计算机视觉应用开发案例教程（OpenCV）习题答案 第3章

第3章一、选择题答案C解析：A选项灰度化是单通道，错误；B选项灰度化需考虑人眼对绿光敏感（加权平均法），错误；D选项灰度化保留明暗细节，错误；C选项正确。B解析：自适应阈值根据局部亮度调整阈值，能解决光照不均问题；全局阈值无法处理局部明暗差异，A错误；C、D不符合实际，错误。C解析：中值滤波取区域中值，能有效消除椒盐噪声（极端值）；均值和高斯滤波对椒盐噪声效果差，A、B错误；D错误。D解析：Canny的步骤是“高斯滤波→梯度计算→NMS→双阈值筛选”，无全局阈值二值化，D错误；A、B、C正确。A解析：Sobel算子中，dx=1表示计算x方向导数（检测水平边缘），dy=0表示不计算y方向，A正确；B是检测垂直边缘，C、D错误。二、填空题答案0（黑）；255（白）解析：THRESH_BINARY_INV是“反二进制阈值”，与THRESH_BINARY相反，适合文本反转。ksize；sigmaX解析：高斯滤波的核心参数是滤波核大小（ksize，如(3,3)）和X方向标准差（sigmaX），sigmaX越大，去噪越强。1/2~1/3；噪声（或虚假边缘）解析：低阈值过小，会将噪声误判为边缘，导致虚假边缘增多；低阈值过大，会丢失真实边缘。滤波（或去噪）解析：噪声会导致“虚假边缘”，边缘检测前先去噪（如高斯滤波），能提高边缘检测的准确性。三、实操题答案代码示例：importcv2importnumpyasnp#定义添加高斯噪声的函数（复用本章示例5）defadd_gaussian_noise(img,mean=0,var=0.005):img_float=img.astype(np.float32)/255gaussian=np.random.normal(mean,var**0.5,img.shape)img_noise=img_float+gaussianimg_noise=np.clip(img_noise,0,1)*255returnimg_noise.astype(np.uint8)#1.读取灰度图像gray_img=cv2.imread("lena_gray.jpg",cv2.IMREAD_GRAYSCALE)ifgray_imgisNone:print("图像读取失败！")else:#2.添加方差0.01的高斯噪声img_gaussian=add_gaussian_noise(gray_img,var=0.01)print("高斯噪声添加完成！")#3.三种去噪方法#3×3均值滤波mean3=cv2.blur(img_gaussian,(3,3))#3×3高斯滤波（sigmaX=1）gauss3=cv2.GaussianBlur(img_gaussian,(3,3),sigmaX=1)#5×5高斯滤波（sigmaX=2）gauss5=cv2.GaussianBlur(img_gaussian,(5,5),sigmaX=2)print("三种去噪方法完成！")#4.显示对比cv2.imshow("1.OriginalGrayLena",gray_img)cv2.imshow("2.ImagewithGaussianNoise(var=0.01)",img_gaussian)cv2.imshow("3.MeanFilter(3×3)",mean3)cv2.imshow("4.GaussianFilter(3×3,sigmaX=1)",gauss3)#最优cv2.imshow("5.GaussianFilter(5×5,sigmaX=2)",gauss5)#5.保存最优结果cv2.imwrite("lena_denoised.jpg",gauss3)print("最优去噪图已保存！")cv2.waitKey(0)cv2.destroyAllWindows()解析：3×3高斯滤波在去噪的同时保留了Lena的面部细节，5×5高斯滤波虽去噪更强但细节模糊，均值滤波效果最差，因此选择3×3高斯滤波为最优。2.代码示例：importcv2#1.读取含单一物体的彩色图像（如"apple.jpg"）color_img=cv2.imread("apple.jpg",cv2.IMREAD_COLOR)ifcolor_imgisNone:print("物体图像读取失败！")else:#2.步骤1：灰度化gray_img=cv2.cvtColor(color_img,cv2.COLOR_BGR2GRAY)#3.步骤2：高斯滤波去噪（5×5核，sigmaX=1）gray_blur=cv2.GaussianBlur(gray_img,(5,5),sigmaX=1)#4.步骤3：Canny边缘检测（阈值40,120）canny_edges=cv2.Canny(gray_blur,40,120)#5.步骤4：查找最外层轮廓contours,_=cv2.findContours(canny_edges,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)print(f"找到{len(contours)}个物体轮廓！")#6.步骤5：绘制轮廓（红色，线宽2）img_with_contour=color_img.copy()cv2.drawContours(img_with_contour,contours,-1,(0,0,255),2)#7.显示对比cv2.imshow("1.OriginalObjectImage",color_img)cv2.imshow("2.GrayscaleImage",gray_img)cv2.imshow("3.CannyEdges",canny_edges)cv2.imshow("4.ObjectwithRedContour",img_with_contour)#8.保存结果cv2.imwrite("object_contour.jpg",img_with_contour)print("带轮