项目利用 OpenCV 库完成基本图像处理任务，包括灰度化、边缘检测、直方图均衡化、模糊与锐化处理。它为初学者提供了一个学习计算机视觉的基础框架。

关注

原创最新推荐文章于 2026-08-30 13:12:28 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

本项目利用 OpenCV 库完成基本图像处理任务，包括灰度化、边缘检测、直方图均衡化、模糊与锐化处理。它为初学者提供了一个学习计算机视觉的基础框架。

灰度化是将彩色图像转换为灰度图像的过程。彩色图像通常有红、绿、蓝（RGB）三个通道，灰度图像是单通道的，用一个像素值表示亮度。

公式：
常用的灰度化方法基于人眼对颜色敏感度的加权平均：

Y=0.299×R+0.587×G+0.114×BY = 0.299 \times R + 0.587 \times G + 0.114 \times BY=0.299×R+0.587×G+0.114×B

RRR、GGG、BBB 分别表示红、绿、蓝通道的值。
权重 0.299,0.587,0.1140.299, 0.587, 0.1140.299,0.587,0.114 来源于人眼对绿色、红色、蓝色的敏感度不同，绿色最重要。

边缘是图像中像素值发生剧烈变化的区域，通常对应物体的轮廓。边缘检测通过识别像素值变化最明显的地方来提取图像中的关键特征。

Canny 是一种多步骤的边缘检测方法，包括以下步骤：

高斯模糊：通过模糊图像减少噪声对边缘检测的干扰。
梯度计算：使用 Sobel 算子计算图像的水平和垂直方向梯度，找到像素值变化最大的方向。 Gx=∂I∂x,Gy=∂I∂y,G=Gx2+Gy2G_x = \frac{\partial I}{\partial x}, \quad G_y = \frac{\partial I}{\partial y}, \quad G = \sqrt{G_x^2 + G_y^2}Gx=∂x∂I,Gy=∂y∂I,G=Gx2+Gy2 GxG_xGx 和 GyG_yGy 是水平方向和竖直方向的梯度，GGG 是梯度幅值。
非极大值抑制：保留局部最大值点，抑制非边缘像素的响应。
双阈值处理：通过高阈值和低阈值区分强边缘、弱边缘和非边缘。
边缘连接：通过弱边缘与强边缘的连接判定是否保留弱边缘。

直方图均衡化是一种增强图像对比度的技术，特别适用于光照不均的图像。它通过重新分布图像的像素强度，使灰度值的分布更加均匀，从而增强暗部或亮部的细节。

步骤：

计算图像的灰度直方图：统计每个灰度值的像素数量。
计算累积分布函数（CDF）： CDF(v)=∑i=0vH(i)CDF(v) = \sum_{i=0}^{v} H(i)CDF(v)=i=0∑vH(i) 其中 H(i)H(i)H(i) 是灰度值 iii 的像素个数。
重新映射灰度值：根据 CDF 将原图像像素重新分布到更宽的灰度范围内。 Y=round(CDF(v)−min(CDF)N−1×(L−1))Y = \text{round}\left(\frac{CDF(v) - \text{min}(CDF)}{N - 1} \times (L - 1)\right)Y=round(N−1CDF(v)−min(CDF)×(L−1)) NNN 是总像素数，LLL 是灰度值范围（通常为 256）。

模糊处理通过降低图像的高频分量来减少噪声，使图像更加平滑。常见的模糊处理方法包括：

平均模糊
- 使用一个大小为 k×kk \times kk×k 的滤波器，取滤波器内像素值的平均值作为中心像素的新值。
- 滤波器示例： 19[111111111]\frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}91111111111
高斯模糊
- 使用高斯分布函数生成滤波器，给中心像素更高权重，边缘像素权重较低，平滑效果更自然。
- 高斯核示例： G(x,y)=12πσ2e−x2+y22σ2G(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}}G(x,y)=2πσ21e−2σ2x2+y2
- σ\sigmaσ 控制模糊强度。

锐化通过增强图像的高频分量，使图像的边缘和纹理更加清晰。它使用拉普拉斯滤波器或自定义卷积核对图像进行处理。

常见锐化方法：

拉普拉斯算子
Kernel=[0−10−14−10−10]\text{Kernel} = \begin{bmatrix} 0 & -1 & 0 \\ -1 & 4 & -1 \\ 0 & -1 & 0 \end{bmatrix}Kernel=0−10−14−10−10
拉普拉斯算子对图像梯度的二阶导数进行计算，从而突出边缘。
自定义卷积核
- 示例：增强中心像素值，减弱周围像素影响。 Kernel=[0−10−15−10−10]\text{Kernel} = \begin{bmatrix} 0 & -1 & 0 \\ -1 & 5 & -1 \\ 0 & -1 & 0 \end{bmatrix}Kernel=0−10−15−10−10

每种技术在图像处理中都有其特定的作用和应用场景，它们通常可以组合使用，以实现更复杂的图像处理目标。

图像加载与显示
- 使用 cv2.imread() 加载图像，支持多种格式（如 JPG、PNG）。
- 使用 cv2.imshow() 展示原始图像。
灰度化处理
- 转换图像为灰度模式，减少图像通道数。
- 减少计算开销，为后续处理打下基础。
- 使用 cv2.cvtColor() 实现。
边缘检测
- 利用 Canny 算法检测图像中的边缘。
- 参数 low_threshold 和 high_threshold 可调节边缘灵敏度。
- 使用 cv2.Canny()。
直方图均衡化
- 通过增强对比度改善图像质量。
- 支持灰度图和彩色图像处理。
- 使用 cv2.equalizeHist() 或手动实现。
模糊处理
- 使用高斯模糊滤波器平滑图像。
- 模糊处理可减少噪声。
- 使用 cv2.GaussianBlur()。
锐化处理
- 使用自定义卷积核增强图像细节。
- 提升边缘和纹理的对比度。
- 使用 cv2.filter2D()。
保存图像
- 使用 cv2.imwrite() 保存处理后的图像。