OpenCV图像平滑与背景替换实战：从基础滤波到形态学操作

Ivy

发布时间：2026-10-14| 5人浏览过

原创

本文详解OpenCV中图像平滑处理技术，涵盖均值、高斯、中值及双边滤波的应用场景与参数设置。深入解析腐蚀、膨胀、开闭运算等形态学操作原理，并结合完整Python代码示例，演示如何通过HSV色彩空间转换与掩膜处理实现图片背景色替换，适用于图像预处理与目标提取场景。

图像平滑基础与OpenCV函数

图像平滑

模糊或平滑图片的主要目的是消除图像中的噪声干扰，提升后续处理的准确性。

OpenCV提供了多种实现平滑处理的函数，包括cv2.blur()、cv2.GaussianBlur()、cv2.medianBlur()以及cv2.bilateralFilter()。

2D卷积与核定义

2D 卷积

在OpenCV中，可以使用cv2.filter2D()函数来实现卷积操作。例如，定义一个3×3区域的卷积核，将区域内像素值的和除以10作为结果。


img = cv2.imread('lena.jpg')
# 定义卷积核
kernel = np.ones((3, 3), np.float32) / 10
# 卷积操作，-1表示通道数与原图相同
dst = cv2.filter2D(img, -1, kernel)

在卷积操作中，参数-1表示输出图像的通道数与原图保持一致。


dst = cv2.filter2D(img, -1, kernel)

定义卷积核


kernel = np.ones((3, 3), np.float32) / 10

在卷积操作中，参数-1表示输出图像的通道数与原图保持一致。


dst = cv2.filter2D(img, -1, kernel)

模糊和滤波

上述方法均属于卷积运算的范畴。对于线性滤波而言，不同滤波方法之间的区别仅在于所使用的卷积核不同。

低通滤波器主要用于实现图像模糊效果，而高通滤波器则用于图像锐化。

常见的图像噪声包括椒盐噪声和高斯噪声。椒盐噪声表现为随机分布在图像中的黑点或白点，类似斑点；高斯噪声则通常由拍摄时的光照条件等因素引起。

常见滤波算法详解

均值滤波

均值滤波是最简单的滤波处理方式，其原理是取卷积核区域内所有元素的平均值。在OpenCV中，可通过cv2.blur()函数实现，例如使用3×3的卷积核。


img = cv2.imread('lena.jpg')
# 均值模糊
blur = cv2.blur(img,(3,3)

高斯滤波

与均值滤波不同，高斯滤波的卷积核权重分布不均：中心像素点的权重最高，距离中心越远的像素点权重越小，这种分布类似于正态分布。

OpenCV中对应的函数为cv2.GaussianBlur(src,ksize,sigmaX)，其中指定的高斯核宽度和高度必须为奇数。


img = cv2.imread(‘gaussian_noise.bmp')

均值滤波vs高斯滤波


blur = cv2.blur(img, (5, 5)) # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波

当参数设置为3时，σx值越大，模糊效果越明显。虽然高斯滤波相比均值滤波效率较低，但它能有效消除高斯噪声并保留更多图像细节，因此常被称为最有用的滤波器。

中值滤波中值即中位数，是将所有数值排序后取中间的值。中值滤波利用区域内的中值替代当前像素值，因此能有效消除孤立的斑点（如0或255），特别适用于去除椒盐噪声和斑点噪声。作为一种非线性操作，其效率低于前述线性滤波方法。


img = cv2.imread(‘salt_noise.bmp', 0)

双边滤波大多数滤波操作都会损失图像细节，尤其是前文介绍的线性滤波器难以保留图像边缘信息。由于边缘是图像的重要特征，双边滤波应运而生。在OpenCV中，使用cv2.bilateralFilter()函数实现。


img = cv2.imread(‘lena.jpg')

形态学操作与背景替换实战

形态学操作包括膨胀、腐蚀、开运算和闭运算等常见的形态学操作。

OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

腐蚀腐蚀的效果使图片“变瘦”，其原理是在原图的局部区域内取最小值。对于二值化图像（仅含0和255），若局部区域内存在一个0，则该像素点被设为0。

在OpenCV中，使用cv2.erode()函数进行腐蚀操作，只需指定核的大小即可。


import cv2
import numpy as np
img = cv2.imread(‘j.bmp', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel) # 腐蚀

该核也称为结构元素，因为形态学操作同样基于卷积实现。结构元素可以是矩形、椭圆或十字形，可通过cv2.getStructuringElement()生成不同形状的结构元素。


kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字结构

膨胀

膨胀与腐蚀相反，取的是局部最大值，效果使图片“变胖”。


dilation = cv2.dilate(img, kernel) # 膨胀

开/闭运算

先腐蚀后膨胀称为开运算（因先腐蚀会分离物体，便于记忆），其作用是分离物体并消除小区域。这类形态学操作用于cv2.morphologyEx()函数实现。


kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
img = cv2.imread(‘j_noise_out.bmp', 0)

开运算


opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

闭运算则相反：先膨胀后腐蚀（因先膨胀会使白色部分扩张，从而消除或“闭合”物体内部的小黑洞，故称闭运算）。


closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

形态学梯度

通过计算膨胀图减去腐蚀图（dilation - erosion），可以得到物体的轮廓。


gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

顶帽顶帽等于原图减去开运算后的结果：src - opening。


tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽黑帽等于闭运算后的结果减去原图：closing - src。


blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

给图片换背景的源代码。欢迎一起学习的小伙伴指教！


#imagechuli
import cv2
import time
import numpy as np

#图片名子
name = "1.jpg"
#程序计时
start = time.perf_counter()
#显示图片
img=cv2.imread("./input_image/3.jpg")
#图片缩放
img = cv2.resize(img,None,fx = 0.5,fy = 0.5)
rows,cols,channels = img.shape
#print(rows,cols,channels)
cv2.resizeWindow("origin", 0, 0);
#cv2.imshow("origin",img)
#转换为二值化图像
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
rows,cols,channels = hsv.shape
 
#图片的二值化处理
lower_blue = np.array([90,70,70])
upper_blue = np.array([110,255,255])
mask = cv2.inRange(hsv,lower_blue,upper_blue)

def shap():
 
 #图像的腐蚀
 kernel = np.ones((4, 4), np.uint8)
 erode=cv2.erode(mask,kernel,iterations=1)
 #cv2.imshow("erode",erode)
 
 #膨胀操作
 kernel = np.ones((2, 2), np.uint8)
 dilate=cv2.dilate(erode,None,iterations=3)
 #cv2.imshow("dilate",dilate)
 #循环遍历
 for i in range(rows):
  for j in range(cols):
   if dilate[i,j]==255:
    img[i,j]=(0,0,255)#注意是BGR通道，不是RGB
 #cv2.imshow("res",img)
 bianyuanchuli()
 
 #cv2.destroyAllWindows()
 
def bianyuanchuli():
 #图像边缘检测的内核大小
 data = (900,1100)
 img_copy = img.copy()
 imgCanny = cv2.Canny(img, *data)
 #cv2.imshow("imgcanny",imgCanny)
 # 创建矩形结构
 g = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
 g2 = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
 # 膨化处理
 # 更细腻
 img_dilate = cv2.dilate(imgCanny, g,iterations=1)
 #cv2.imshow("img_dilate",img_dilate)
 # 更粗大
 img_dilate2 = cv2.dilate(imgCanny, g2)

 shape = img_dilate.shape
 # 提取
 for i in range(shape[0]):
  for j in range(shape[1]):
   if img_dilate2[i, j] == 0: # 二维定位到三维
    img[i, j] = [0, 0, 0]
 #cv2.imshow('dst1', img)
 
 dst = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

 for i in range(shape[0]):
  for j in range(shape[1]):
   if img_dilate[i, j] != 0: # 二维定位到三维
    img_copy[i, j] = dst[i, j]

 #cv2.imshow('dst', img_copy)
 cv2.imwrite("./out_image/3.jpg",img_copy) 
 shap()
# 窗口等待的命令，0表示无限等待
cv2.destroyAllWindows()
cv2.waitKey(0)
dur = time.perf_counter() - start
print("程序总用时:{:.2f}s".format(dur))

到此这篇关于用opencv给图片换背景色的示例代码的文章就介绍到这了,更多相关opencv 图片换背景色内容请搜索本站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本站！