8 图像处理基础之图像变换与滤波

查看大图

OpenCV 学习要把图像输入、处理步骤、检测结果和工程性能放在一起验证。阅读时可以按「图像变换 -> 图像缩放 -> 图像旋转 -> 图像裁剪」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「图像变换」，再查「图像缩放」。

在前一篇中，我们探讨了图像的基本操作，如图像的读取、显示以及基本的像素访问。这为我们后续的图像处理打下了良好的基础。在本篇中，我们将深入研究图像的变换与滤波，这将帮助我们提升图像的质量，进行特征提取，或直接修改图像的内容。

图像变换

图像变换是指在图像的空间域对图像进行各种操作，以达到特定的处理目标。下面我们将介绍一些常见的图像变换方法。

查看大图

学习图像变换与滤波时，先看旋转、缩放、平移、模糊和锐化分别改变了什么信息。

1. 图像缩放

图像缩放是改变图像大小的过程。使用 OpenCV，我们可以通过 cv2.resize() 函数来实现。下面是一个简单的示例代码，演示如何实现图像缩放。

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 缩放图像
scaled_image = cv2.resize(image, (400, 300))  # 目标大小为400x300

# 显示缩放后的图像
cv2.imshow('Scaled Image', scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 图像旋转

图像旋转通常使用旋转矩阵来实现。在 OpenCV 中，我们可以通过 cv2.getRotationMatrix2D() 函数获取旋转矩阵，然后使用 cv2.warpAffine() 函数进行旋转。以下是代码示例：

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 获取图像中心
(h, w) = image.shape[:2]
center = (w // 2, h // 2)

# 构造旋转矩阵
angle = 45  # 旋转角度
M = cv2.getRotationMatrix2D(center, angle, 1.0)

# 旋转图像
rotated_image = cv2.warpAffine(image, M, (w, h))

# 显示旋转后的图像
cv2.imshow('Rotated Image', rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 图像裁剪

图像裁剪是提取图像中某部分的操作。我们可以通过数组切片来实现图像裁剪。示例代码如下：

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 裁剪区域 (y1:y2, x1:x2)
cropped_image = image[100:400, 150:450]

# 显示裁剪后的图像
cv2.imshow('Cropped Image', cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像滤波

图像滤波用于去噪或增强图像特征。以下为几种常见的图像滤波技术。

查看大图

读完《图像处理基础之图像变换与滤波》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。

1. 均值滤波

均值滤波是一种简单的线性滤波，主要用于去噪。在 OpenCV 中，我们可以使用 cv2.blur() 或 cv2.boxFilter() 来实现。示例代码如下：

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 均值滤波
blurred_image = cv2.blur(image, (5, 5))  # 5x5 的均值滤波器

# 显示滤波后的图像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 高斯滤波

高斯滤波在去噪时效果更加明显，可以平滑图像，同时保留边缘信息。在 OpenCV 中，它使用 cv2.GaussianBlur() 实现。

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 高斯滤波
gaussian_blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# 显示高斯滤波后的图像
cv2.imshow('Gaussian Blurred Image', gaussian_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 中值滤波

中值滤波是非线性滤波的一种，特别适合于去除椒盐噪声。使用 OpenCV 的 cv2.medianBlur() 函数可以方便实现：

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 中值滤波
median_blurred_image = cv2.medianBlur(image, 5)

# 显示中值滤波后的图像
cv2.imshow('Median Blurred Image', median_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

查看大图

读到这里，可以把《图像处理基础之图像变换与滤波》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《图像处理基础之图像变换与滤波》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

小结

在本篇文章中，我们学习了图像变换与滤波的基本知识，包括缩放、旋转、裁剪以及多种滤波技术。这些技巧在处理实际图像时非常重要，能够有效地改进图像的质量并帮助我们进行特征检测。

下一篇我们将深入探讨特征检测与描述之特征点检测算法，包括 SIFT、SURF 和 ORB 等算法的使用。这将为图像匹配和物体识别等任务奠定基础。希望大家继续关注学习！