尧图网站建设 
简介面向数字图像处理课程设计的人像迁移综合实验报告及源码适合高校相关专业学生完成课设、复习图像处理算法时参考。报告基于Python3.9与OpenCV系统覆盖图像增强、美颜、背景虚化、二值化与人像迁移的完整流程并给出每一步骤的实验结果与分析。报告按实验要求、实验环境、原理及操作、实验结果、结果分析和附录代码组织步骤清晰、图文对比便于逐段对照复现。采用自适应直方图均衡化处理HSI亮度通道以保留色彩利用双边滤波实现面部磨皮通过均值滤波和尺寸变换完成背景虚化再结合二值化与图像合成实现人像无缝移植。资源为1个docx压缩包共1个文件大小1.16MB包含报告全文与附录代码可直接对照阅读或提取代码复现。目前已超过3500人学习下载适合需要完整课设方案、想快速理解图像处理落地应用的读者。1. 纯 OpenCV 管线这份数字图像处理课设把七步实验一次跑通这份课程设计报告的核心价值在于它用一组可复现的传统算法链路完成了从图像增强、美颜磨皮、背景虚化、二值化到人像迁移的完整实验全程只用 Python 3.9、OpenCV 和 NumPy没有引入任何深度学习模型。整套源码挂在附录里按顺序运行就能看到每一步的中间结果图。对正在做数字图像处理课设的人而言它是可以直接对照改写的参考实现对已经工作多年的开发者这个案例恰好展示了传统图像处理在掩膜生成、色彩空间转换和形态学修正上的经典套路。我建议把这份实验当作一个最小可用的图像合成管线来读而不是只交作业的素材。2. 环境搭建与七步处理管线的输入输出设计2.1 实验环境与最简依赖报告里标注的解释器是 Python 3.9开发环境是 PyCharm。实际运行这份代码只需要两个第三方包安装命令如下pip install opencv-python numpy代码里用到的cv2.createCLAHE、cv2.bilateralFilter、cv2.blur、cv2.morphologyEx都属于 OpenCV 主库不需要额外安装opencv-contrib-python。OpenCV 4.x 各小版本里这些接口都非常稳定所以环境兼容性风险很低。建议在 PyCharm 里单独建一个虚拟环境避免和系统 Python 里的旧版 OpenCV 产生冲突。导入阶段常见的问题是cv2.imshow在无 GUI 的服务器上会报错如果是本地 PyCharm 运行则没有这个顾虑。2.2 图片读取与统一尺寸约定代码一开始就定义了show函数内部调用cv2.imshow加上cv2.waitKey(0)和cv2.destroyAllWindows()。waitKey(0)的作用是阻塞等待键盘输入否则图像窗口会一闪而过。随后读入老人照片和风景图并统一resize成 422x496。IMG cv2.imread(1.png) # 老人照片BGR 顺序读入 IMG cv2.resize(IMG, (422, 496)) # 统一尺寸保证后续矩阵运算对齐 test cv2.imread(2.png) # 风景图片cv2.imread读进来的是 BGR 通道顺序不是 RGB。这一点在保存和显示时通常没影响但如果你把数组直接交给其他库处理比如用 matplotlib 展示就需要先cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。统一尺寸 422x496 是本实验的关键设计后续所有图像运算都是逐像素对应的矩阵操作尺寸不一致会直接报错或者产生错位合成。新人容易在这里漏掉对风景图的resize导致最后相加时维度不匹配。2.3 七步处理管线的数据流转步骤输入输出核心 API1 图像增强原始人像CLAHE 增强图cvtColorcreateCLAHE2 美颜增强图磨皮图bilateralFilter3 背景虚化风景图模糊风景图blurresize4 二值化原始人像背景 1 / 人像 0 掩膜像素遍历5 掩膜修正二值掩膜干净掩膜medianBlur 形态学6 前景/背景分离磨皮图、模糊图黑底人像、黑区风景NumPy 乘法7 合成两张分离图人像迁移结果矩阵加法从表格可以看出前面的增强和美颜是为了得到高质量的前景人像虚化是为了得到弱化细节的背景二值化和形态学操作则负责生成一张合格的掩膜。掩膜是整条管线的枢纽它的质量直接决定人像迁移的边缘是否干净。理解了这条路再看后面的章节就不会迷路。3. HSI 空间自适应直方图均衡化图像增强的色彩失真控制3.1 为什么不能直接对 RGB 三分量做均衡化直方图均衡化的本质是把像素灰度分布拉伸到整个亮度区间。如果直接对 RGB 三个通道分别调用cv2.equalizeHist每个通道会按照各自的累积分布函数独立做映射三者的映射曲线完全不同。结果是图像的对比度确实提高了但通道间的比例关系被破坏原本正常的肤色会偏色蓝色天空可能变成紫色。报告原文提到的“颜色失真严重”就是这个现象。解决办法是先把 RGB 转换到一个亮度与色度分离的空间只对亮度分量做均衡化色度分量保持不变。实验报告里写的是转换到 HSI 空间对 I 通道处理这个思路是对的。不过 OpenCV 并没有直接提供 RGB 转 HSI 的函数常用替代方案是转换到 HLS 空间取 L 通道作为亮度。代码里实际用的就是cv2.COLOR_BGR2HLS。3.2 在 HLS 空间对亮度通道做 CLAHEdef hist(image): img image.copy() # BGR 转 HLS通道 0 是色调通道 1 是亮度通道 2 是饱和度 img cv2.cvtColor(img, cv2.COLOR_BGR2HLS) # 保存均衡化前的亮度通道用于对比展示 I img[:, :, 1].copy() clahe cv2.createCLAHE(clipLimit1) # 限制对比度阈值 img[:, :, 1] clahe.apply(img[:, :, 1]) # 只改亮度通道 # 转回 BGR色相和饱和度没有被触碰 img cv2.cvtColor(img, cv2.COLOR_HLS2BGR) return img这里有两个容易被忽略的细节。第一个是img image.copy()因为cvtColor返回新数组如果后面要反复使用原图copy 能避免隐式修改。第二个是createCLAHE的参数clipLimit1它控制直方图裁剪阈值值越大对比度拉伸越强同时噪声也会被放大。原代码在均衡化前后分别取I和img[:, :, 1]拼成对比图能直观看到亮度分布的变化。对这种单张老人照片clipLimit1是安全起点基本不会出现色块和伪影。3.3 CLAHE 参数选择与实验对照clipLimit画面表现风险0.5亮度变化不明显增强效果弱不会放大噪点1.0暗部提亮适中肤色自然常规取值2.0暗部细节明显局部对比度强皮肤颗粒感开始出现4.0整体偏亮纹理锐利容易出现块状伪影CLAHE 的全称是自适应直方图均衡化它会先把图像划分成若干个 8x8 的子区域在每个子区域里分别计算直方图并做限制对比度拉伸最后通过插值消除块间边界。这正是它优于全局equalizeHist的地方局部窗口能保留更多细节不会被整张图的灰度分布牵着走。实验报告里先转 HSI 再均衡化的策略本质上是把色彩保持和对比度增强拆成了两件互不干扰的事。4. 双边滤波与均值滤波分工美颜磨皮与背景虚化的实现4.1 双边滤波参数背后的空间与颜色权衡磨皮的核心诉求是让皮肤区域变得光滑同时保留眼睛、眉毛、嘴唇这些边缘强烈的器官。普通高斯滤波会把整张图一起模糊所以这里选用了双边滤波。双边滤波的权重由两部分相乘得到空间距离越近权重越大颜色差异越小权重越大。皮肤区域的像素颜色接近会被强烈平滑而眼睛和背景交界处的像素颜色差异大即使空间上挨着权重也很低边缘得以保留。# 双边滤波d15 是窗口直径sigmaColor35sigmaSpace35 dst cv2.bilateralFilter(IMG_new, 15, 35, 35)d决定参与计算的邻域范围sigmaColor决定多大颜色差异被视为“边缘”sigmaSpace决定空间距离的衰减速度。报告里写的“15*3”指的是这三个参数组合。sigmaColor和sigmaSpace调大会让滤波变得更像普通高斯模糊磨皮效果变强但脸会发虚调小则几乎看不出变化。实际操作中我会把d固定在 9 到 15再根据目标照片的分辨率微调两个 sigma而不是直接套一个大窗口。4.2 用 HSV 肤色掩膜保护非皮肤区域报告中的原理部分提到先提取皮肤区域再做替换但附录代码里只有一行整图双边滤波并没有真正的肤色判断。完整做法是先在 HSV 空间生成肤色掩膜再把滤波结果与原图按掩膜融合hsv cv2.cvtColor(IMG_new, cv2.COLOR_BGR2HSV) # 肤色范围要按实际照片微调这里是一组常见取值 lower np.array([0, 20, 70]) upper np.array([25, 255, 255]) skin_mask cv2.inRange(hsv, lower, upper) # 1 表示皮肤区域 skin_mask cv2.medianBlur(skin_mask, 5) # 去掉零散噪点 dst np.where(skin_mask[..., None] 255, dst, IMG_new)注意 OpenCV 里 HSV 的 H 通道范围是 0 到 180不是 0 到 360。直接按常规数值写会过滤掉大量皮肤像素。inRange生成的掩膜先用中值滤波清理一下再去控制融合能避免嘴唇边缘出现一圈“糊掉”的过渡带。4.3 均值滤波的虚化效果与核大小对照风景图的背景虚化用的是cv2.blur也就是均值滤波。它的原理是对每个像素取邻域平均值核越大平均范围越大图像越模糊。这种模糊与人像美颜的语义不同它不关心边缘只是把细节抹平用来模拟浅景深效果。核大小视觉效果单帧耗时3x3轻微去噪几乎无感极低9x9细节明显丢失柔和可忽略15x15接近重度虚化块感出现低test cv2.imread(2.png) test cv2.blur(test, (9, 9)) # 均值滤波实现背景虚化 test cv2.resize(test, (422, 496)) # 尺寸对齐人像代码里先做模糊再调整尺寸这个顺序是合理的在原始分辨率下模糊能获得更自然的过渡缩放后虚化感被保留下来。如果反过来先缩放再模糊核的作用范围会相对变大虚化程度会显得更强。想控制虚化强度优先改核大小而不是改两遍参数。5. 二值化掩膜与形态学修正人像区域提取的完整链路5.1 基于背景色的逐像素二值化实验要求最终得到一个二值图像人像部分为 0背景部分为 1。原代码采用最直接的做法遍历每个像素点判断是否为纯白色背景img IMG.copy() # 不能直接改原图后面合成还要用 for i in range(len(img)): for j in range(len(img[1])): if 255 IMG[i][j][0] and 255 IMG[i][j][1] and 255 IMG[i][j][2]: img[i][j] 255 # 背景置为 255对应 1 else: img[i][j] 0 # 人像置为 0这段代码成立的前提是背景确实是纯白色而且光照均匀没有渐变。严格判断255非常脆弱照片里如果有一点阴影或噪点那个像素就会被误判成人像。更稳的写法是判断三个通道都大于某个阈值比如 245这样能容忍轻微的亮度波动。这种双层 for 循环在 422x496 的小图上耗时不到一秒但换成 1920x1080 就会卡顿。工程上可以直接用向量化写法替代mask_bg np.all(IMG 245, axis-1).astype(np.uint8) # 背景为1人像为05.2 中值滤波与形态学操作的顺序问题原始二值掩膜通常带有两类噪声背景区域里的黑色小点人像头发缝隙和人像区域里的白色小点背景反光。首先用medianBlur处理这些孤立噪点核大小为 3 即可。接着是形态学操作原代码注释写的是“先腐蚀后膨胀”但实际执行的是cv2.dilate注释和实现并不一致这是个值得注意的细节。对于白色掩膜腐蚀会收缩白色区域从而削掉人像外圈的毛刺膨胀则相反会扩大白色区域填补内部小洞。想要去掉外部毛刺应该先腐蚀后膨胀即开运算想要填补内部空洞应该先膨胀后腐蚀即闭运算。这个实验的目标是“去毛刺、腐蚀边界”更适合用cv2.morphologyEx显式指定开运算kernel np.ones((3, 3), np.uint8) img cv2.medianBlur(img, 3) # 去椒盐噪声 img cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 先腐蚀后膨胀目标推荐操作效果去外部毛刺开运算erode dilate掩膜轮廓向内收缩后回补填补内部空洞闭运算dilate erode掩膜内部空洞被填平消除边缘白边单独 erode 一次掩膜整体收缩一个像素5.3 从 0/255 掩膜到 0/1 掩膜的乘法陷阱二值图里的像素值是 0 和 255但直接拿它去乘图像会出问题255 * 255在uint8类型下会溢出结果不是 65025而是 65025 对 256 取余后的 1最终图像几乎全黑。所以原代码先把掩膜里的 255 转换成 1再和图像相乘img_t np.where(img 0, 1, 0) # 人像置 1背景置 0 img np.uint8(img_t * IMG_new) # 得到黑底人像 test np.uint8(test * (1 - img_t)) # 得到人像区域为黑的风景图np.where(img 0, 1, 0)把原本的白色背景变成 0人像变成 1。后续的(1 - img_t)是高效取反不需要再用中间变量。这一步之后前景图和背景图分别只剩下各自的像素相加即得到迁移结果。溢出问题如果排查不到很多人会误以为是二值化效果不好其实是数据类型在作怪。6. 合成前的补救技巧背景差分补光与边缘羽化6.1 背景差分法处理非纯白背景阈值法只对均匀纯色背景有效换成有纹理的墙面或者光照不均的拍摄环境就失效了。实验报告另外提到的思路是准备一张空背景图与原始人像图做差分取绝对值背景区域接近 0人像区域则保留较大差值。但实际拍摄时会出现一个经典问题人物离开画面后手机自动测光会改变背景亮度导致空背景图比有人像时亮不少直接相减会在人像轮廓周围残留一圈亮边。补偿方法是把背景图的亮度分量整体提高一个系数再参与差分bg cv2.imread(background.png) hls cv2.cvtColor(bg, cv2.COLOR_BGR2HLS).astype(np.float32) hls[:, :, 1] * 1.25 # 补偿自动测光带来的亮度差 hls[:, :, 1] np.clip(hls[:, :, 1], 0, 255) bg cv2.cvtColor(hls.astype(np.uint8), cv2.COLOR_HLS2BGR) diff cv2.absdiff(IMG, bg) diff_gray cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY) mask_bg np.where(diff_gray 25, 255, 0).astype(np.uint8)1.25是一个经验系数具体值取决于手机测光的偏移幅度。差分之后取灰度用一个较低的阈值 25 把微小的背景噪声过滤掉剩下的就是人像区域。这个方法对背景颜色不再敏感改换成墙面、窗帘都能处理但要求两次拍摄之间相机位置完全不动。6.2 边缘白边消除与人像羽化人像迁移最终效果里最常见的瑕疵是白边原因是二值掩膜比真实人像轮廓大一圈导致人像边缘的半透明渐变像素被当成背景一起换掉。最简单的修法是对掩膜做一次腐蚀让白色区域向人像内部收缩 1 到 2 个像素kernel np.ones((3, 3), np.uint8) mask cv2.erode(mask_bg, kernel, iterations1)如果想要更自然的过渡可以用高斯模糊对掩膜做羽化让边缘变成一个渐变的权重系数而不是硬切mask_soft cv2.GaussianBlur(mask_bg.astype(np.float32), (5, 5), 0) front (1 - mask_soft[..., None]) * IMG_new back mask_soft[..., None] * test result np.uint8(front back)羽化后的掩膜在边缘处取值介于 0 和 1 之间前景和背景各出一部分像素相加合成后边缘更柔和。判断白边是否处理干净的验证方法是把合成图和原图做cv2.absdiff统计边缘像素的平均差值当小于 5 时肉眼基本看不出迁痕。本文还有配套的精品资源点击获取 OpenCV数字图像处理课设：七步实现人像迁移与美颜磨皮
简介面向数字图像处理课程设计的人像迁移综合实验报告及源码适合高校相关专业学生完成课设、复习图像处理算法时参考。报告基于Python3.9与OpenCV系统覆盖图像增强、美颜、背景虚化、二值化与人像迁移的完整流程并给出每一步骤的实验结果与分析。报告按实验要求、实验环境、原理及操作、实验结果、结果分析和附录代码组织步骤清晰、图文对比便于逐段对照复现。采用自适应直方图均衡化处理HSI亮度通道以保留色彩利用双边滤波实现面部磨皮通过均值滤波和尺寸变换完成背景虚化再结合二值化与图像合成实现人像无缝移植。资源为1个docx压缩包共1个文件大小1.16MB包含报告全文与附录代码可直接对照阅读或提取代码复现。目前已超过3500人学习下载适合需要完整课设方案、想快速理解图像处理落地应用的读者。1. 纯 OpenCV 管线这份数字图像处理课设把七步实验一次跑通这份课程设计报告的核心价值在于它用一组可复现的传统算法链路完成了从图像增强、美颜磨皮、背景虚化、二值化到人像迁移的完整实验全程只用 Python 3.9、OpenCV 和 NumPy没有引入任何深度学习模型。整套源码挂在附录里按顺序运行就能看到每一步的中间结果图。对正在做数字图像处理课设的人而言它是可以直接对照改写的参考实现对已经工作多年的开发者这个案例恰好展示了传统图像处理在掩膜生成、色彩空间转换和形态学修正上的经典套路。我建议把这份实验当作一个最小可用的图像合成管线来读而不是只交作业的素材。2. 环境搭建与七步处理管线的输入输出设计2.1 实验环境与最简依赖报告里标注的解释器是 Python 3.9开发环境是 PyCharm。实际运行这份代码只需要两个第三方包安装命令如下pip install opencv-python numpy代码里用到的cv2.createCLAHE、cv2.bilateralFilter、cv2.blur、cv2.morphologyEx都属于 OpenCV 主库不需要额外安装opencv-contrib-python。OpenCV 4.x 各小版本里这些接口都非常稳定所以环境兼容性风险很低。建议在 PyCharm 里单独建一个虚拟环境避免和系统 Python 里的旧版 OpenCV 产生冲突。导入阶段常见的问题是cv2.imshow在无 GUI 的服务器上会报错如果是本地 PyCharm 运行则没有这个顾虑。2.2 图片读取与统一尺寸约定代码一开始就定义了show函数内部调用cv2.imshow加上cv2.waitKey(0)和cv2.destroyAllWindows()。waitKey(0)的作用是阻塞等待键盘输入否则图像窗口会一闪而过。随后读入老人照片和风景图并统一resize成 422x496。IMG cv2.imread(1.png) # 老人照片BGR 顺序读入 IMG cv2.resize(IMG, (422, 496)) # 统一尺寸保证后续矩阵运算对齐 test cv2.imread(2.png) # 风景图片cv2.imread读进来的是 BGR 通道顺序不是 RGB。这一点在保存和显示时通常没影响但如果你把数组直接交给其他库处理比如用 matplotlib 展示就需要先cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。统一尺寸 422x496 是本实验的关键设计后续所有图像运算都是逐像素对应的矩阵操作尺寸不一致会直接报错或者产生错位合成。新人容易在这里漏掉对风景图的resize导致最后相加时维度不匹配。2.3 七步处理管线的数据流转步骤输入输出核心 API1 图像增强原始人像CLAHE 增强图cvtColorcreateCLAHE2 美颜增强图磨皮图bilateralFilter3 背景虚化风景图模糊风景图blurresize4 二值化原始人像背景 1 / 人像 0 掩膜像素遍历5 掩膜修正二值掩膜干净掩膜medianBlur 形态学6 前景/背景分离磨皮图、模糊图黑底人像、黑区风景NumPy 乘法7 合成两张分离图人像迁移结果矩阵加法从表格可以看出前面的增强和美颜是为了得到高质量的前景人像虚化是为了得到弱化细节的背景二值化和形态学操作则负责生成一张合格的掩膜。掩膜是整条管线的枢纽它的质量直接决定人像迁移的边缘是否干净。理解了这条路再看后面的章节就不会迷路。3. HSI 空间自适应直方图均衡化图像增强的色彩失真控制3.1 为什么不能直接对 RGB 三分量做均衡化直方图均衡化的本质是把像素灰度分布拉伸到整个亮度区间。如果直接对 RGB 三个通道分别调用cv2.equalizeHist每个通道会按照各自的累积分布函数独立做映射三者的映射曲线完全不同。结果是图像的对比度确实提高了但通道间的比例关系被破坏原本正常的肤色会偏色蓝色天空可能变成紫色。报告原文提到的“颜色失真严重”就是这个现象。解决办法是先把 RGB 转换到一个亮度与色度分离的空间只对亮度分量做均衡化色度分量保持不变。实验报告里写的是转换到 HSI 空间对 I 通道处理这个思路是对的。不过 OpenCV 并没有直接提供 RGB 转 HSI 的函数常用替代方案是转换到 HLS 空间取 L 通道作为亮度。代码里实际用的就是cv2.COLOR_BGR2HLS。3.2 在 HLS 空间对亮度通道做 CLAHEdef hist(image): img image.copy() # BGR 转 HLS通道 0 是色调通道 1 是亮度通道 2 是饱和度 img cv2.cvtColor(img, cv2.COLOR_BGR2HLS) # 保存均衡化前的亮度通道用于对比展示 I img[:, :, 1].copy() clahe cv2.createCLAHE(clipLimit1) # 限制对比度阈值 img[:, :, 1] clahe.apply(img[:, :, 1]) # 只改亮度通道 # 转回 BGR色相和饱和度没有被触碰 img cv2.cvtColor(img, cv2.COLOR_HLS2BGR) return img这里有两个容易被忽略的细节。第一个是img image.copy()因为cvtColor返回新数组如果后面要反复使用原图copy 能避免隐式修改。第二个是createCLAHE的参数clipLimit1它控制直方图裁剪阈值值越大对比度拉伸越强同时噪声也会被放大。原代码在均衡化前后分别取I和img[:, :, 1]拼成对比图能直观看到亮度分布的变化。对这种单张老人照片clipLimit1是安全起点基本不会出现色块和伪影。3.3 CLAHE 参数选择与实验对照clipLimit画面表现风险0.5亮度变化不明显增强效果弱不会放大噪点1.0暗部提亮适中肤色自然常规取值2.0暗部细节明显局部对比度强皮肤颗粒感开始出现4.0整体偏亮纹理锐利容易出现块状伪影CLAHE 的全称是自适应直方图均衡化它会先把图像划分成若干个 8x8 的子区域在每个子区域里分别计算直方图并做限制对比度拉伸最后通过插值消除块间边界。这正是它优于全局equalizeHist的地方局部窗口能保留更多细节不会被整张图的灰度分布牵着走。实验报告里先转 HSI 再均衡化的策略本质上是把色彩保持和对比度增强拆成了两件互不干扰的事。4. 双边滤波与均值滤波分工美颜磨皮与背景虚化的实现4.1 双边滤波参数背后的空间与颜色权衡磨皮的核心诉求是让皮肤区域变得光滑同时保留眼睛、眉毛、嘴唇这些边缘强烈的器官。普通高斯滤波会把整张图一起模糊所以这里选用了双边滤波。双边滤波的权重由两部分相乘得到空间距离越近权重越大颜色差异越小权重越大。皮肤区域的像素颜色接近会被强烈平滑而眼睛和背景交界处的像素颜色差异大即使空间上挨着权重也很低边缘得以保留。# 双边滤波d15 是窗口直径sigmaColor35sigmaSpace35 dst cv2.bilateralFilter(IMG_new, 15, 35, 35)d决定参与计算的邻域范围sigmaColor决定多大颜色差异被视为“边缘”sigmaSpace决定空间距离的衰减速度。报告里写的“15*3”指的是这三个参数组合。sigmaColor和sigmaSpace调大会让滤波变得更像普通高斯模糊磨皮效果变强但脸会发虚调小则几乎看不出变化。实际操作中我会把d固定在 9 到 15再根据目标照片的分辨率微调两个 sigma而不是直接套一个大窗口。4.2 用 HSV 肤色掩膜保护非皮肤区域报告中的原理部分提到先提取皮肤区域再做替换但附录代码里只有一行整图双边滤波并没有真正的肤色判断。完整做法是先在 HSV 空间生成肤色掩膜再把滤波结果与原图按掩膜融合hsv cv2.cvtColor(IMG_new, cv2.COLOR_BGR2HSV) # 肤色范围要按实际照片微调这里是一组常见取值 lower np.array([0, 20, 70]) upper np.array([25, 255, 255]) skin_mask cv2.inRange(hsv, lower, upper) # 1 表示皮肤区域 skin_mask cv2.medianBlur(skin_mask, 5) # 去掉零散噪点 dst np.where(skin_mask[..., None] 255, dst, IMG_new)注意 OpenCV 里 HSV 的 H 通道范围是 0 到 180不是 0 到 360。直接按常规数值写会过滤掉大量皮肤像素。inRange生成的掩膜先用中值滤波清理一下再去控制融合能避免嘴唇边缘出现一圈“糊掉”的过渡带。4.3 均值滤波的虚化效果与核大小对照风景图的背景虚化用的是cv2.blur也就是均值滤波。它的原理是对每个像素取邻域平均值核越大平均范围越大图像越模糊。这种模糊与人像美颜的语义不同它不关心边缘只是把细节抹平用来模拟浅景深效果。核大小视觉效果单帧耗时3x3轻微去噪几乎无感极低9x9细节明显丢失柔和可忽略15x15接近重度虚化块感出现低test cv2.imread(2.png) test cv2.blur(test, (9, 9)) # 均值滤波实现背景虚化 test cv2.resize(test, (422, 496)) # 尺寸对齐人像代码里先做模糊再调整尺寸这个顺序是合理的在原始分辨率下模糊能获得更自然的过渡缩放后虚化感被保留下来。如果反过来先缩放再模糊核的作用范围会相对变大虚化程度会显得更强。想控制虚化强度优先改核大小而不是改两遍参数。5. 二值化掩膜与形态学修正人像区域提取的完整链路5.1 基于背景色的逐像素二值化实验要求最终得到一个二值图像人像部分为 0背景部分为 1。原代码采用最直接的做法遍历每个像素点判断是否为纯白色背景img IMG.copy() # 不能直接改原图后面合成还要用 for i in range(len(img)): for j in range(len(img[1])): if 255 IMG[i][j][0] and 255 IMG[i][j][1] and 255 IMG[i][j][2]: img[i][j] 255 # 背景置为 255对应 1 else: img[i][j] 0 # 人像置为 0这段代码成立的前提是背景确实是纯白色而且光照均匀没有渐变。严格判断255非常脆弱照片里如果有一点阴影或噪点那个像素就会被误判成人像。更稳的写法是判断三个通道都大于某个阈值比如 245这样能容忍轻微的亮度波动。这种双层 for 循环在 422x496 的小图上耗时不到一秒但换成 1920x1080 就会卡顿。工程上可以直接用向量化写法替代mask_bg np.all(IMG 245, axis-1).astype(np.uint8) # 背景为1人像为05.2 中值滤波与形态学操作的顺序问题原始二值掩膜通常带有两类噪声背景区域里的黑色小点人像头发缝隙和人像区域里的白色小点背景反光。首先用medianBlur处理这些孤立噪点核大小为 3 即可。接着是形态学操作原代码注释写的是“先腐蚀后膨胀”但实际执行的是cv2.dilate注释和实现并不一致这是个值得注意的细节。对于白色掩膜腐蚀会收缩白色区域从而削掉人像外圈的毛刺膨胀则相反会扩大白色区域填补内部小洞。想要去掉外部毛刺应该先腐蚀后膨胀即开运算想要填补内部空洞应该先膨胀后腐蚀即闭运算。这个实验的目标是“去毛刺、腐蚀边界”更适合用cv2.morphologyEx显式指定开运算kernel np.ones((3, 3), np.uint8) img cv2.medianBlur(img, 3) # 去椒盐噪声 img cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 先腐蚀后膨胀目标推荐操作效果去外部毛刺开运算erode dilate掩膜轮廓向内收缩后回补填补内部空洞闭运算dilate erode掩膜内部空洞被填平消除边缘白边单独 erode 一次掩膜整体收缩一个像素5.3 从 0/255 掩膜到 0/1 掩膜的乘法陷阱二值图里的像素值是 0 和 255但直接拿它去乘图像会出问题255 * 255在uint8类型下会溢出结果不是 65025而是 65025 对 256 取余后的 1最终图像几乎全黑。所以原代码先把掩膜里的 255 转换成 1再和图像相乘img_t np.where(img 0, 1, 0) # 人像置 1背景置 0 img np.uint8(img_t * IMG_new) # 得到黑底人像 test np.uint8(test * (1 - img_t)) # 得到人像区域为黑的风景图np.where(img 0, 1, 0)把原本的白色背景变成 0人像变成 1。后续的(1 - img_t)是高效取反不需要再用中间变量。这一步之后前景图和背景图分别只剩下各自的像素相加即得到迁移结果。溢出问题如果排查不到很多人会误以为是二值化效果不好其实是数据类型在作怪。6. 合成前的补救技巧背景差分补光与边缘羽化6.1 背景差分法处理非纯白背景阈值法只对均匀纯色背景有效换成有纹理的墙面或者光照不均的拍摄环境就失效了。实验报告另外提到的思路是准备一张空背景图与原始人像图做差分取绝对值背景区域接近 0人像区域则保留较大差值。但实际拍摄时会出现一个经典问题人物离开画面后手机自动测光会改变背景亮度导致空背景图比有人像时亮不少直接相减会在人像轮廓周围残留一圈亮边。补偿方法是把背景图的亮度分量整体提高一个系数再参与差分bg cv2.imread(background.png) hls cv2.cvtColor(bg, cv2.COLOR_BGR2HLS).astype(np.float32) hls[:, :, 1] * 1.25 # 补偿自动测光带来的亮度差 hls[:, :, 1] np.clip(hls[:, :, 1], 0, 255) bg cv2.cvtColor(hls.astype(np.uint8), cv2.COLOR_HLS2BGR) diff cv2.absdiff(IMG, bg) diff_gray cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY) mask_bg np.where(diff_gray 25, 255, 0).astype(np.uint8)1.25是一个经验系数具体值取决于手机测光的偏移幅度。差分之后取灰度用一个较低的阈值 25 把微小的背景噪声过滤掉剩下的就是人像区域。这个方法对背景颜色不再敏感改换成墙面、窗帘都能处理但要求两次拍摄之间相机位置完全不动。6.2 边缘白边消除与人像羽化人像迁移最终效果里最常见的瑕疵是白边原因是二值掩膜比真实人像轮廓大一圈导致人像边缘的半透明渐变像素被当成背景一起换掉。最简单的修法是对掩膜做一次腐蚀让白色区域向人像内部收缩 1 到 2 个像素kernel np.ones((3, 3), np.uint8) mask cv2.erode(mask_bg, kernel, iterations1)如果想要更自然的过渡可以用高斯模糊对掩膜做羽化让边缘变成一个渐变的权重系数而不是硬切mask_soft cv2.GaussianBlur(mask_bg.astype(np.float32), (5, 5), 0) front (1 - mask_soft[..., None]) * IMG_new back mask_soft[..., None] * test result np.uint8(front back)羽化后的掩膜在边缘处取值介于 0 和 1 之间前景和背景各出一部分像素相加合成后边缘更柔和。判断白边是否处理干净的验证方法是把合成图和原图做cv2.absdiff统计边缘像素的平均差值当小于 5 时肉眼基本看不出迁痕。本文还有配套的精品资源点击获取