图像处理技术
学习目标
完成本节后，你将能够：
- 理解图像滤波在做什么
- 使用 OpenCV 进行平滑、边缘检测和二值化
- 理解膨胀、腐蚀等形态学操作的直觉
- 看懂经典图像处理任务的基础代码
一、图像处理在处理什么？
经典图像处理可以理解成：
用一套规则，重新调整像素。
和深度学习不同，它不是“从数据中学规则”，而是我们先写好规则。
典型任务包括：
- 去噪
- 模糊
- 边缘提取
- 二值化
- 轮廓增强
安装依赖
下面代码可以直接运行：
pip install opencv-python numpy
二、先造一张测试图
为了让示例不依赖外部图片，我们先自己生成一张简单图像。
import cv2
import numpy as np
img = np.zeros((240, 320), dtype=np.uint8)
# 画一个白色矩形和一个灰色圆
cv2.rectangle(img, (30, 40), (140, 180), 255, -1)
cv2.circle(img, (230, 120), 45, 180, -1)
cv2.imwrite("processing_original.png", img)
print("已保存 processing_original.png")
这里我们直接用灰度图，后面做边缘和阈值会更方便。
三、滤波：把图像“揉平一点”
滤波的直觉很像：
把一个像素周围邻居的值也考虑进来，让图像更平滑。
3.1 均值滤波
import cv2
import numpy as np
img = cv2.imread("processing_original.png", cv2.IMREAD_GRAYSCALE)
blurred = cv2.blur(img, (7, 7))
cv2.imwrite("processing_blur.png", blurred)
print("已保存 processing_blur.png")
均值滤波会让边缘变软，但也可能让细节损失。
3.2 高斯滤波
import cv2
img = cv2.imread("processing_original.png", cv2.IMREAD_GRAYSCALE)
gaussian = cv2.GaussianBlur(img, (7, 7), 0)
cv2.imwrite("processing_gaussian.png", gaussian)
print("已保存 processing_gaussian.png")
高斯滤波比简单均值滤波更常用，因为它更自然一些。
四、边缘检测：找出“变化最明显的地方”
边缘可以理解成：
亮度变化很突然的位置
比如黑底上的白色矩形边界，就是典型边缘。
4.1 Canny 边缘检测
import cv2
img = cv2.imread("processing_original.png", cv2.IMREAD_GRAYSCALE)
edges = cv2.Canny(img, threshold1=50, threshold2=150)
cv2.imwrite("processing_edges.png", edges)
print("已保存 processing_edges.png")
两个阈值怎么理解？
可以粗略记成：
- 小于低阈值：基本不是边缘
- 大于高阈值：大概率是边缘
- 中间区域：结合邻域再判断
五、阈值化：把灰度图变成黑白图
阈值化就是设一条线：
- 大于这个值的变白
- 小于这个值的变黑
import cv2
img = cv2.imread("processing_original.png", cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
cv2.imwrite("processing_binary.png", binary)
print("已保存 processing_binary.png")
这种操作常用于：
- 文档扫描
- 前景 / 背景分离
- 轮廓提取前处理
六、形态学操作：对形状做加工
形态学操作特别适合处理二值图像。
可以把它理解成“对白色区域做揉一揉、扩一扩、缩一缩”。
6.1 腐蚀（Erosion）
白色区域会变小。
import cv2
import numpy as np
img = cv2.imread("processing_binary.png", cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5, 5), np.uint8)
eroded = cv2.erode(img, kernel, iterations=1)
cv2.imwrite("processing_eroded.png", eroded)
print("已保存 processing_eroded.png")
6.2 膨胀（Dilation）
白色区域会变大。
import cv2
import numpy as np
img = cv2.imread("processing_binary.png", cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5, 5), np.uint8)
dilated = cv2.dilate(img, kernel, iterations=1)
cv2.imwrite("processing_dilated.png", dilated)
print("已保存 processing_dilated.png")
6.3 开运算和闭运算
- 开运算 = 先腐蚀再膨胀，适合去小噪点
- 闭运算 = 先膨胀再腐蚀，适合补小孔洞
import cv2
import numpy as np
img = cv2.imread("processing_binary.png", cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5, 5), np.uint8)
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imwrite("processing_opened.png", opened)
cv2.imwrite("processing_closed.png", closed)
print("已保存 processing_opened.png 和 processing_closed.png")
七、把这些操作串起来
真实任务里，这些操作经常是连起来用的。
比如你想提取一个目标轮廓，可能会这样：
- 转灰度
- 滤波去噪
- 二值化
- 形态学清理
- 再做边缘检测或轮廓分析
下面给一个完整小流程：
import cv2
import numpy as np
img = cv2.imread("processing_original.png", cv2.IMREAD_GRAYSCALE)
# 去噪
smoothed = cv2.GaussianBlur(img, (5, 5), 0)
# 二值化
_, binary = cv2.threshold(smoothed, 100, 255, cv2.THRESH_BINARY)
# 闭运算填补小空隙
kernel = np.ones((5, 5), np.uint8)
cleaned = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
# 边缘提取
edges = cv2.Canny(cleaned, 50, 150)
cv2.imwrite("processing_pipeline_smoothed.png", smoothed)
cv2.imwrite("processing_pipeline_binary.png", binary)
cv2.imwrite("processing_pipeline_cleaned.png", cleaned)
cv2.imwrite("processing_pipeline_edges.png", edges)
print("完整处理流程结果已保存")
八、这些经典方法为什么今天还要学？
因为它们依然非常有用：
- 作为深度学习前处理
- 在小项目里快速出效果
- 在工业场景里做规则补充
- 帮你建立“图像是怎么被处理的”直觉
很多新手上来只想学 CNN，但如果连灰度、边缘、阈值都没概念，后面对视觉模型的理解会发虚。
九、初学者常见误区
1. 以为滤波就是“让图更好看”
不只是。
滤波常常是为了让后面的算法更稳定。
2. 以为阈值可以固定不变
真实图像里光照变化大，阈值常常要结合场景调。
3. 只学 API，不理解目的
你要始终问自己：
- 这一步是在去噪？
- 还是在增强边界？
- 还是在清理形状？
小结
这节课你要抓住的核心是：
经典图像处理，本质上是在用规则重新排列和筛选像素。
它不等于深度学习，但它是理解视觉任务的重要台阶。
练习
- 修改
threshold()的阈值为60、120、180，观察二值图变化。 - 修改腐蚀和膨胀的核大小，从
(3, 3)改到(7, 7)，观察形状变化。 - 在原始图像里再加一个小白点，试试开运算能不能把它去掉。