上篇已经对opencv有了一些简单的介绍，下面将介绍一下opencv更多实用的操作。

一、opencv具体使用

1、图片打码

# 图片打码
a = cv2.imread(r'./timg98.jpg')
a[100:200,200:300] = np.random.randint(0,256,(100,100,3))#矩阵赋值必须是相同大小
cv2.imshow('masaike',a)
cv2.waitKey(1000000)
cv2.destroyAllWindows()

2、图片组合

# 图片组合
a = cv2.imread('timg98.jpg')
b = cv2.imread('zl.png')
b[200:350,200:350] = a[50:200,100:250]#注意：矩阵的大小必须要统一。
cv2.imshow('b',b)
cv2.imshow('a',a)
cv2.waitKey(100000)
cv2.destroyAllWindows()

3、图片压缩

# 图片缩放cv2.resize
# 用于调整图像的大小。它有以下几个参数：
# src:要调整大小的输入图像，可以是numpy数组、PIL图像或其他类型。
# dsize:输出图像的大小，可以是一个元组，例如(宽，高),或者使用整数标量来缩放原始图像。如果dsize为None,则根据scalefx和scalefy缩放原始图像。
# fx:沿x轴的缩放系数。
# fy:沿y轴的缩放系数。
a = cv2.imread('timg98.jpg')
a_new = cv2.resize(a,(200,600))   # 宽、高
# a_new = cv2.resize(a,dsize=None,fx=1.5,fy=1.5)
# print(a.shape)  # 高、宽、通道数
cv2.imshow('a',a)
cv2.imshow('a_new',a_new)
cv2.waitKey(100000)
cv2.destroyAllWindows()

二、opencv进阶功能

1、边界填充

import cv2
xxal = cv2.imread('xxal.jpg')
xxal=cv2.resize(xxal,dsize=None,fx=0.5,fy=0.5)  #  图片缩放
# ys=cv2.resize(xxal,(640,480))
top,bottom,left,right = 50,50,50,50

constant = cv2.copyMakeBorder(xxal,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(229,25,80))
reflect = cv2.copyMakeBorder(xxal,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(xxal,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(xxal,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(xxal,top,bottom,left,right,borderType=cv2.BORDER_WRAP)

cv2.imshow('yuantu', xxal)
cv2.waitKey(0)
cv2.imshow('CONSTANT', constant)
cv2.waitKey(0)
cv2.imshow('REFLECT', reflect)
cv2.waitKey(0)
cv2.imshow('REFLECT_101', reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE', replicate)
cv2.waitKey(0)
cv2.imshow('WRAP', wrap)
cv2.waitKey(0)

 运行结果如下

2、阈值处理

import cv2
image = cv2.imread('xxal.jpg')#灰度图
image_new = cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
ret, binary = cv2.threshold(image_new, 175, 225, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image_new, 175, 225, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image_new, 175, 225, cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image_new, 175, 225, cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image_new, 175, 225, cv2.THRESH_TOZERO_INV)

cv2.imshow('image_new',image_new)#原灰度图
cv2.waitKey(0)

cv2.imshow('binary',binary)#
cv2.waitKey(0)
cv2.imshow('binaryinv',binaryinv)
cv2.waitKey(0)
cv2.imshow('trunc',trunc)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozeroinv',tozeroinv)
cv2.waitKey(0)

 运行结果如下

3、图像平滑处理

import cv2
import numpy as np
def add_peppersalt_noise(image_new, n=10000):
    result = image_new.copy()
    h, w = image_new.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(1,h)
        y = np.random.randint(1, w)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x, y] = 255
    return result
image = cv2.imread('xxal.jpg')
image_new = cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
cv2.imshow('yntu',image_new)
cv2.waitKey(0)
noise = add_peppersalt_noise(image_new)
cv2.imshow('noise', noise)
cv2.waitKey(0)
#均值滤波  blur
blur_1 = cv2.blur(noise, (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)
blur_2 = cv2.blur(noise, (5,5))#卷积核为5，5  效果好但模糊
cv2.imshow('blur_2', blur_2 )
cv2.waitKey(0)
# cv2.destroyAllWindows()
boxFilter_1 = cv2.boxFilter(noise, -1,(3,3),normalize = True)
cv2.imshow('boxFilter_1 ',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise, -1,(3,3),normalize = False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)
GaussianB = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)
medianB = cv2.medianBlur(noise, 3)
cv2.imshow('medianBlur',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()

 运行结果如下

 4、图像腐蚀与膨胀

#1、图像腐蚀
import cv2
import numpy as np
sun = cv2.imread('sun.png')
cv2.imshow('src',sun)
cv2.waitKey(0)
kernel = np.ones((3,3),np.uint8)#设置kernel大小，和改为5*5试试
erosion_1 = cv2.erode(sun, kernel,iterations=2)#interations改为5试试
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

#2、图像膨胀

wenzi = cv2.imread('wenzi.png')
cv2.imshow('src1',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)#设置kernel大小
wenzi_new = cv2.dilate(wenzi,kernel,iterations=2)
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(0)

输出结果

腐蚀操作：将图像中的白色区域缩小，通常用于去除小的白色噪声点。

膨胀操作：将图像中的白色区域扩大，通常用于填补小的黑色孔洞。

三、总结 

本文通过一系列代码示例，详细介绍了 OpenCV 中的边界填充、阈值处理、平滑处理和形态学操作。这些技术在图像预处理、特征提取和图像增强中具有广泛的应用。通过掌握这些基本的图像处理方法，我们可以更好地理解和应用更高级的计算机视觉算法。

如果你对图像处理感兴趣，或者想了解更多关于 OpenCV 的知识，欢迎你的关注！