尧图网站建设 
简介本资源是一套面向计算机、电子信息等专业学生的数字图像处理综合实验课程设计资料基于Python与OpenCV实现适合正在完成图像处理课程设计或希望系统练习经典算法的学习者。压缩包共1952个文件约25.26MB以888个py源码文件为核心辅以884个pyc编译文件、19个pyd扩展模块及h、f90、c等底层源码另有csv、xml、npy、npz等数据与配置文件和少量exe、bat运行脚本构成可直接运行的完整工程环境。实验内容覆盖Canny边缘检测、OTSU图像分割方法以及OpenCVPython人脸检测三大典型任务从边缘提取、阈值分割到人脸识别层层递进帮助读者理解算法原理并掌握工程实现。目前已有295人学习下载可作为课程设计参考、算法练手或二次开发的基础模板便于快速搭建实验环境并对照调试。1. 数字图像处理综合实验用 Python 把冈萨雷斯那本书跑成能交作业的代码很多人学数字图像处理卡在同一个地方书翻到第三章公式能看懂一到动手就不知道从哪下手。冈萨雷斯第四版那本教材理论扎实但课后实验如果只靠 MATLAB环境成本高、代码不好复用。用 Python 做这套综合实验核心价值就一句话——把课本里的每一个变换、滤波、分割算法变成你能跑、能调参、能对比结果的脚本。适合两类人正在上数字图像处理课、需要交实验报告的学生以及想从零搭一套图像处理工具链、后续接 OpenCV 做工程的开发者。这篇笔记按「环境搭好 → 基础操作 → 频域与滤波 → 分割与形态学 → 避坑 → 进阶验证」的顺序推每一步都给可抄的代码和参数说明你照着敲就能复现。2. 环境与最小可跑链路从 python 安装到 cv2 读图2.1 为什么选 Python OpenCV NumPy 这套组合数字图像处理综合实验的常见做法是用 MATLAB但 Python 方案有三个实际优势第一NumPy 的数组切片和矩阵运算跟课本里的矩阵表达几乎一一对应写卷积、写傅里叶变换时思维不用切换第二OpenCVcv2提供了大量底层函数你既能调cv2.filter2D做快速验证也能自己用 NumPy 手写卷积核理解原理第三matplotlib 出图直接嵌进实验报告省掉截图排版。选型上要注意版本匹配。Python 3.9 到 3.11 对 OpenCV 和 SciPy 的支持最稳太新的版本偶尔会遇到 wheel 没跟上。安装路径建议用虚拟环境避免和系统里的其他包打架。如果你还在纠结 python 安装教程里那些细节记住一条装完 python 后先确认pip能用再装第三方库。# 创建虚拟环境Windows 和 Linux 通用 python -m venv dip_env # 激活Windows dip_env\Scripts\activate # 激活Linux / macOS source dip_env/bin/activate # 安装核心依赖指定版本区间避免踩坑 pip install numpy1.24,2.0 opencv-python4.8 matplotlib3.7 scipy1.11 scikit-image0.22这段命令的逻辑是先隔离环境再一次性装齐五个库。NumPy 锁在 2.0 以下是因为部分旧版 OpenCV 对 NumPy 2.x 的 ABI 不兼容会报_ARRAY_API not found。opencv-python 是主库scikit-image 用来做对比验证比如它的rgb2gray和手写灰度公式结果是否一致。scipy 主要用它的fftpack和ndimage。提示如果你用 vscode 配置 python 环境装完后在右下角选解释器时一定要选到dip_env里的那个 python否则 import cv2 会失败。2.2 读图、灰度化、显示的最小闭环环境好了先跑通一条最小链路确认整条工具链没问题。下面这段代码做三件事读一张图、转灰度、并排显示原图和灰度图。import cv2 import numpy as np import matplotlib.pyplot as plt # 读图第二个参数 1 表示彩色0 表示灰度-1 表示带 alpha img_bgr cv2.imread(lena.jpg, 1) if img_bgr is None: raise FileNotFoundError(图片没读到检查路径和文件名) # OpenCV 默认 BGRmatplotlib 要 RGB转换一下 img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # 灰度化加权公式和课本里 0.299R0.587G0.114B 一致 gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # 并排显示 fig, axes plt.subplots(1, 2, figsize(10, 5)) axes[0].imshow(img_rgb) axes[0].set_title(Original RGB) axes[0].axis(off) axes[1].imshow(gray, cmapgray) axes[1].set_title(Grayscale) axes[1].axis(off) plt.tight_layout() plt.savefig(step1_gray.png, dpi150) plt.show() print(图像尺寸:, img_bgr.shape, 灰度图尺寸:, gray.shape)逻辑说明cv2.imread读进来是 BGR 顺序的 ndarrayshape 是(高, 宽, 通道)。cv2.cvtColor做颜色空间转换灰度化那一步内部用的就是课本的加权系数。matplotlib 显示灰度图必须加cmapgray否则会按伪彩色渲染这是新手最常见的翻车点之一。参数说明imread的第二个参数决定读图模式做灰度实验时直接传 0 可以省一步转换savefig的dpi控制输出分辨率实验报告里建议 150 以上。如果你手头没有 lena 图随便找一张彩色照片都行但建议用标准测试图方便和教材结果对照。3. 空域增强与频域变换把课本公式翻译成 NumPy 代码3.1 直方图均衡与自定义卷积核空域增强是综合实验里最基础也最容易出效果的部分。直方图均衡用来提升对比度OpenCV 有现成函数但实验报告通常要求你手写累积分布函数CDF来证明理解。下面两段代码一段手写均衡一段自定义卷积核做平滑和锐化。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) # 手写直方图均衡 hist, bins np.histogram(gray.flatten(), 256, [0, 256]) cdf hist.cumsum() cdf_normalized cdf * 255 / cdf[-1] # 归一化到 0-255 equalized_manual np.interp(gray.flatten(), bins[:-1], cdf_normalized) equalized_manual equalized_manual.reshape(gray.shape).astype(np.uint8) # 和 OpenCV 内置结果对比 equalized_cv cv2.equalizeHist(gray) diff np.abs(equalized_manual.astype(int) - equalized_cv.astype(int)).mean() print(手写与内置均衡的平均差异:, diff)逻辑说明np.histogram统计每个灰度级的像素数cumsum得到累积分布归一化后作为映射函数np.interp把原图每个像素值映射到新值。最后和cv2.equalizeHist对比平均差异应该接近 0如果差很多说明映射写错了。这一步是实验报告里很好的验证素材。卷积核部分平滑用均值核锐化用拉普拉斯核# 均值平滑核 5x5 kernel_mean np.ones((5, 5), np.float32) / 25 smoothed cv2.filter2D(gray, -1, kernel_mean) # 拉普拉斯锐化核 kernel_lap np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) sharpened cv2.filter2D(gray, -1, kernel_lap) # 注意 filter2D 默认不处理边界边缘会有暗边 # 用 BORDER_REFLECT 改善 smoothed_reflect cv2.filter2D(gray, -1, kernel_mean, borderTypecv2.BORDER_REFLECT)参数说明filter2D第二个参数ddepth-1表示输出和输入同类型做锐化时如果出现截断像素值溢出 255 被截可以改成cv2.CV_32F先算浮点再归一化。borderType控制边界填充方式默认是BORDER_DEFAULT反射显式写BORDER_REFLECT更清楚。均值核大小必须是奇数5x5 比 3x3 更模糊实验里可以对比不同核尺寸的效果。3.2 傅里叶变换与频域滤波的完整流程频域部分是综合实验的重头戏也是很多人第一次接触np.fft的地方。完整流程是傅里叶变换 → 频谱中心化 → 构造滤波器 → 频域相乘 → 逆变换。下面用理想低通滤波器做演示。import cv2 import numpy as np import matplotlib.pyplot as plt gray cv2.imread(lena.jpg, 0).astype(np.float32) # 二维傅里叶变换 f np.fft.fft2(gray) fshift np.fft.fftshift(f) # 低频移到中心 # 计算幅度谱用对数增强可视性 magnitude 20 * np.log(np.abs(fshift) 1) # 构造理想低通滤波器截止频率 D0 rows, cols gray.shape crow, ccol rows // 2, cols // 2 D0 30 u np.arange(rows).reshape(-1, 1) - crow v np.arange(cols).reshape(1, -1) - ccol D np.sqrt(u**2 v**2) mask_lp (D D0).astype(np.float32) # 频域相乘后逆变换 fshift_filtered fshift * mask_lp f_ishift np.fft.ifftshift(fshift_filtered) img_back np.fft.ifft2(f_ishift) img_back np.abs(img_back) # 显示 plt.figure(figsize(12, 4)) plt.subplot(131); plt.imshow(gray, cmapgray); plt.title(Original); plt.axis(off) plt.subplot(132); plt.imshow(magnitude, cmapgray); plt.title(Spectrum); plt.axis(off) plt.subplot(133); plt.imshow(img_back, cmapgray); plt.title(fIdeal LP D0{D0}); plt.axis(off) plt.tight_layout(); plt.savefig(fft_lp.png, dpi150); plt.show()逻辑说明fft2得到复数频谱fftshift把零频移到图像中心方便构造对称滤波器。D是每个频率点到中心的距离矩阵D D0的区域保留其余置零。逆变换前要ifftshift移回去最后取模得到空域图像。参数说明D0是截止频率值越小越模糊30 是一个中等强度实验里可以试 10、30、60 对比。理想低通会产生振铃效应边缘出现波纹这是它的固有缺陷报告里可以提一句改用巴特沃斯或高斯滤波器能缓解。幅度谱用20*log是为了把动态范围压到可视区间不加 log 的话频谱图几乎全黑。注意np.fft对 float32 输入返回 complex64做逆变换后取np.abs再转 uint8 时记得先归一化到 0-255否则显示会全白或全黑。4. 图像分割与形态学从阈值到边缘检测的落地参数4.1 Otsu 阈值分割与自适应阈值的适用边界分割是综合实验里最贴近实际应用的一环。全局 Otsu 适合双峰直方图的图像自适应阈值适合光照不均的场景。下面代码把两种方法放一起对比。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) # 全局 Otsu ret, th_otsu cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) print(Otsu 自动算出的阈值:, ret) # 自适应阈值邻域大小必须是奇数C 是从均值里减去的常数 th_adapt cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 对比 import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.subplot(131); plt.imshow(gray, cmapgray); plt.title(Gray); plt.axis(off) plt.subplot(132); plt.imshow(th_otsu, cmapgray); plt.title(fOtsu{ret:.0f}); plt.axis(off) plt.subplot(133); plt.imshow(th_adapt, cmapgray); plt.title(Adaptive); plt.axis(off) plt.tight_layout(); plt.savefig(threshold_cmp.png, dpi150); plt.show()逻辑说明Otsu 通过最大化类间方差自动找阈值cv2.threshold里传 0 作为阈值占位加THRESH_OTSU标志后函数会忽略你传的 0 自己算。自适应阈值对每个像素用其邻域的加权均值减 C 作为局部阈值ADAPTIVE_THRESH_GAUSSIAN_C表示邻域权重是高斯核。参数说明blockSize11是邻域大小越大越平滑但细节丢失越多常见范围 11 到 31。C2是微调量值越大前景越少。如果图像有渐变光照Otsu 会把暗区整片判成背景这时候必须换自适应。4.2 形态学操作与 Canny 边缘检测的参数联动形态学用来去噪、连接断裂、提取骨架。Canny 是边缘检测的经典但它的双阈值需要根据图像调整。下面把腐蚀、膨胀、开闭运算和 Canny 串起来。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 结构元素3x3 矩形也可以换成 cv2.MORPH_ELLIPSE kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) eroded cv2.erode(binary, kernel, iterations1) dilated cv2.dilate(binary, kernel, iterations1) opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 先腐蚀后膨胀去小白点 closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 先膨胀后腐蚀填小黑洞 # Canny 双阈值低阈值一般是高阈值的 1/2 到 1/3 edges cv2.Canny(gray, 50, 150) # 形态学 Canny 组合先闭运算连接边缘再检测 closed_gray cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) edges2 cv2.Canny(closed_gray, 50, 150)逻辑说明腐蚀让白色区域缩小膨胀让白色区域扩大。开运算先腐蚀后膨胀能去掉孤立的小白点闭运算先膨胀后腐蚀能填补前景内部的小黑洞。Canny 内部做高斯平滑、计算梯度、非极大值抑制、双阈值滞后连接低阈值决定哪些弱边缘被保留高阈值决定强边缘起点。参数说明iterations控制操作次数次数越多效果越强。Canny 的50, 150是经验值实际要根据图像对比度调可以用np.median(gray)做参考低阈值取中位数的 0.66 倍高阈值取 1.33 倍。结构元素形状对结果影响明显矩形适合规则边缘椭圆适合自然图像。提示形态学操作前一定要确保输入是二值图0 和 255如果传灰度图进去结果会不符合预期这是排查时第一个要检查的点。5. 综合实验避坑5 个我踩过的血泪记录5.1 现象imread 返回 None后面全报错原因路径里有中文、反斜杠转义、或者文件根本不在当前工作目录。Windows 下cv2.imread对中文路径支持不好。解决用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)读中文路径或者干脆把图片放到纯英文路径下。读之前先print(os.getcwd())确认工作目录。5.2 现象频域滤波后图像全黑或全白原因逆变换后没做归一化或者ifftshift和fftshift用反了。np.abs得到的值范围可能远超 0-255。解决逆变换后先img np.abs(img_back)再img (img - img.min()) / (img.max() - img.min()) * 255最后转 uint8。顺序不能乱先减最小值再除以范围。5.3 现象Canny 边缘检测结果全是噪点或几乎没有边缘原因双阈值设得和图像对比度不匹配。高阈值太高只剩最强边缘太低则噪点全出来。解决用中位数自适应算阈值v np.median(gray); low int(max(0, 0.66*v)); high int(min(255, 1.33*v))。如果还不行先做一次高斯模糊cv2.GaussianBlur(gray, (5,5), 0)再检测。5.4 现象直方图均衡后彩色图像颜色失真原因直接对 BGR 三通道分别做均衡各通道映射曲线不同合成后色调偏移。解决彩色图均衡有两种正确做法。一是转 HSV只对 V 通道均衡再转回二是转 YCrCb只对 Y 通道均衡。推荐后者cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)均衡 Y 后再转回 BGR。5.5 现象形态学操作后边缘出现黑框原因filter2D或形态学操作默认边界填充方式导致边缘像素被当作背景处理。解决形态学函数加borderTypecv2.BORDER_REFLECT或BORDER_REPLICATE。filter2D同理。如果黑框已经出现检查是不是在二值图边缘做了腐蚀腐蚀会把边界白色吃掉。6. 进阶验证用 PSNR 和 SSIM 量化你的滤波效果实验报告写到后面光靠肉眼看图说服力不够导师会问你「这个滤波到底好多少」。这时候需要客观指标。PSNR峰值信噪比和 SSIM结构相似性是两个最常用的量化指标前者基于像素误差后者基于结构信息。下面这段代码把前面做的平滑、锐化、频域滤波结果全部量化对比。import cv2 import numpy as np from skimage.metrics import peak_signal_noise_ratio as psnr from skimage.metrics import structural_similarity as ssim gray cv2.imread(lena.jpg, 0) # 加高斯噪声作为退化参考 noisy gray np.random.normal(0, 20, gray.shape) noisy np.clip(noisy, 0, 255).astype(np.uint8) # 三种去噪方法 mean_filtered cv2.blur(noisy, (5, 5)) gauss_filtered cv2.GaussianBlur(noisy, (5, 5), 1.5) median_filtered cv2.medianBlur(noisy, 5) # 量化对比data_range 必须指定 results {} for name, img in [(Mean, mean_filtered), (Gaussian, gauss_filtered), (Median, median_filtered)]: p psnr(gray, img, data_range255) s ssim(gray, img, data_range255) results[name] (p, s) print(f{name:10s} PSNR{p:.2f} dB SSIM{s:.4f})逻辑说明先给原图加已知强度的高斯噪声再用三种滤波器去噪最后和干净原图比。PSNR 越高说明像素误差越小SSIM 越接近 1 说明结构保留越好。data_range255必须显式指定否则 skimage 会按输入数据类型猜uint8 和 float 的结果不一样。参数说明噪声标准差 20 是中等强度可以试 10、30、50 看不同滤波器在不同噪声水平下的表现。高斯核的 sigma 设 1.5 对应 5x5 窗口sigma 越大越模糊。中值滤波窗口 5 对椒盐噪声效果最好但对高斯噪声不如高斯滤波。一个我自己的习惯每次做完滤波实验先跑一遍 PSNR/SSIM 表格再挑指标最好的那张图放进报告。有一次我肉眼觉得均值滤波最干净结果 SSIM 一算比高斯滤波低了 0.05原因是均值把边缘也抹平了。从那以后我再也不靠眼睛下结论指标先说话。希望帮到你。本文还有配套的精品资源点击获取 Python数字图像处理综合实验：从冈萨雷斯教材到可交作业代码
简介本资源是一套面向计算机、电子信息等专业学生的数字图像处理综合实验课程设计资料基于Python与OpenCV实现适合正在完成图像处理课程设计或希望系统练习经典算法的学习者。压缩包共1952个文件约25.26MB以888个py源码文件为核心辅以884个pyc编译文件、19个pyd扩展模块及h、f90、c等底层源码另有csv、xml、npy、npz等数据与配置文件和少量exe、bat运行脚本构成可直接运行的完整工程环境。实验内容覆盖Canny边缘检测、OTSU图像分割方法以及OpenCVPython人脸检测三大典型任务从边缘提取、阈值分割到人脸识别层层递进帮助读者理解算法原理并掌握工程实现。目前已有295人学习下载可作为课程设计参考、算法练手或二次开发的基础模板便于快速搭建实验环境并对照调试。1. 数字图像处理综合实验用 Python 把冈萨雷斯那本书跑成能交作业的代码很多人学数字图像处理卡在同一个地方书翻到第三章公式能看懂一到动手就不知道从哪下手。冈萨雷斯第四版那本教材理论扎实但课后实验如果只靠 MATLAB环境成本高、代码不好复用。用 Python 做这套综合实验核心价值就一句话——把课本里的每一个变换、滤波、分割算法变成你能跑、能调参、能对比结果的脚本。适合两类人正在上数字图像处理课、需要交实验报告的学生以及想从零搭一套图像处理工具链、后续接 OpenCV 做工程的开发者。这篇笔记按「环境搭好 → 基础操作 → 频域与滤波 → 分割与形态学 → 避坑 → 进阶验证」的顺序推每一步都给可抄的代码和参数说明你照着敲就能复现。2. 环境与最小可跑链路从 python 安装到 cv2 读图2.1 为什么选 Python OpenCV NumPy 这套组合数字图像处理综合实验的常见做法是用 MATLAB但 Python 方案有三个实际优势第一NumPy 的数组切片和矩阵运算跟课本里的矩阵表达几乎一一对应写卷积、写傅里叶变换时思维不用切换第二OpenCVcv2提供了大量底层函数你既能调cv2.filter2D做快速验证也能自己用 NumPy 手写卷积核理解原理第三matplotlib 出图直接嵌进实验报告省掉截图排版。选型上要注意版本匹配。Python 3.9 到 3.11 对 OpenCV 和 SciPy 的支持最稳太新的版本偶尔会遇到 wheel 没跟上。安装路径建议用虚拟环境避免和系统里的其他包打架。如果你还在纠结 python 安装教程里那些细节记住一条装完 python 后先确认pip能用再装第三方库。# 创建虚拟环境Windows 和 Linux 通用 python -m venv dip_env # 激活Windows dip_env\Scripts\activate # 激活Linux / macOS source dip_env/bin/activate # 安装核心依赖指定版本区间避免踩坑 pip install numpy1.24,2.0 opencv-python4.8 matplotlib3.7 scipy1.11 scikit-image0.22这段命令的逻辑是先隔离环境再一次性装齐五个库。NumPy 锁在 2.0 以下是因为部分旧版 OpenCV 对 NumPy 2.x 的 ABI 不兼容会报_ARRAY_API not found。opencv-python 是主库scikit-image 用来做对比验证比如它的rgb2gray和手写灰度公式结果是否一致。scipy 主要用它的fftpack和ndimage。提示如果你用 vscode 配置 python 环境装完后在右下角选解释器时一定要选到dip_env里的那个 python否则 import cv2 会失败。2.2 读图、灰度化、显示的最小闭环环境好了先跑通一条最小链路确认整条工具链没问题。下面这段代码做三件事读一张图、转灰度、并排显示原图和灰度图。import cv2 import numpy as np import matplotlib.pyplot as plt # 读图第二个参数 1 表示彩色0 表示灰度-1 表示带 alpha img_bgr cv2.imread(lena.jpg, 1) if img_bgr is None: raise FileNotFoundError(图片没读到检查路径和文件名) # OpenCV 默认 BGRmatplotlib 要 RGB转换一下 img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # 灰度化加权公式和课本里 0.299R0.587G0.114B 一致 gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # 并排显示 fig, axes plt.subplots(1, 2, figsize(10, 5)) axes[0].imshow(img_rgb) axes[0].set_title(Original RGB) axes[0].axis(off) axes[1].imshow(gray, cmapgray) axes[1].set_title(Grayscale) axes[1].axis(off) plt.tight_layout() plt.savefig(step1_gray.png, dpi150) plt.show() print(图像尺寸:, img_bgr.shape, 灰度图尺寸:, gray.shape)逻辑说明cv2.imread读进来是 BGR 顺序的 ndarrayshape 是(高, 宽, 通道)。cv2.cvtColor做颜色空间转换灰度化那一步内部用的就是课本的加权系数。matplotlib 显示灰度图必须加cmapgray否则会按伪彩色渲染这是新手最常见的翻车点之一。参数说明imread的第二个参数决定读图模式做灰度实验时直接传 0 可以省一步转换savefig的dpi控制输出分辨率实验报告里建议 150 以上。如果你手头没有 lena 图随便找一张彩色照片都行但建议用标准测试图方便和教材结果对照。3. 空域增强与频域变换把课本公式翻译成 NumPy 代码3.1 直方图均衡与自定义卷积核空域增强是综合实验里最基础也最容易出效果的部分。直方图均衡用来提升对比度OpenCV 有现成函数但实验报告通常要求你手写累积分布函数CDF来证明理解。下面两段代码一段手写均衡一段自定义卷积核做平滑和锐化。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) # 手写直方图均衡 hist, bins np.histogram(gray.flatten(), 256, [0, 256]) cdf hist.cumsum() cdf_normalized cdf * 255 / cdf[-1] # 归一化到 0-255 equalized_manual np.interp(gray.flatten(), bins[:-1], cdf_normalized) equalized_manual equalized_manual.reshape(gray.shape).astype(np.uint8) # 和 OpenCV 内置结果对比 equalized_cv cv2.equalizeHist(gray) diff np.abs(equalized_manual.astype(int) - equalized_cv.astype(int)).mean() print(手写与内置均衡的平均差异:, diff)逻辑说明np.histogram统计每个灰度级的像素数cumsum得到累积分布归一化后作为映射函数np.interp把原图每个像素值映射到新值。最后和cv2.equalizeHist对比平均差异应该接近 0如果差很多说明映射写错了。这一步是实验报告里很好的验证素材。卷积核部分平滑用均值核锐化用拉普拉斯核# 均值平滑核 5x5 kernel_mean np.ones((5, 5), np.float32) / 25 smoothed cv2.filter2D(gray, -1, kernel_mean) # 拉普拉斯锐化核 kernel_lap np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) sharpened cv2.filter2D(gray, -1, kernel_lap) # 注意 filter2D 默认不处理边界边缘会有暗边 # 用 BORDER_REFLECT 改善 smoothed_reflect cv2.filter2D(gray, -1, kernel_mean, borderTypecv2.BORDER_REFLECT)参数说明filter2D第二个参数ddepth-1表示输出和输入同类型做锐化时如果出现截断像素值溢出 255 被截可以改成cv2.CV_32F先算浮点再归一化。borderType控制边界填充方式默认是BORDER_DEFAULT反射显式写BORDER_REFLECT更清楚。均值核大小必须是奇数5x5 比 3x3 更模糊实验里可以对比不同核尺寸的效果。3.2 傅里叶变换与频域滤波的完整流程频域部分是综合实验的重头戏也是很多人第一次接触np.fft的地方。完整流程是傅里叶变换 → 频谱中心化 → 构造滤波器 → 频域相乘 → 逆变换。下面用理想低通滤波器做演示。import cv2 import numpy as np import matplotlib.pyplot as plt gray cv2.imread(lena.jpg, 0).astype(np.float32) # 二维傅里叶变换 f np.fft.fft2(gray) fshift np.fft.fftshift(f) # 低频移到中心 # 计算幅度谱用对数增强可视性 magnitude 20 * np.log(np.abs(fshift) 1) # 构造理想低通滤波器截止频率 D0 rows, cols gray.shape crow, ccol rows // 2, cols // 2 D0 30 u np.arange(rows).reshape(-1, 1) - crow v np.arange(cols).reshape(1, -1) - ccol D np.sqrt(u**2 v**2) mask_lp (D D0).astype(np.float32) # 频域相乘后逆变换 fshift_filtered fshift * mask_lp f_ishift np.fft.ifftshift(fshift_filtered) img_back np.fft.ifft2(f_ishift) img_back np.abs(img_back) # 显示 plt.figure(figsize(12, 4)) plt.subplot(131); plt.imshow(gray, cmapgray); plt.title(Original); plt.axis(off) plt.subplot(132); plt.imshow(magnitude, cmapgray); plt.title(Spectrum); plt.axis(off) plt.subplot(133); plt.imshow(img_back, cmapgray); plt.title(fIdeal LP D0{D0}); plt.axis(off) plt.tight_layout(); plt.savefig(fft_lp.png, dpi150); plt.show()逻辑说明fft2得到复数频谱fftshift把零频移到图像中心方便构造对称滤波器。D是每个频率点到中心的距离矩阵D D0的区域保留其余置零。逆变换前要ifftshift移回去最后取模得到空域图像。参数说明D0是截止频率值越小越模糊30 是一个中等强度实验里可以试 10、30、60 对比。理想低通会产生振铃效应边缘出现波纹这是它的固有缺陷报告里可以提一句改用巴特沃斯或高斯滤波器能缓解。幅度谱用20*log是为了把动态范围压到可视区间不加 log 的话频谱图几乎全黑。注意np.fft对 float32 输入返回 complex64做逆变换后取np.abs再转 uint8 时记得先归一化到 0-255否则显示会全白或全黑。4. 图像分割与形态学从阈值到边缘检测的落地参数4.1 Otsu 阈值分割与自适应阈值的适用边界分割是综合实验里最贴近实际应用的一环。全局 Otsu 适合双峰直方图的图像自适应阈值适合光照不均的场景。下面代码把两种方法放一起对比。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) # 全局 Otsu ret, th_otsu cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) print(Otsu 自动算出的阈值:, ret) # 自适应阈值邻域大小必须是奇数C 是从均值里减去的常数 th_adapt cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 对比 import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.subplot(131); plt.imshow(gray, cmapgray); plt.title(Gray); plt.axis(off) plt.subplot(132); plt.imshow(th_otsu, cmapgray); plt.title(fOtsu{ret:.0f}); plt.axis(off) plt.subplot(133); plt.imshow(th_adapt, cmapgray); plt.title(Adaptive); plt.axis(off) plt.tight_layout(); plt.savefig(threshold_cmp.png, dpi150); plt.show()逻辑说明Otsu 通过最大化类间方差自动找阈值cv2.threshold里传 0 作为阈值占位加THRESH_OTSU标志后函数会忽略你传的 0 自己算。自适应阈值对每个像素用其邻域的加权均值减 C 作为局部阈值ADAPTIVE_THRESH_GAUSSIAN_C表示邻域权重是高斯核。参数说明blockSize11是邻域大小越大越平滑但细节丢失越多常见范围 11 到 31。C2是微调量值越大前景越少。如果图像有渐变光照Otsu 会把暗区整片判成背景这时候必须换自适应。4.2 形态学操作与 Canny 边缘检测的参数联动形态学用来去噪、连接断裂、提取骨架。Canny 是边缘检测的经典但它的双阈值需要根据图像调整。下面把腐蚀、膨胀、开闭运算和 Canny 串起来。import cv2 import numpy as np gray cv2.imread(lena.jpg, 0) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 结构元素3x3 矩形也可以换成 cv2.MORPH_ELLIPSE kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) eroded cv2.erode(binary, kernel, iterations1) dilated cv2.dilate(binary, kernel, iterations1) opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 先腐蚀后膨胀去小白点 closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 先膨胀后腐蚀填小黑洞 # Canny 双阈值低阈值一般是高阈值的 1/2 到 1/3 edges cv2.Canny(gray, 50, 150) # 形态学 Canny 组合先闭运算连接边缘再检测 closed_gray cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) edges2 cv2.Canny(closed_gray, 50, 150)逻辑说明腐蚀让白色区域缩小膨胀让白色区域扩大。开运算先腐蚀后膨胀能去掉孤立的小白点闭运算先膨胀后腐蚀能填补前景内部的小黑洞。Canny 内部做高斯平滑、计算梯度、非极大值抑制、双阈值滞后连接低阈值决定哪些弱边缘被保留高阈值决定强边缘起点。参数说明iterations控制操作次数次数越多效果越强。Canny 的50, 150是经验值实际要根据图像对比度调可以用np.median(gray)做参考低阈值取中位数的 0.66 倍高阈值取 1.33 倍。结构元素形状对结果影响明显矩形适合规则边缘椭圆适合自然图像。提示形态学操作前一定要确保输入是二值图0 和 255如果传灰度图进去结果会不符合预期这是排查时第一个要检查的点。5. 综合实验避坑5 个我踩过的血泪记录5.1 现象imread 返回 None后面全报错原因路径里有中文、反斜杠转义、或者文件根本不在当前工作目录。Windows 下cv2.imread对中文路径支持不好。解决用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)读中文路径或者干脆把图片放到纯英文路径下。读之前先print(os.getcwd())确认工作目录。5.2 现象频域滤波后图像全黑或全白原因逆变换后没做归一化或者ifftshift和fftshift用反了。np.abs得到的值范围可能远超 0-255。解决逆变换后先img np.abs(img_back)再img (img - img.min()) / (img.max() - img.min()) * 255最后转 uint8。顺序不能乱先减最小值再除以范围。5.3 现象Canny 边缘检测结果全是噪点或几乎没有边缘原因双阈值设得和图像对比度不匹配。高阈值太高只剩最强边缘太低则噪点全出来。解决用中位数自适应算阈值v np.median(gray); low int(max(0, 0.66*v)); high int(min(255, 1.33*v))。如果还不行先做一次高斯模糊cv2.GaussianBlur(gray, (5,5), 0)再检测。5.4 现象直方图均衡后彩色图像颜色失真原因直接对 BGR 三通道分别做均衡各通道映射曲线不同合成后色调偏移。解决彩色图均衡有两种正确做法。一是转 HSV只对 V 通道均衡再转回二是转 YCrCb只对 Y 通道均衡。推荐后者cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)均衡 Y 后再转回 BGR。5.5 现象形态学操作后边缘出现黑框原因filter2D或形态学操作默认边界填充方式导致边缘像素被当作背景处理。解决形态学函数加borderTypecv2.BORDER_REFLECT或BORDER_REPLICATE。filter2D同理。如果黑框已经出现检查是不是在二值图边缘做了腐蚀腐蚀会把边界白色吃掉。6. 进阶验证用 PSNR 和 SSIM 量化你的滤波效果实验报告写到后面光靠肉眼看图说服力不够导师会问你「这个滤波到底好多少」。这时候需要客观指标。PSNR峰值信噪比和 SSIM结构相似性是两个最常用的量化指标前者基于像素误差后者基于结构信息。下面这段代码把前面做的平滑、锐化、频域滤波结果全部量化对比。import cv2 import numpy as np from skimage.metrics import peak_signal_noise_ratio as psnr from skimage.metrics import structural_similarity as ssim gray cv2.imread(lena.jpg, 0) # 加高斯噪声作为退化参考 noisy gray np.random.normal(0, 20, gray.shape) noisy np.clip(noisy, 0, 255).astype(np.uint8) # 三种去噪方法 mean_filtered cv2.blur(noisy, (5, 5)) gauss_filtered cv2.GaussianBlur(noisy, (5, 5), 1.5) median_filtered cv2.medianBlur(noisy, 5) # 量化对比data_range 必须指定 results {} for name, img in [(Mean, mean_filtered), (Gaussian, gauss_filtered), (Median, median_filtered)]: p psnr(gray, img, data_range255) s ssim(gray, img, data_range255) results[name] (p, s) print(f{name:10s} PSNR{p:.2f} dB SSIM{s:.4f})逻辑说明先给原图加已知强度的高斯噪声再用三种滤波器去噪最后和干净原图比。PSNR 越高说明像素误差越小SSIM 越接近 1 说明结构保留越好。data_range255必须显式指定否则 skimage 会按输入数据类型猜uint8 和 float 的结果不一样。参数说明噪声标准差 20 是中等强度可以试 10、30、50 看不同滤波器在不同噪声水平下的表现。高斯核的 sigma 设 1.5 对应 5x5 窗口sigma 越大越模糊。中值滤波窗口 5 对椒盐噪声效果最好但对高斯噪声不如高斯滤波。一个我自己的习惯每次做完滤波实验先跑一遍 PSNR/SSIM 表格再挑指标最好的那张图放进报告。有一次我肉眼觉得均值滤波最干净结果 SSIM 一算比高斯滤波低了 0.05原因是均值把边缘也抹平了。从那以后我再也不靠眼睛下结论指标先说话。希望帮到你。本文还有配套的精品资源点击获取