen_duan",zhiwen_duan) cv2.waitKey(0)

闭运算操作：

kernel = np.ones((4,4),np.uint8) zhiwen_duan_close = cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel) cv2.imshow("zhiwen_duan_close",zhiwen_duan_close) cv2.waitKey(0) cv2.destroyAllWindows()

效果解释：闭运算先通过膨胀扩大前景区域，填充物体内部的小孔洞和连接狭窄的断裂，再通过腐蚀恢复物体的大致原始大小。因此，它能有效闭合前景物体中的小洞，连接相邻的物体，并平滑物体的轮廓，同时基本保持物体原有面积。

运行效果：原图，闭运算操作

3.图像的梯度运算

原理：膨胀-腐蚀

作用：突出显示图像中强度变化剧烈的地方，即图像的边缘轮廓。

参数说明：cv2.morphologyEx(src, op, kernel, dst=None, anchor=(-1, -1), iterations=1, borderType=None, borderValue=None)

• src：输入图像，可以是二值图或灰度图。
• op：形态学操作类型。对于梯度运算，应设置为cv2.MORPH_GRADIENT。
• kernel：结构元素（卷积核），决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核，或使用cv2.getStructuringElement()创建其他形状（如椭圆形、十字形）。
• iterations（可选）：迭代次数，即执行梯度运算的次数。默认为1。

使用示例：

wenzi = cv2.imread("wenzi.png") cv2.imshow("wenzi",wenzi) cv2.waitKey(0)

# 膨胀 kernel = np.ones((3,3),np.uint8) wenzi_dilation = cv2.dilate(wenzi,kernel,iterations=1) cv2.imshow("wenzi_dilation",wenzi_dilation) cv2.waitKey(0)

# 腐蚀 wenzi_erosion = cv2.erode(wenzi,kernel,iterations=1) cv2.imshow("wenzi_erosion",wenzi_erosion) cv2.waitKey(0)

# 膨胀-腐蚀 gradient = cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel) cv2.imshow("gradient",gradient) cv2.waitKey(0) cv2.destroyAllWindows()

效果解释：梯度运算通过计算图像膨胀结果与腐蚀结果之间的差值来提取边缘。膨胀操作会使前景区域向外扩张，腐蚀操作会使前景区域向内收缩。两者相减后，得到的是原始物体轮廓的边界区域。因此，梯度运算特别适合用于突出显示物体的边缘轮廓，在图像分割、边缘检测和特征提取中非常有用。

运行效果：梯度运算后的图像会突出显示原图中物体的边缘，边缘部分通常显示为亮色，而内部和背景区域则较暗。

4.图像的顶帽运算

原理：顶帽运算 = 原始图像 - 开运算结果（先腐蚀后膨胀）

作用：用于提取比周围区域亮的细节（如背景均匀的亮斑、细线、文字等）。

参数说明：cv2.morphologyEx(src, op, kernel, iterations=1)

• src：输入图像，可以是二值图或灰度图。
• op：形态学操作类型。对于顶帽运算，应设置为cv2.MORPH_TOPHAT。
• kernel：结构元素（卷积核），决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核，或使用cv2.getStructuringElement()创建其他形状（如椭圆形、十字形）。
• iterations（可选）：迭代次数，即执行顶帽运算的次数。默认为1。

使用示例：

sun_tophat = cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel) cv2.imshow("sun_tophat",sun_tophat) cv2.waitKey(0)

效果解释：顶帽运算通过从原始图像中减去开运算结果，能够突出显示那些比背景亮且尺寸小于结构元素的细节。开运算会消除小的亮区域，因此原始图像减去开运算结果后，剩下的就是这些被消除的小亮区域。这在图像增强、背景不均匀校正和特征提取中非常有用。

运行效果：顶帽运算后的图像会突出显示原始图像中比周围亮的细小特征，如文本、划痕、亮斑等，同时抑制均匀的背景。

5.图像的黑帽运算

原理：黑帽运算 = 闭运算（先膨胀后腐蚀）- 原始图像

作用：用于提取比周围区域暗的细节（如背景均匀的暗斑、裂缝、孔洞等）。

参数说明：cv2.morphologyEx(src, op, kernel, iterations=1)

• src：输入图像，可以是二值图或灰度图。
• op：形态学操作类型。对于黑帽运算，应设置为cv2.MORPH_BLACKHAT。
• kernel：结构元素（卷积核），决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核，或使用cv2.getStructuringElement()创建其他形状（如椭圆形、十字形）。
• iterations（可选）：迭代次数，即执行黑帽运算的次数。默认为1。

使用示例：

sun_blackhat = cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel) cv2.imshow("sun_blackhat",sun_blackhat) cv2.waitKey(0) cv2.destroyAllWindows()

效果解释：黑帽运算通过从闭运算结果中减去原始图像，能够突出显示那些比背景暗且尺寸小于结构元素的细节。闭运算会填充小的暗区域，因此闭运算结果减去原始图像后，剩下的就是这些被填充的小暗区域。这在检测图像中的暗色缺陷、裂缝或孔洞时非常有用。

运行效果：黑帽运算后的图像会突出显示原始图像中比周围暗的细小特征，如暗斑、裂缝、孔洞等，同时抑制均匀的背景。