计算机视觉技术应用项目化教程 课件 项目5 图像处理进阶

项目五：图像处理进阶交互、变换与增强技术COMPUTERVISION·计算机视觉系列课程任务导入：打造你的智能文档扫描助手😣现实痛点：拍照效果不尽如人意•文档倾斜：随手一拍，照片中的文档角度歪了，视觉效果差。•画质模糊：室内光线昏暗，导致文字暗淡，难以识别。•背景杂乱：桌面上杂物太多，只想提取文档的主体内容。🚀学习目标：打造智能扫描助手•自由框选：实现鼠标交互，在图片上精准框选出需要扫描的区域。•智能矫正：利用仿射变换算法，将倾斜的文档自动“扳正”对齐。•一键增强：应用直方图均衡化技术，提升文字对比度，让模糊变清晰。本章学习目标知识目标•理解核心概念掌握滚动条、鼠标交互、仿射变换、色彩空间(RGB,HSV)、直方图及直方图均衡化的基本原理。•熟悉函数功能了解OpenCV中关键函数如`cv2.createTrackbar`,`cv2.setMouseCallback`,`cv2.warpAffine`,`cv2.cvtColor`等的作用与参数含义。能力目标•交互设计：为图像处理程序添加滚动条和鼠标交互功能。•图像变换：运用仿射变换实现图像平移、缩放、旋转及透视矫正。•色彩处理：进行色彩空间转换，利用色彩信息实现特定目标检测。•图像增强：运用直方图均衡化技术有效提升图像整体对比度。素质目标•问题解决能力运用所学知识，分析并解决文档扫描、照片优化等生活中的实际图像处理问题。•编程与调试能力培养阅读、理解复杂逻辑代码，以及独立排查程序错误的能力。•创新思维尝试将交互、变换、增强等多种技术进行组合，开发具有创意的应用程序。第一部分：交互界面设计01.动态交互：滚动条的应用滚动条是OpenCV中实用的交互组件。它依附于窗口存在，用户可通过拖动滑块，直观地在设定范围内动态调整数值。这在调试图像处理参数（如二值化阈值、颜色通道值、对比度）时，比反复修改代码并重新运行高效得多。⚙️核心函数：•cv2.createTrackbar(name,winname,val,max,callback)-创建滚动条并绑定窗口•cv2.getTrackbarPos(name,winname)-获取当前滑块的数值🎯实战任务：打造一个RGB调色板实现思路：创建三个独立的滚动条，分别映射R、G、B颜色通道（0-255），并实时将三个通道的值混合，显示在画布上。RGB调色板运行效果示意

界面中包含三个独立的滚动条控件与一个颜色显示窗口。

拖动任意滑块，下方的颜色会实时响应并更新。RGB调色板代码实现#导入必要库|定义回调函数，响应滑块变化importcv2importnumpyasnpdefchangeColor(x):#获取滑块值并更新图像(OpenCV颜色通道顺序为BGR)r,g,b=[cv2.getTrackbarPos(c,'image')forcin('R','G','B')]img[:]=[b,g,r]#初始化画布与窗口|创建RGB三通道滑块img=np.zeros((128,512,3),np.uint8)dWindow('image')[cv2.createTrackbar(c,'image',0,255,changeColor)forcin('R','G','B')]#主循环显示|按下ESC(ASCII27)退出程序whileTrue:cv2.imshow('image',img)ifcv2.waitKey(1)&0xFF==27:breakcv2.destroyAllWindows()2.精准控制：鼠标交互的实现知识准备：如何与鼠标交互？OpenCV提供了`cv2.setMouseCallback()`函数来处理鼠标事件。当用户在指定窗口内进行鼠标操作（如点击、拖拽、释放）时，会触发一个预定义的回调函数，从而执行相应的操作逻辑。核心函数解析cv2.setMouseCallback(winname,onMouse)•winname:窗口名称|•onMouse:鼠标事件回调函数实战任务：鼠标截图工具综合运用鼠标事件监听与图像截取技术，实现一个功能完备的截图工具：

1.捕捉鼠标的“左键按下”与“鼠标释放”两个关键事件

2.在鼠标拖拽过程中实时绘制矩形框，显示框选范围

3.释放鼠标后，自动计算并截取该矩形区域，保存为独立图片文件。鼠标截图工具代码实现importcv2importnumpyasnp#定义全局变量，用于存储图像和鼠标点坐标globalimg,point1,point2#定义鼠标回调函数，处理三种核心事件defon_mouse(event,x,y,flags,param):globalimg,point1,point2img2=img.copy()#每次绘制前复制原图，避免在原图上叠加绘制ifevent==cv2.EVENT_LBUTTONDOWN:#1.鼠标左键按下，记录起点point1=(x,y);cv2.circle(img2,point1,8,(0,255,0),-1)elifevent==cv2.EVENT_MOUSEMOVEand(flags&cv2.EVENT_FLAG_LBUTTON):#2.拖拽，实时画框cv2.rectangle(img2,point1,(x,y),(255,0,0),2)elifevent==cv2.EVENT_LBUTTONUP:#3.鼠标释放，计算并截取区域point2=(x,y);min_x,min_y=min(point1[0],point2[0]),min(point1[1],point2[1])w,h=abs(point1[0]-point2[0]),abs(point1[1]-point2[1])cut_img=img[min_y:min_y+h,min_x:min_x+w];cv2.imwrite("cut_result.jpg",cut_img)第二部分：图像几何变换知识准备：什么是仿射变换？仿射变换(AffineTransformation)是一种二维坐标到二维坐标的线性变换。它能保持图像的“平直性”（直线变换后依然是直线）和“平行性”（平行线变换后依然是平行线）。在图像处理中，最常见的应用场景包含：平移、缩放、旋转和剪切。OpenCV核心函数：cv2.warpAffine函数原型:cv2.warpAffine(img,M,dsize)•img:输入的原始图像矩阵•dsize:输出图像的尺寸(宽,高)•M(关键):2x3的变换矩阵，决定最终变换效果四种常用变换与矩阵构造平移(Translation)M=[[1,0,tx],[0,1,ty]]缩放(Scaling)M=[[sx,0,0],[0,sy,0]]旋转(Rotation)M=cv2.getRotationMatrix2D(...)仿射/透视(Perspective)M=cv2.getAffineTransform(...)仿射变换代码实现#导入库与读取图像

importnumpyasnp;importcv2

img=cv2.imread("HappyFish.jpg");h,w=img.shape[:2]#1.平移:构造矩阵+应用变换

M_t=np.float32([[1,0,50],[0,1,30]])

img_t=cv2.warpAffine(img,M_t,(w,h))#2.缩放:缩小一半(手动构造矩阵)

M_s=np.float32([[0.5,0,0],[0,0.5,0]])

img_s=cv2.warpAffine(img,M_s,(w,h))#3.旋转与4.三点透视(函数生成矩阵)

M_r=cv2.getRotationMatrix2D((w/2,h/2),-60,0.8)

M_p=cv2.getAffineTransform(src_pts,dst_pts)平移(Translation)通过构造偏移矩阵，实现图像沿坐标轴移动。缩放(Scaling)调整矩阵系数改变宽高比，实现放大或缩小。旋转(Rotation)基于中心点和角度，调用函数生成旋转矩阵。三点透视(Perspective)指定三对映射点，自动计算并应用仿射变换。第三部分：色彩空间与应用知识准备为什么需要色彩空间？RGB是我们最熟悉的色彩空间，由红、绿、蓝三个颜色通道叠加而成。但是，RGB的三个颜色通道是高度相关的。在颜色识别、分割等图像处理任务中，直接使用RGB会很困难。将其转换为其他色彩空间（如HSV），往往能大幅简化算法设计。HSV色彩空间•H(Hue):色调——颜色的种类。•S(Saturation):饱和度——颜色鲜艳程度。•V(Value):亮度——颜色的明暗程度。💡优势：将颜色与亮度分离，非常适合颜色识别。OpenCV核心函数cv2.cvtColor(img,code)用于实现图像色彩空间的转换。其中第二个参数code决定转换类型。常用Code示例：

•cv2.COLOR_BGR2GRAY

•cv2.COLOR_BGR2HSV任务实现：实时肤色检测任务目标利用OpenCV库调用电脑摄像头实时获取视频流，将画面转换至HSV色彩空间，通过设定阈值提取肤色区域，最终将检测结果与原始画面进行并排对比展示。importcv2,numpyasnp

#1.打开默认摄像头，定义肤色Hue范围(7~40)

cap=cv2.VideoCapture(0);minH,maxH=7,40

#2.逐帧捕获与处理

whilecap.isOpened():

_,frame=cap.read()#读取帧

hsv=cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)#转HSV

mask=cv2.inRange(hsv[:,:,0],minH,maxH)#Hue通道二值化

cv2.imshow('Result',np.hstack((frame,cv2.bitwise_and(frame,frame,mask=mask))))

ifcv2.waitKey(1)==27:break#Esc键退出效果解析左侧为摄像头采集的原始画面，右侧为检测结果。

算法的核心在于利用了HSV颜色空间中Hue(色调)分量的稳定性。肤色在色调通道上有明显且集中的数值范围，我们据此创建掩码，从而精准过滤掉背景，仅保留人物的皮肤区域。第四部分：图像增强技术知识准备：什么是直方图均衡化？📊直方图的定义：是统计图像中每个灰度级出现次数的图表。如果一张图像的直方图集中在某个狭窄的灰度范围内，这通常意味着这张图像的对比度较低，画面看起来灰蒙蒙的。✨直方图均衡化(HistogramEqualization)：这是一种通过“拉伸”图像的灰度值分布，使其更均匀地覆盖整个灰度范围的方法。这种操作能有效提升图像的全局对比度，让细节更加清晰可见。OpenCV核心实现函数cv2.equalizeHist(img)适用于整体光照比较均匀的图像，能快速实现全局对比度提升，但在光照不均的场景下容易丢失细节。cv2.createCLAHE(clipLimit,tileGridSize)自适应直方图均衡化（CLAHE）。将图像划分为小块并分别进行均衡化，能更好地保留图像的局部细节，效果通常优于全局均衡化。任务实现：提升低对比度图像的清晰度任务目标读取一张对比度较低的图像，分别使用普通直方图均衡化和自适应直方图均衡化（CLAHE）进行处理，并对比两者的视觉效果与细节保留能力。importcv2,numpyasnp#1.以灰度模式读取图像img=cv2.imread('low_contrast_img.png',0)#2.全局vs自适应(CLAHE)均衡化equ_global=cv2.equalizeHist(img)equ_clahe=cv2.createCLAHE(2.0,(8,8)).apply(img)#3.横向拼接显示结果进行对比cv2.imshow("Result",np.hstack((img,equ_global,equ_clahe)))处理效果对比💡关键发现：•普通直方图均衡化：虽然提升了整体对比度，但容易丢失局部细节，且可能造成过曝。•CLAHE自适应均衡化：将图像分块处理，能有效增强局部对比度，更好地保留纹理细节，视觉效果更自然。项目总结交互界面设计•滚动条(Trackbar):使用`cv2.createTrackbar()`动态调整参数，实时预览效果。•鼠标交互:通过`cv2.setMouseCallback()`实现区域选择、自定义绘图等交互。图像几何变换•仿射变换:核心是构造变换矩阵`M`，通过`cv2.warpAffine()`实现。•常用变换:掌握图像的平移、缩放、旋转及透视变换等操作。色彩空间与应用•模型与转换:理解RG