计算机基础项目实战3

计算机视觉项目开发实战

(微课版)项目三图像艺术风格转换—图像滤波处理思维导图学习目标概览能够基于OpenCV完成图像的缩放、翻转、仿射变换与透视变换知识目标学习目标素养目标技能目标培养文化尊重与审美包容意识强化技术伦理与责任意识担负起文化传承使命能够对图像进行直方图均衡能够根据风格化需求选择合适的滤波算法，并优化滤波参数掌握图像缩放、翻转、仿射变换与透视变换的方法了解图像直方图的含义掌握均值滤波、高斯滤波、中值滤波、双边滤波、方框滤波及2D滤波的原理与适用场景目录项目导入知识准备项目拓展项目实施项目巩固3.1几何变换3.2图像的直方图处理3.3图像滤波PART01项目导入项目导入艺术风格图像生成技术作为计算机视觉与数字艺术融合的前沿领域，正深刻改变着文化传播与艺术创作的范式。从基于滤波和直方图的传统风格模拟，到基于卷积神经网络的神经风格迁移，再到如今由国产AI大模型所驱动的、从文本直接生成高质量艺术图像的创作式AI，艺术风格转换的技术范式正经历深刻变革。艺术表达的数字化延伸，文化普惠与社会公平的技术载体PART02知识准备知识准备—几何变换3.1.1缩放在计算机视觉的几何变换中，缩放是指按照指定比例调整图像的尺寸，本质上是通过对图像像素坐标进行线性映射，生成新分辨率的图像。缩放不会改变图像的内容结构与几何形态（如形状、角度），仅改变图像在屏幕或存储空间中的“物理大小”。OpenCV提供了cv2.resize()函数来实现图像缩放。其语法格式如下：其中各参数含义如下。src：输入图像。dsize：输出图像的尺寸，元组形式(width,height)。dst：缩放后的输出图像。fx：水平方向的缩放比例。fy：垂直方向的缩放比例。dst=cv2.resize(src,dsize[,dst[,fx[,fy[,interpolation]]]])知识准备—几何变换3.1.1缩放interpolation：插值算法，整型，常见内置插值算法如表3-1所示。知识准备—几何变换3.1.1缩放—案例【例3-1】使用cv2.resize()函数将图像尺寸调整为300像素×300像素。根据题目要求，编写代码如下：源代码地址文件

ex3-1.py见教材配套代码，路径如下：src/proj03/ex3-1.py知识准备—几何变换3.1.1缩放—案例【例3-1】使用cv2.resize()函数将图像尺寸调整为300像素×300像素。运行上述代码，结果如图3-1所示。图3-1例3-1代码运行结果（a）源图像

（b）缩放后的图像知识准备—几何变换3.1.2翻转翻转是一种基础的几何变换，它通过沿特定对称轴改变像素的空间位置来生成镜像图像。变换后，图像的形状与大小保持不变，仅其方向与相对位置发生改变。翻转主要分为3种基础类型：水平翻转、垂直翻转与对角翻转。OpenCV提供了cv2.flip()函数来实现图像翻转。其语法格式如下：其中各参数含义如下。src：输入图像。flipCode：控制翻转方向。取值如下。

0：绕x轴翻转，即垂直翻转。

1：绕y轴翻转，即水平翻转。

-1：同时绕x轴和y轴翻转，即同时进行垂直和水平翻转。dst：翻转后的输出图像。dst=cv2.flip(src,flipCode[,dst])知识准备—几何变换3.1.2翻转—案例【例3-2】使用cv2.flip()函数分别对图像进行水平、垂直、对角翻转。根据题目要求，编写代码如下：源代码地址文件

ex3-2.py见教材配套代码，路径如下：src/proj03/ex3-2.py知识准备—几何变换3.1.2翻转—案例【例3-2】使用cv2.flip()函数分别对图像进行水平、垂直、对角翻转。运行上述代码，结果如图3-2所示。图3-2例3-2代码运行结果（a）源图像（b）水平翻转图像（c）垂直翻转图像（d）对角翻转图像知识准备—几何变换3.1.3仿射变换仿射变换是图像几何变换的基石，可同时实现线性变换（旋转、缩放、剪切）与平移，其核心特点是能保持图像内的平行线关系不变，将图像从一个坐标系映射到另一个坐标系。OpenCV提供了cv2.warpAffine()函数来实现图像仿射变换。其语法格式如下：其中各参数含义如下。src：输入图像。M：2×3的实数转换矩阵。dsize：输出图像的尺寸，元组形式(width,height)。borderMode：边界像素模式，用于决定如何处理因变换而出现在边界外的像素。borderValue：边界填充值，默认取值为0。dst=cv2.warpAffine(src,M,dsize[,dst[,flags[,borderMode[,borderValue]]]])知识准备—几何变换3.1.3仿射变换参数M是2行3列的浮点型仿射变换矩阵，核心用于定义图像坐标的映射规则，是仿射变换的核心参数。OpenCV提供了cv2.getRotationMatrix2D()函数来计算旋转变换矩阵。其语法格式如下：其中各参数含义如下。center：旋转中心坐标，元组形式(x,y)。angle：旋转角度，正值表示逆时针旋转，负值表示顺时针旋转。scale：缩放比例。retval：返回2×3的旋转变换矩阵。retval=cv2.getRotationMatrix2D(center,angle,scale)知识准备—几何变换3.1.3仿射变换OpenCV提供了cv2.getAffineTransform()函数，该函数可根据源图像和目标图像上3组对应的点自动创建变换矩阵。其语法格式如下：其中各参数含义如下。src：源图像中的3个点的坐标。dst：目标图像中与源图像上3个点对应的3个点的坐标。retval：返回2×3的仿射变换矩阵。retval=cv2.getAffineTransform(src,dst)知识准备—几何变换3.1.3仿射变换—案例【例3-3】使用cv2.warpAffine()函数对图像进行缩放、平移、旋转和仿射变换。根据题目要求，编写程序的关键代码如下：源代码地址文件

ex3-3.py见教材配套代码，路径如下：src/proj03/ex3-3.py知识准备—几何变换3.1.3仿射变换—案例【例3-3】使用cv2.warpAffine()函数对图像进行缩放、平移、旋转和仿射变换。运行本例的代码，结果如图3-3所示。图3-3例3-3代码运行结果知识准备—几何变换3.1.4透视变换透视变换，亦称投影变换，是一种通过3×3矩阵实现坐标映射的非线性几何变换。与仿射变换相比，透视变换的核心优势在于能够校正透视畸变。该变换可将一个矩形区域映射为任意四边形，同时使图像中的直线仍然为直线。OpenCV提供了cv2.warpPerspective()函数来实现图像透视变换。其语法格式如下：该函数的参数与cv2.warpAffine()函数的参数高度一致，核心区别在于变换矩阵M的大小不同：透视变换用3×3的变换矩阵，而仿射变换用2×3的矩阵。dst=cv2.warpPerspective(src,M,dsize[,dst[,flags[,borderMode[,borderValue]]]])知识准备—几何变换3.1.4透视变换OpenCV提供了cv2.getPerspectiveTransform()函数计算得到3×3透视变换矩阵。其语法格式如下：其中各参数含义如下。src：源图像中的4个点的坐标。dst：目标图像中与源图像上4个点对应的4个点的坐标。retval：返回3×3的透视变换矩阵。retval=cv2.getPerspectiveTransform(src,dst[,solveMethod])知识准备—几何变换3.1.4透视变换—案例【例3-4】使用cv2.warpPerspective()函数对图像进行校正。根据题目要求，编写程序的关键代码如下：源代码地址文件

ex3-4.py见教材配套代码，路径如下：src/proj03/ex3-4.py知识准备—几何变换3.1.4透视变换—案例【例3-4】使用cv2.warpPerspective()函数对图像进行校正。运行本例的代码，结果如图3-4所示。图3-4例3-4代码运行结果知识准备—图像的直方图处理3.2.1图像直方图的含义图像直方图（ImageHistogram）是描述图像像素值分布的统计图表，直观展示图像中不同强度或亮度像素的出现频率。通过图像直方图，可快速判断图像的亮度、对比度等特征。其可应用于图像增强、阈值分割、图像匹配、缺陷检测等，对物体与背景有较强对比度的图像分割特别有用，是图像预处理和分析的基础工具。通过观察直方图的形状，我们可以快速判断一张图片的亮度和对比度，这是评估图像质量的核心依据。知识准备—图像的直方图处理3.2.2绘制图像直方图该函数可用于快速绘图，适合整体分布预览。其语法格式如下：matplotlib.pyplot.hist()函数retval=matplotlib.pyplot.hist(x,bins=None,**kwargs)其中各参数含义如下。x：数据源，必须是一维的。图像数据通常是二维的，可以使用ravel()函数或flatten()函数将其拉成一维的数据后再使用。对于三维图像数据，先将其转换为灰度图像再绘制直方图，这是一种更通用、更实用的基础操作。bins：表示x轴分多少组，取值为整数、序列或字符串。retval：返回值，元组形式(n,bins,patches)。知识准备—图像的直方图处理【例3-5】使用matplotlib.pyplot.hist()函数绘制图像直方图。根据题目要求，编写代码如下：源代码地址文件

ex3-5.py见教材配套代码，路径如下：src/proj03/ex3-5.py3.2.2绘制图像直方图matplotlib.pyplot.hist()函数—案例知识准备—图像的直方图处理运行上述代码，结果如图3-5所示。图3-5例3-5代码运行结果3.2.2绘制图像直方图matplotlib.pyplot.hist()函数—案例【例3-5】使用matplotlib.pyplot.hist()函数绘制图像直方图。知识准备—图像的直方图处理3.2.2绘制图像直方图其语法格式如下：cv2.calcHist()函数hist=cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])其中各参数含义如下。images：输入图像。channels：通道索引。mask：掩模，取值为None，表示统计全图。histSize：直方图分组数。ranges：像素值范围，参数值通常为[0,256]，但实际上0≤像素值<256。accumulate：累积标识，True表示叠加到已有直方图，默认为False。hist：返回值，一个只有histSize×1列的二维数组，每个元素代表对应区间的像素数量或频数，配合绘图工具可实现可视化。知识准备—图像的直方图处理【例3-6】使用cv2.calcHist()函数计算并绘制彩色图像各通道直方图。根据题目要求，编写代码如下：源代码地址文件

ex3-6.py见教材配套代码，路径如下：src/proj03/ex3-6.py3.2.2绘制图像直方图cv2.calcHist()函数—案例知识准备—图像的直方图处理运行上述代码，结果如图3-6所示。图3-6例3-6代码运行结果3.2.2绘制图像直方图【例3-6】使用cv2.calcHist()函数计算并绘制彩色图像各通道直方图。cv2.calcHist()函数—案例知识准备—图像的直方图处理3.2.2绘制图像直方图该函数结合掩模精准统计图像中ROI的像素分布。结合掩模的cv2.calcHist()函数—案例【例3-7】使用结合掩模的cv2.calcHist()函数绘制ROI直方图。根据题目要求，编写程序的关键代码如下：源代码地址文件

ex3-7.py见教材配套代码，路径如下：src/proj03/ex3-7.py知识准备—图像的直方图处理3.2.2绘制图像直方图结合掩模的cv2.calcHist()函数—案例【例3-7】使用结合掩模的cv2.calcHist()函数绘制ROI直方图。运行本例的代码，结果如图3-7所示。图3-7例3-7代码运行结果知识准备—图像的直方图处理3.2.3直方图均衡直方图均衡（HistogramEqualization）是一种用于增强图像对比度的经典方法。其核心思想是对图像像素灰度值进行重新分布，使输出图像的直方图在整个灰度范围（0～255）内尽可能均匀。

这种方法能够显著拉开图像的灰度层次，从而有效增加暗部与亮部的细节，改善整体视觉效果。

特别适用于改善灰度分布集中的图像，并常作为预处理步骤，在车牌识别、人脸识别等任务中用于强化特征、提升后续算法的鲁棒性。知识准备—图像的直方图处理3.2.3直方图均衡

OpenCV的cv2.equalizeHist()函数用于实现全局直方图均衡。其语法格式如下：全局直方图均衡dst=cv2.equalizeHist(src[,dst])其中各参数含义如下。src：8位单通道灰度图像，彩色图像分通道处理。dst：均衡后的图像。知识准备—图像的直方图处理3.2.3直方图均衡全局直方图均衡—案例【例3-8】使用cv2.equalizeHist()函数实现图像全局直方图均衡处理。根据题目要求，编写代码如下：源代码地址文件

ex3-8.py见教材配套代码，路径如下：src/proj03/ex3-8.py知识准备—图像的直方图处理3.2.3直方图均衡全局直方图均衡—案例【例3-8】使用cv2.equalizeHist()函数实现图像全局直方图均衡处理。运行上述代码，结果如图3-8所示。图3-8例3-8代码运行结果知识准备—图像的直方图处理3.2.3直方图均衡

OpenCV的cv2.createCLAHE()函数用于实现自适应直方图均衡。其语法格式如下：自适应直方图均衡retval=cv2.createCLAHE([,clipLimit[,tileGridSize]])其中各参数含义如下。clipLimit：对比度限制阈值，默认是40。tileGridSize：图像子块大小，默认值(8,8)表示将图像划分为8×8个子块网格。retval：一个限制对比度自适应直方图均衡（ContrastLimitedAdaptiveHistogramEqualization，CLAHE）处理器对象，该对象包含apply()函数，用于实际处理图像。知识准备—图像的直方图处理3.2.3直方图均衡自适应直方图均衡—案例【例3-9】使用cv2.createCLAHE()函数处理低对比度含噪声图像。根据题目要求，编写代码如下：源代码地址文件

ex3-9.py见教材配套代码，路径如下：src/proj03/ex3-9.py知识准备—图像的直方图处理3.2.3直方图均衡自适应直方图均衡—案例【例3-9】使用cv2.createCLAHE()函数处理低对比度含噪声图像。运行上述代码，结果如图3-9所示。图3-9例3-9代码运行结果知识准备—图像滤波3.3.1均值滤波均值滤波（AveragingFiltering），也称为均值卷积（MeanConvolution）。核心思想是通过一个称为卷积核（或滤波器）的矩阵来实现滤波。OpenCV中常用cv2.blur()函数实现均值卷积。其语法格式如下：dst=cv2.blur(src,ksize[,dst[,anchor[,borderType]]])其中各参数含义如下。src：输入图像，可以是单通道灰度图像或多通道彩色图像。ksize：卷积核大小，格式为(width,height)，width和height需为正奇数。dst：输出图像，默认自动生成与输入图像同尺寸、同类型的图像。anchor：卷积核的锚点，默认值为(-1,-1)，表示锚点在核中心。borderType：边界填充方式，默认为cv2.BORDER_DEFAULT。知识准备—图像滤波3.3.1均值滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-10】读取一幅噪声图像，使用cv2.blur()函数对比不同核的均值卷积效果，展示平滑强度与边缘模糊的关系。源代码地址文件

ex3-10.py见教材配套代码，路径如下：src/proj03/ex3-10.py知识准备—图像滤波3.3.1均值滤波—案例运行本例的代码，结果如图3-10所示。

【例3-10】读取一幅噪声图像，使用cv2.blur()函数对比不同核的均值卷积效果，展示平滑强度与边缘模糊的关系。图3-10例3-10代码运行结果知识准备—图像滤波3.3.2高斯滤波高斯滤波（GaussianFilter）是一种经典的线性滤波技术，其核心思想是基于高斯分布设计卷积核，通过卷积操作实现图像平滑与噪声抑制。OpenCV中常用cv2.GaussianBlur()函数实现高斯滤波。其语法格式如下：dst=cv2.GaussianBlur(src,ksize,sigmaX[,dst[,sigmaY[,borderType]]])其中各参数含义如下。ksize：卷积核大小，格式为(width,height)，width和height需为正奇数。sigmaX：x轴方向（水平方向）的标准差，控制水平方向的平滑强度。sigmaX越大，水平方向模糊越明显；若sigmaX为0，OpenCV会根据卷积核大小自动计算，其公式为sigmaX=0.3×(((ksize.width-1)×0.5-1)+0.8)。sigmaY：y轴方向（垂直方向）的标准差，默认值为None。实际处理时会自动设为与sigmaX相等的值；若需单独控制垂直方向平滑，可手动指定非零值。知识准备—图像滤波3.3.2高斯滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-11】读取一幅噪声图像，使用cv2.GaussianBlur()函数对比不同核的高斯滤波效果。源代码地址文件

ex3-11.py见教材配套代码，路径如下：src/proj03/ex3-11.py知识准备—图像滤波3.3.2高斯滤波—案例

【例3-11】读取一幅噪声图像，使用cv2.GaussianBlur()函数对比不同核的高斯滤波效果。运行本例的代码，结果如图3-11所示。图3-11例3-11代码运行结果知识准备—图像滤波3.3.3中值滤波中值滤波（MedianFiltering）是一种非线性滤波技术，其核心思想是通过取邻域像素的中值（而非平均值）来更新中心像素值，从而实现噪声抑制与图像平滑。OpenCV中常用cv2.medianBlur()函数实现中值滤波。其语法格式如下：dst=cv2.medianBlur(src,ksize[,dst])其中各参数含义如下。ksize：卷积核大小，必须是大于1的正奇数。src、dst与均值滤波的参数一致。知识准备—图像滤波3.3.3中值滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-12】读取一幅噪声图像，使用cv2.medianBlur()函数对比不同核的中值滤波效果。源代码地址文件

ex3-12.py见教材配套代码，路径如下：src/proj03/ex3-12.py知识准备—图像滤波3.3.3中值滤波—案例

【例3-12】读取一幅噪声图像，使用cv2.medianBlur()函数对比不同核的中值滤波效果。运行本例的代码，结果如图3-12所示。图3-12例3-12代码运行结果知识准备—图像滤波3.3.4双边滤波双边滤波（BilateralFilter）是一种非线性滤波技术，其核心思想是在高斯滤波的基础上，额外考虑像素值的相似度，通过“空间距离权重”和“像素值相似度权重”的双重约束实现平滑去噪，同时精准保留图像边缘。OpenCV中常用cv2.bilateralFilter()函数实现双边滤波。其语法格式如下：dst=cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace[,dst[,borderType]])其中各参数含义如下。d：邻域窗口的直径，单位为像素。若d≤0，OpenCV会根据sigmaSpace自动计算（通常取d=2×sigmaSpace+1）；d越大，滤波范围越广，但计算速度越慢。sigmaColor：像素值相似度的标准差，核心参数。sigmaColor越大，允许的像素值差异范围越广；sigmaColor越小，仅像素值接近的区域会被平滑。sigmaSpace：空间距离的标准差，核心参数。sigmaSpace越大，空间距离的影响范围越广；sigmaSpace越小，仅中心像素附近的像素参与滤波。知识准备—图像滤波3.3.4双边滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-13】读取一幅噪声图像，使用cv2.bilateralFilter()函数对比应用不同参数组合的双边滤波效果。源代码地址文件

ex3-13.py见教材配套代码，路径如下：src/proj03/ex3-13.py知识准备—图像滤波3.3.4双边滤波—案例

【例3-13】读取一幅噪声图像，使用cv2.bilateralFilter()函数对比应用不同参数组合的双边滤波效果。运行本例的代码，结果如图3-13所示。图3-13例3-13代码运行结果知识准备—图像滤波3.3.5方框滤波方框滤波（BoxFilter）是一种线性滤波技术，其核心思想是通过固定大小的“方框状”卷积核（滤波窗口）对图像进行加权计算，是均值滤波的通用形式。

OpenCV中常用cv2.boxFilter()函数实现方框滤波。其语法格式如下：dst=cv2.boxFilter(src,ddepth,ksize[,dst[,anchor[,normalize[,borderType]]]])其中各参数含义如下。ddepth：输出图像的深度，用于控制像素值范围。值为-1时，输出图像深度与输入图像深度一致；不进行归一化时，建议将其设为cv2.CV_32F或cv2.CV_64F等更高精度格式，避免对像素值求和后溢出。anchor：卷积核的锚点，默认值为(-1,-1)，表示锚点在核中心。normalize：归一化开关，布尔值（True/False）。默认值为True，进行归一化，归一化后等价于均值滤波；值为False时，不进行归一化，计算滤波窗口内像素值总和。知识准备—图像滤波3.3.5方框滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-14】读取一幅噪声图像，使用cv2.boxFilter()函数对比“归一化/非归一化”模式及不同核的滤波效果，同时与均值滤波进行等效性验证。源代码地址文件

ex3-14.py见教材配套代码，路径如下：src/proj03/ex3-14.py知识准备—图像滤波3.3.5方框滤波—案例

【例3-14】读取一幅噪声图像，使用cv2.boxFilter()函数对比“归一化/非归一化”模式及不同核的滤波效果，同时与均值滤波进行等效性验证。运行本例的代码，结果如图3-14所示。图3-14例3-14代码运行结果知识准备—图像滤波3.3.62D滤波2D滤波（二维卷积滤波，2DConvolutionFiltering）是线性滤波的通用框架，其核心思想是对自定义的二维卷积核（Kernel）与输入图像进行卷积运算，实现灵活的图像处理效果（如平滑、边缘增强、特征提取等）。OpenCV中常用cv2.filter2D()函数实现2D滤波。其语法格式如下：dst=cv2.filter2D(src,ddepth,kernel[,dst[,anchor[,delta[,borderType]]]])其中各参数含义如下。ddepth：输出图像的深度，用于控制像素值范围。值为-1时，输出图像深度与输入图像深度一致。kernel：自定义的二维卷积核，必须为单通道、正奇数大小的numpy数组。核的结构直接决定滤波效果，是2D滤波的核心。anchor：卷积核的锚点，默认值为(-1,-1)，表示锚点在核中心。delta：可选项，滤波后为每个像素值额外添加的偏移量，默认值为0。知识准备—图像滤波3.3.62D滤波—案例根据题目要求，编写程序的关键代码如下：

【例3-15】读取一幅噪声图像，使用cv2.filter2D()函数自定义3种不同功能的卷积核（平滑核、锐化核、边缘检测核），对比不同核的滤波效果，展示2D滤波的灵活性。源代码地址文件

ex3-15.py见教材配套代码，路径如下：src/proj03/ex3-15.py知识准备—图像滤波3.3.62D滤波—案例

【例3-15】读取一幅噪声图像，使用cv2.filter2D()函数自定义3种不同功能的卷积核（平滑核、锐化核、边缘检测核），对比不同核的滤波效果，展示2D滤波的灵活性。运行本例的代码，结果如图3-15所示。图3-15例3-15代码运行结果PART03项目实施项目实施项目任务将普通照片转换为多种艺术风格（油画、铅笔画、水彩画）的图像。任务实现步骤1：图像加载与预处理首先读取源图像文件，如果图像尺寸太大可将其统一调整为800像素×600像素的标准尺寸或进行比例缩放，然后在LAB色彩空间中使用CLAHE算法对亮度通道进行对比度增强，有效提升图像细节表现力。项目实施步骤1：图像加载与预处理关键代码如下：本步骤的输出如图3-16所示。图3-16预处理后的图像项目实施步骤2：油画效果生成首先将预处理后的图像转换为灰度图像以计算梯度信息，然后使用Sobel算子获取图像的梯度值和方向，接着量化梯度方向并分析局部区域的主方向特征，最后基于梯度值对同方向像素进行加权融合，模拟出油画的笔触效果和纹理质感。项目实施步骤2：油画效果生成关键代码如下：本步骤的输出如图3-17所示。图3-17油画效果图像项目实施步骤3：铅笔画效果生成首先将预处理后的图像转换为灰度图像并进行简化处理，然后创建灰度图像的负片并用高斯模糊模拟铅笔涂抹效果，最后通过除法运算将原始灰度图像与模糊负片进行混合，生成具有明暗变化的素描效果，并使用中值滤波和阈值处理提高线