OpenCV 图像处理保姆级笔记：边界填充 | 阈值处理 | 滤波降噪全上手

最近在入门计算机视觉，从 OpenCV 基础操作开始学起，今天把图像运算、边界填充、阈值处理、图像滤波这几块核心内容都跑了一遍，每个知识点都写了可直接运行的小 demo，最后还完成了两个综合小作业。整理成博客一方面自己复盘用，另一方面也给同样入门的朋友做参考，代码复制就能跑，记得把图片、视频路径换成自己本地的就行。

一、图像基础运算：直接相加与加权融合

图像运算本质就是对每个像素点的数值做计算，这里有个很容易踩坑的点：numpy 数组直接相加和OpenCV 自带的 add 函数，运算规则完全不一样。

• 直接用+号：numpy 是取模运算，像素值超过 255 就对 256 取余，比如 250+20=270，最终结果是 14，画面反而会发黑。
• 用cv2.add()：饱和运算，超过 255 的数值直接截断为 255，符合我们 “加亮度、画面变亮” 的直观预期。

除此之外cv2.addWeighted()可以实现两张图的加权融合，也就是带透明度的叠加效果，日常用得非常多。

import cv2 # 读取两张测试图片 a = cv2.imread('image1.jpg') b = cv2.imread('image2.jpg') # 1. 单张图像整体加亮度（numpy直接相加，会取模） c = a + 10 cv2.imshow('原图a', a) cv2.imshow('a+10（numpy加法）', c) cv2.waitKey(0) # 2. 两张图局部区域直接相加（必须保证尺寸一致） # 先截取相同大小的区域再做加法 c = a[100:522, 150:700] + b[100:522, 150:700] cv2.imshow('a+b（numpy直接相加）', c) cv2.waitKey(0) # 统一两张图的尺寸，方便后续运算 a = cv2.resize(a, (1239, 622)) b = cv2.resize(b, (1239, 622)) # 3. OpenCV的add函数（饱和运算，超过255截断为255） c = cv2.add(a, b) cv2.imshow('a+b（cv2.add饱和运算）', c) cv2.waitKey(0) # 4. 加权融合：a占70%权重，b占30%权重，最后整体偏移10个亮度值 c = cv2.addWeighted(a, 0.7, b, 0.3, 10) cv2.imshow('加权融合addWeighted', c) cv2.waitKey(0) cv2.destroyAllWindows()

跑的时候对比会很明显：直接相加的画面会出现很多异常的黑斑，就是像素溢出取模导致的；cv2.add 整体会更亮；加权融合则可以做出自然的半透明叠加效果。

二、图像边界填充的五种方式

做卷积、滤波操作的时候，经常需要给图像边缘填充像素，保证输出尺寸和原图一致。OpenCV 提供了 5 种不同的填充策略，用cv2.copyMakeBorder()实现，效果差别挺大的。

五种填充类型说明：

1. BORDER_CONSTANT：用固定纯色填充边界，需要自己指定颜色
2. BORDER_REFLECT：镜像反射填充，以边缘像素为轴向外镜像
3. BORDER_REFLECT101：对称反射，不包含边缘像素本身，过渡更自然
4. BORDER_REPLICATE：复制最边缘的像素，一直向外延伸
5. BORDER_WRAP：平铺环绕，相当于把图像重复平铺，取外围部分

import cv2 # 读取测试图片 img = cv2.imread('test.jpg') # 定义上下左右四个方向的填充像素宽度 top, bottom, left, right = 50, 50, 50, 50 # 1. 纯色填充，value指定BGR颜色值 constant = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(229, 25, 80)) # 2. 镜像反射 reflect = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REFLECT) # 3. 对称反射（不含边缘像素） reflect101 = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REFLECT101) # 4. 复制边缘像素 replicate = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_REPLICATE) # 5. 平铺环绕 wrap = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_WRAP) # 依次显示对比效果 cv2.imshow('原图', img) cv2.waitKey(0) cv2.imshow('CONSTANT纯色填充', constant) cv2.waitKey(0) cv2.imshow('REFLECT镜像反射', reflect) cv2.waitKey(0) cv2.imshow('REFLECT101对称反射', reflect101) cv2.waitKey(0) cv2.imshow('REPLICATE复制边缘', replicate) cv2.waitKey(0) cv2.imshow('WRAP平铺环绕', wrap) cv2.waitKey(0) cv2.destroyAllWindows()

日常做滤波处理时，默认用得最多的是BORDER_REFLECT101，边界过渡最自然，不会出现明显的断层感。

三、五种阈值处理方式

阈值处理是图像二值化的基础，核心就是设定一个阈值，把像素分成两类，必须基于灰度图进行。OpenCV 的cv2.threshold()提供了 5 种常用模式。

以阈值 175、最大值 255 为例，五种模式的效果：

1. THRESH_BINARY二值化：大于阈值变 255，小于阈值变 0
2. THRESH_BINARY_INV反二值化：和上面相反，大于阈值变 0，小于变 255
3. THRESH_TRUNC截断：大于阈值的都等于阈值，小于的保持原值
4. THRESH_TOZERO置零：大于阈值的保持不变，小于的变成 0
5. THRESH_TOZERO_INV反置零：大于阈值的变成 0，小于的保持不变

import cv2 # 以灰度模式读取图片（参数0表示灰度读取） image = cv2.imread('test.jpg', 0) # 五种阈值处理，阈值设为175，像素最大值255 ret1, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY) # 二值化 ret2, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV) # 反二值化 ret3, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC) # 截断 ret4, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO) # 置零 ret5, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV) # 反置零 # 依次查看每种效果 cv2.imshow('灰度原图', image) cv2.waitKey(0) cv2.imshow('二值化BINARY', binary) cv2.waitKey(0) cv2.imshow('反二值化BINARY_INV', binaryinv) cv2.waitKey(0) cv2.imshow('截断TRUNC', trunc) cv2.waitKey(0) cv2.imshow('置零TOZERO', tozero) cv2.waitKey(0) cv2.imshow('反置零TOZERO_INV', tozeroinv) cv2.waitKey(0) cv2.destroyAllWindows()

固定阈值的缺点是对光照变化很敏感，后面学到自适应阈值会好用很多。阈值数值需要根据自己的图片亮度、对比度灵活调整。

四、图像降噪：四种滤波方法对比

实拍的图像经常会有噪声，最常见的就是椒盐噪声（随机分布的黑白点）。滤波就是用来消除噪声、平滑画面的，不同算法的适用场景和效果差异很大。

我们先手动给图片加上椒盐噪声，再分别用四种滤波方法处理，直观对比效果。

四种常用滤波：

1. 均值滤波：取邻域像素平均值，实现最简单，但会把边缘也一起模糊
2. 方框滤波：和均值原理类似，可选是否归一化；不归一化就是直接求和，容易过曝
3. 高斯滤波：按高斯分布加权，离中心越近权重越高，保边效果比均值滤波好
4. 中值滤波：取邻域像素的中位数，对椒盐噪声效果极佳，能较好保留边缘

import cv2 import numpy as np # 自定义函数：给图片添加椒盐噪声 # 参数n为噪声点的数量 def add_peppersalt_noise(img, n=1000): result = img.copy() h, w = img.shape[:2] for i in range(n): # 随机生成像素坐标 x = np.random.randint(h) y = np.random.randint(w) # 随机设置为黑点(0)或白点(255) if np.random.randint(2) == 0: result[x, y] = 0 else: result[x, y] = 255 return result # 读取原图 image = cv2.imread('test.png') cv2.imshow('原图', image) cv2.waitKey(0) # 添加椒盐噪声 noise_img = add_peppersalt_noise(image) cv2.imshow('加椒盐噪声后', noise_img) cv2.waitKey(0) # 1. 均值滤波 3x3卷积核 blur_1 = cv2.blur(noise_img, (3, 3)) cv2.imshow('均值滤波3x3', blur_1) cv2.waitKey(0) # 卷积核越大，模糊效果越明显 blur_2 = cv2.blur(noise_img, (25, 25)) cv2.imshow('均值滤波25x25', blur_2) cv2.waitKey(0) # 2. 方框滤波 # normalize=True 归一化，效果和均值滤波完全一致 boxFilter_1 = cv2.boxFilter(noise_img, -1, (3, 3), normalize=True) cv2.imshow('方框滤波(归一化)', boxFilter_1) cv2.waitKey(0) # normalize=False 不归一化，像素直接求和，很容易饱和到255 boxFilter_2 = cv2.boxFilter(noise_img, -1, (3, 3), normalize=False) cv2.imshow('方框滤波(不归一化)', boxFilter_2) cv2.waitKey(0) # 3. 高斯滤波，标准差设为1 GaussianB = cv2.GaussianBlur(noise_img, (3, 3), 1) cv2.imshow('高斯滤波', GaussianB) cv2.waitKey(0) # 4. 中值滤波 3x3 medianB = cv2.medianBlur(noise_img, 3) cv2.imshow('中值滤波', medianB) cv2.waitKey(0) cv2.destroyAllWindows()

亲测对于椒盐噪声，中值滤波的效果是碾压级的，黑白点基本都能消掉，画面还不会特别糊。均值和高斯滤波会把整个画面都磨平，细节损失比较大。

五、实战作业 1：摄像头实时画面与背景图片融合

第一个综合练习，实现摄像头实时画面和背景图的加权融合，同时输出彩色和灰度两个版本的画面。

实现要求：

1. 背景图缩放为 640x480 尺寸
2. 分别生成彩色融合、灰度融合两路画面
3. 两个窗口同时实时显示

import cv2 # 读取背景图并缩放到640x480，和摄像头默认尺寸匹配 bg = cv2.imread('background.jpg') bg = cv2.resize(bg, (640, 480)) # 生成灰度版背景图 bg_gray = cv2.cvtColor(bg, cv2.COLOR_BGR2GRAY) # 打开默认摄像头，设备号一般为0 cap = cv2.VideoCapture(0) while True: # 读取一帧画面 ret, frame = cap.read() if not ret: print("摄像头读取失败") break # 将摄像头当前帧转为灰度图 frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 彩色画面加权融合：背景和摄像头各占50%，亮度偏移10 result_color = cv2.addWeighted(bg, 0.5, frame, 0.5, 10) # 灰度画面加权融合 result_gray = cv2.addWeighted(bg_gray, 0.5, frame_gray, 0.5, 10) # 同时弹出两个窗口 cv2.imshow('彩色融合画面', result_color) cv2.imshow('灰度融合画面', result_gray) # 按ESC键退出循环（ESC的ASCII码为27） if cv2.waitKey(20) == 27: break # 释放摄像头资源，关闭所有窗口 cap.release() cv2.destroyAllWindows()

这里要注意，如果你的摄像头默认分辨率不是 640x480，需要把 frame 也 resize 成和背景图一样的尺寸，不然 addWeighted 会报错。

六、实战作业 2：视频逐帧加噪声 + 实时降噪

第二个综合练习，处理本地视频文件，给每一帧添加椒盐噪声，再用滤波降噪，同时显示原视频、噪声视频、降噪后视频三个窗口。

import cv2 import numpy as np # 给单帧画面添加椒盐噪声，默认添加8000个噪声点 def add_salt_pepper_noise(frame, n=8000): result = frame.copy() h, w = frame.shape[:2] for i in range(n): x = np.random.randint(h) y = np.random.randint(w) # 随机设置为白点或黑点 if np.random.randint(2) == 1: result[x, y] = 255 else: result[x, y] = 0 return result # 读取本地视频文件 cap = cv2.VideoCapture('test.avi') while True: # 读取一帧画面 ret, frame = cap.read() if not ret: print("视频播放结束或读取失败") break # 1. 给当前帧添加椒盐噪声 noise_frame = add_salt_pepper_noise(frame) # 2. 中值滤波降噪（针对椒盐噪声效果最优） denoise_frame = cv2.medianBlur(noise_frame, 3) # 三个窗口同步播放 cv2.imshow('原视频', frame) cv2.imshow('加噪声后', noise_frame) cv2.imshow('中值滤波降噪后', denoise_frame) # 按ESC键退出 if cv2.waitKey(20) == 27: break # 释放视频资源 cap.release() cv2.destroyAllWindows()

这里选择中值滤波就是因为它对椒盐噪声效果最好，3 的核大小既能消除大部分噪声，又不会让画面过度模糊。如果噪声特别密集，可以把核大小调到 5，但画面清晰度会有所下降。