OpenCV 图像操作进阶：像素、边界与融合技术

在掌握了 OpenCV 的基础操作后，我们可以深入学习更核心的图像处理技术。本文将通过实战代码解析，带你探索图像像素操作、边界填充以及图像算术运算与融合的关键技能，这些都是计算机视觉应用中的基础而重要的操作。

一、图像像素与属性操作

直接操作图像的像素和属性是深入理解图像数据结构的基础，也是进行高级处理的前提。

1. 像素访问与修改

import cv2
import numpy as npimg = cv2.imread('ocv01.jpg')# 访问像素值（BGR格式）
# px = img[100, 100]  # 获取(100,100)位置的像素值
# print(px)  # 输出格式：[B, G, R]# 修改像素值
# img[100, 100] = [255, 255, 255]  # 将该像素设为白色
# cv2.imshow('image', img)
# cv2.waitKey(0)# 更高效的像素访问与修改（推荐使用）
# print(img.item(10, 10, 2))  # 获取(10,10)位置的红色通道值（通道索引2）
# img.itemset((10, 10, 2), 255)  # 修改红色通道值为255
# print(img.item(10, 10, 2))

关键知识点：

• 直接通过img[x,y]访问像素直观但效率较低，适合单个像素操作
• item()和itemset()方法更高效，尤其适合批量操作，需指定通道索引（B:0, G:1, R:2）
• OpenCV 中图像默认以 BGR 格式存储，与 RGB 格式不同

2. 图像属性获取

# 获取图像属性
# print(img.shape)  # 输出(高度, 宽度, 通道数)，灰度图无通道数
# print(img.size)   # 输出总像素数（高度×宽度×通道数）
# print(img.dtype)  # 输出数据类型（通常为uint8）

应用价值：

• shape用于判断图像尺寸和类型（彩色 / 灰度）
• size帮助计算图像数据量大小
• dtype至关重要，错误的类型会导致很多 OpenCV 函数报错

3. ROI（感兴趣区域）操作

ROI 是指从图像中提取的特定区域，便于聚焦处理图像的关键部分：

# 定义ROI（[y1:y2, x1:x2]）
# roi = img[500:600, 500:600]  # 提取500-600行、500-600列的区域
# img[200:300, 200:300] = roi  # 将ROI复制到图像的另一个位置
# cv2.imshow('image', img)
# cv2.waitKey(0)

使用场景：

• 图像局部区域的单独处理（如人脸区域的特效处理）
• 图像局部复制、移动（如物体克隆）

4. 通道分离与合并

彩色图像由 B、G、R 三个通道组成，可单独处理每个通道：

# 通道分离与合并
# b, g, r = cv2.split(img)  # 分离三个通道（耗时操作）
# img = cv2.merge((r, g, b))  # 合并通道（转换为RGB格式）# 更高效的通道提取（推荐）
b = img[:, :, 0]  # 提取蓝色通道（所有行，所有列，第0通道）
cv2.imshow('blue', b)  # 显示蓝色通道（灰度图形式，值越高表示该通道分量越重）
cv2.waitKey(0)

注意：cv2.split()效率较低，对于大型图像，直接通过索引提取通道（img[:,:,0]）更高效。

二、图像边界填充

在许多图像处理任务（如卷积操作、特征提取）中，需要对图像进行边界填充。OpenCV 提供了多种填充方式：

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('ocv02.jpg')# 创建不同类型的边界填充
replicate = cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_REPLICATE)  # 复制边缘像素
reflect = cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_REFLECT)      # 镜像反射（包括边缘像素）
reflect101 = cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_REFLECT_101)# 镜像反射（不包括边缘像素）
wrap = cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_WRAP)            # 外包装（循环填充）
constant = cv2.copyMakeBorder(img, 10, 10, 10, 10, cv2.BORDER_CONSTANT, value=(255,0,0))# 常量填充（蓝色）# 显示所有填充效果
plt.subplot(231), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(232), plt.imshow(cv2.cvtColor(replicate, cv2.COLOR_BGR2RGB)), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(cv2.cvtColor(reflect, cv2.COLOR_BGR2RGB)), plt.title('REFLECT')
plt.subplot(234), plt.imshow(cv2.cvtColor(reflect101, cv2.COLOR_BGR2RGB)), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(cv2.cvtColor(wrap, cv2.COLOR_BGR2RGB)), plt.title('WRAP')
plt.subplot(236), plt.imshow(cv2.cvtColor(constant, cv2.COLOR_BGR2RGB)), plt.title('CONSTANT')plt.show()

函数解析：cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value)

• src：输入图像
• top/bottom/left/right：上下左右的填充宽度
• borderType：填充类型（上述 5 种）
• value：BORDER_CONSTANT时的填充颜色（BGR 格式）

应用场景：

• 卷积操作中保持输出图像尺寸
• 图像拼接时处理边缘对齐
• 视觉效果增强（如添加相框）

三、图像算术运算与融合

图像算术运算包括加法、加权加法等，而基于掩码的融合技术则能实现更复杂的图像合成效果。

1. 基本算术运算

import cv2
import numpy as np# 图像加法
# img = cv2.imread('ocv01.jpg')
# cv2.add(img, img, img)  # 每个像素值翻倍（超过255则截断为255）
# cv2.imshow('image', img)
# cv2.waitKey(0)# OpenCV加法 vs NumPy加法
x = np.uint8([250])
y = np.uint8([10])
print(cv2.add(x, y))  # OpenCV加法：饱和操作（250+10=260→255）
print(x + y)          # NumPy加法：模运算（250+10=260→4）

核心区别：

• OpenCV 的cv2.add()会进行饱和处理（超过 255 则取 255）
• NumPy 的+运算会进行模运算（超过 255 则对 256 取余）
• 处理图像时应优先使用 OpenCV 的函数，避免像素值异常

2. 加权加法（图像混合）

加权加法可实现两张图像的平滑过渡融合：

# 图像加权融合
# img1 = cv2.imread('ocv01.jpg')
# img2 = cv2.imread('ocv02.jpg')
# if img1.size != img2.size:  # 确保两张图像尺寸相同
#     img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))# # 加权公式：dst = α×img1 + β×img2 + γ
# dst = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)  # 70% img1 + 30% img2
# cv2.imshow('dst', dst)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

参数意义：cv2.addWeighted(img1, α, img2, β, γ)

• α和β：两张图像的权重（α + β 通常为 1）
• γ：亮度调节值（偏移量）
• 应用场景：图像淡入淡出效果、数据增强中的图像混合

3. 基于掩码的图像融合

通过掩码（mask）可以实现更精细的图像融合，只将前景物体融合到目标图像中：

# 基于掩码的图像融合
img1 = cv2.imread('ocv01.jpg')  # 背景图像
img2 = cv2.imread('ocv02.jpg')  # 前景图像# 确保前景图像尺寸小于背景图像，获取前景图像尺寸
rows, cols, channels = img2.shape
# 定义背景图像中的ROI（放置前景的位置）
roi = img1[0:rows, 0:cols]# 1. 创建前景图像的掩码
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 转换为灰度图
# 阈值处理：大于175的像素设为255（白色），否则设为0（黑色），取反
ret, mask = cv2.threshold(img2gray, 175, 255, cv2.THRESH_BINARY_INV)
mask_inv = cv2.bitwise_not(mask)  # 掩码反转（前景变背景，背景变前景）# 2. 提取ROI中的背景和前景中的物体
img1_bg = cv2.bitwise_and(roi, roi, mask=mask_inv)  # ROI中与掩码重叠的背景
img2_fg = cv2.bitwise_and(img2, img2, mask=mask)    # 前景图像中的物体# 3. 融合背景和前景
dst = cv2.add(img1_bg, img2_fg)
# 将融合结果放回背景图像的ROI位置
img1[0:rows, 0:cols] = dstcv2.imshow('res', img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

核心原理：

1. 掩码（mask）是单通道图像，用于标记前景（白色）和背景（黑色）
2. bitwise_and操作只保留与掩码白色区域重叠的像素
3. 分离背景和前景后，通过加法实现精确融合

应用场景：

• 图像水印添加（只保留水印区域）
• 物体替换（将 A 图中的物体放到 B 图中）
• 图像合成（如证件照换背景）

总结

本文介绍的图像操作技术是 OpenCV 应用的核心基础，包括：

• 像素级操作：高效访问、修改像素，获取图像属性
• ROI 处理：聚焦关键区域，实现局部操作
• 通道分离：单独处理 BGR 三个通道
• 边界填充：多种填充方式满足不同预处理需求
• 算术运算：加法与加权融合实现图像混合
• 掩码融合：精确控制图像合成效果

这些技术看似基础，却是实现高级计算机视觉任务（如目标检测、图像分割、风格迁移）的基石。在实际应用中，需根据具体需求选择合适的操作，并注意图像格式（BGR/RGB）、尺寸匹配等细节问题。