一、高斯平滑（模糊）
def gaussian_blur(image): # 设置ksize来确定模糊效果 img = cv.GaussianBlur(image, (5, 5), 0) cv.imshow('img', img) # 不通过ksize来设置高斯核大小，通过设置高斯分布公式中的sigma img2 = cv.GaussianBlur(image, (0, 0), 1) cv.imshow('img2', img2)
在高斯平滑中，高斯核中所有数字加起来应该为1，这样才能保证图片只发生平滑效果，而不影响亮度等其他效果。
例如3x3的高斯核如下所示：
二、边缘保留滤波（EPF）
高斯双边模糊（美颜）：
def bi_blur(image): img = cv.bilateralFilter(image, 0, 100, 5) cv.imshow('img', img)
从效果可以看出，边缘保留的还不错，而非边缘进行了模糊。双边模糊的效率比较低，特别是sigmaSpace比较大的时候。
cv.bilateralFilter()函数的参数：
src：原图像
d：过滤过程中每个像素领域的直径范围，若非正数，则从sigmaSpace计算
sigmaColor：值越大，表示像素领域内有多宽的颜色（颜色范围）会被混在一起
sigmaSpace：如果值较大，表示颜色相近的较远像素（空间范围）将互相影响，从而使更大区域足够相似的颜色获取相同的颜色。
三、腐蚀和膨胀
腐蚀操作：
# 腐蚀操作，用于去除一些细小的白色颗粒或线条 def erode_img(image): kernel = np.ones((5,5),np.uint8) # 当核尺寸越大时，每次腐蚀的程度越大，iter是操作中叠加几次腐蚀 img = cv.erode(image,kernel,iterations = 1) cv.imshow('img',img)
膨胀操作：
膨胀可以说是腐蚀的反操作：
# 膨胀操作，用于去除一些细小的黑色漏洞 def dilate_img(image): kernel = np.ones((5, 5), np.uint8) img = cv.dilate(image, kernel, iterations=1) cv.imshow('img', img)
结合腐蚀和膨胀：
结合腐蚀和膨胀，可以消除一些细小的不需要的部分，然后再复原。
def combo_proc(image): kernel = np.ones((5, 5), np.uint8) img = cv.dilate(image, kernel, iterations=1) img2 = cv.erode(img, kernel, iterations=1) cv.imshow('img2', img2)
四、开运算和闭运算
# 开操作：先腐蚀再膨胀 def open_proc(image): kernel = np.ones((5, 5), np.uint8) opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel) cv.imshow('opening', opening) # 闭操作：先膨胀再腐蚀 def close_proc(image): kernel = np.ones((5, 5), np.uint8) closing = cv.morphologyEx(image, cv.MORPH_CLOSE, kernel) cv.imshow('closing', closing)
结合开闭运算：
# 先做开操作，再做闭操作 def open_close_proc(image): kernel = np.ones((5, 5), np.uint8) opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel) closing = cv.morphologyEx(opening, cv.MORPH_CLOSE, kernel) cv.imshow('closing', closing)
梯度运算：
# 梯度操作：膨胀 - 腐蚀 def gradient_proc(image): kernel = np.ones((3, 3), np.uint8) gradient = cv.morphologyEx(image, cv.MORPH_GRADIENT, kernel) cv.imshow('gradient', gradient)
五、礼帽和黑帽
礼帽是通过原图片减去开操作后的图像，得到其中的多于细小部分（字边上的白色细线）。
黑帽是通过闭操作后的图像减去原图像，得到其中的细小泄漏部分（字中间的黑色细线）。
礼帽：tophat
# tophat 礼帽 def tophat_img(image): kernel = np.ones((3, 3), np.uint8) img = cv.morphologyEx(image, cv.MORPH_TOPHAT, kernel) cv.imshow('img', img)
黑帽：blackhat
# blackhat 黑帽 def blackhat_img(image): kernel = np.ones((3, 3), np.uint8) img = cv.morphologyEx(image, cv.MORPH_BLACKHAT, kernel) cv.imshow('img', img)
六、Sobel算子
def sobel_proc(image): # 这里的cv.CV_64F用来保存所有的梯度（不管正负），1,0是dx,dy表示计算横向梯度 sobelx = cv.Sobel(image, cv.CV_64F, 1, 0, ksize=3) # 将所有梯度取绝对值 sobelx = cv.convertScaleAbs(sobelx) cv.imshow('sobelx', sobelx) # 计算y方向的梯度 sobely = cv.Sobel(image, cv.CV_64F, 0, 1, ksize=3) # 将所有梯度取绝对值 sobely = cv.convertScaleAbs(sobely) cv.imshow('sobely', sobely)
当计算X，Y方向的梯度时，Sobel算子分别为：
X方向是右边像素减去左边像素，Y方向是上面像素减去下面的像素。
将XY方向的梯度合并起来：
def sobel_proc(image): # 这里的cv.CV_64F用来保存所有的梯度（不管正负），1,0是dx,dy表示计算横向梯度 sobelx = cv.Sobel(image, cv.CV_64F, 1, 0, ksize=3) # 将所有梯度取绝对值 sobelx = cv.convertScaleAbs(sobelx) # cv.imshow('sobelx', sobelx) # 计算y方向的梯度 sobely = cv.Sobel(image, cv.CV_64F, 0, 1, ksize=3) # 将所有梯度取绝对值 sobely = cv.convertScaleAbs(sobely) # cv.imshow('sobely', sobely) # 将x和y方向的梯度合并起来，类似于sobelx+sobely sobelxy = cv.addWeighted(sobelx, 1, sobely, 1, 0) cv.imshow('sobelxy', sobelxy) # 不建议使用这种方式，有问题 sobelxy2 = cv.Sobel(image, -1, 1, 1, ksize=3) cv.imshow('sobelxy2', sobelxy2)
建议使用addWeight()的方式进行合并，而不建议在一个Sobel计算中同时计算xy方向的梯度。
应用到图片上：
彩色图：
灰度图：
七、其他算子介绍
Scharr算子：(读/ʃɑr/)
scharr = cv.Scharr(image,cv.CV_64F, 1, 0)
scharr = cv.convertScaleAbs(scharr)
Scharr算子和Sobel算子类似，只是数值比Sobel大很多，这就导致Scharr算子灵敏度更高，噪声影响较大。如下图：
Laplacian算子：
拉普拉斯算子是图像的离散二阶导数，用于发现边缘突变，但对于噪声来说比较灵敏，一般配合其他技术一起使用。
laplacian = cv.Laplacian(image,cv.CV_64F)
laplacian = cv.convertScaleAbs(laplacian)
Laplacian算是和前面的两种算子不同，前面的两种算子都属于一阶导数，而Laplacian算子是用于计算二阶导数的。体现的是边缘的突变度，即梯度的变化度。效果如图：
