数字图像处理核心技能：从基础到进阶的练习题精讲

一、基础图像操作练习题

1.1 图像读取与显示

题目：使用OpenCV读取本地图片，将其转换为灰度图并显示，同时保存处理后的结果。

import cv2
# 读取彩色图像
img = cv2.imread('input.jpg')
# 转换为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 显示结果
cv2.imshow('Gray Image', gray_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存结果
cv2.imwrite('gray_output.jpg', gray_img)

关键点：

• cv2.imread()默认读取BGR格式，需注意颜色空间转换
• cv2.waitKey(0)实现窗口持续显示，参数为毫秒级延迟
• 图像保存时需指定文件扩展名（如.jpg/.png）

1.2 像素级操作

题目：将图像中所有大于200的像素值设置为255，小于50的设置为0，形成二值化效果。

import numpy as np
# 创建阈值掩码
mask = (gray_img > 200) | (gray_img < 50)
# 应用掩码
binary_img = np.where(mask, 255, 0).astype(np.uint8)

优化建议：

• 使用NumPy的向量化操作替代循环，提升处理速度
• 考虑使用cv2.threshold()实现更高效的二值化

二、进阶算法应用练习题

2.1 图像滤波与增强

题目：对含噪声图像分别应用均值滤波、高斯滤波和中值滤波，比较去噪效果。

# 添加高斯噪声
mean, sigma = 0, 25
noise = np.random.normal(mean, sigma, gray_img.shape)
noisy_img = gray_img + noise.astype(np.uint8)
# 应用滤波器
mean_filtered = cv2.blur(noisy_img, (5,5))
gaussian_filtered = cv2.GaussianBlur(noisy_img, (5,5), 0)
median_filtered = cv2.medianBlur(noisy_img, 5)

效果对比：

• 均值滤波：计算简单但易模糊边缘
• 高斯滤波：根据空间距离加权，保留更多细节
• 中值滤波：对椒盐噪声效果显著，计算量较大

2.2 边缘检测与轮廓提取

题目：使用Canny算法检测图像边缘，并提取最大轮廓的外接矩形。

# Canny边缘检测
edges = cv2.Canny(gray_img, 100, 200)
# 查找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 提取最大轮廓
if contours:
    max_contour = max(contours, key=cv2.contourArea)
    x,y,w,h = cv2.boundingRect(max_contour)
    cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)

参数调优：

• Canny阈值选择：建议高阈值是低阈值的2-3倍
• 轮廓近似方法：cv2.CHAIN_APPROX_SIMPLE可压缩冗余点

三、实战项目案例

3.1 人脸检测系统

题目：实现实时摄像头人脸检测，并在检测到人脸时绘制矩形框。

# 加载预训练模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret: break
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray_frame, 1.3, 5)
    for (x,y,w,h) in faces:
        cv2.rectangle(frame, (x,y), (x+w,y+h), (255,0,0), 2)
    cv2.imshow('Face Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

关键技术：

• Haar级联分类器的尺度因子（1.3）和最小邻居数（5）参数
• 实时处理需优化检测速度，可考虑降低分辨率

3.2 图像拼接应用

题目：将两张有重叠区域的图像拼接成全景图。

# 使用OpenCV的Stitcher类
stitcher = cv2.Stitcher_create()
status, panorama = stitcher.stitch([img1, img2])
if status == cv2.Stitcher_OK:
    cv2.imwrite('panorama.jpg', panorama)
else:
    print("拼接失败，错误代码:", status)

常见问题处理：

• 特征点不足：调整cv2.SIFT_create()的参数
• 曝光差异：使用cv2.detail.ExposureCompensator
• 几何变形：采用cv2.detail.BundleAdjusterRay

四、性能优化技巧

4.1 多线程处理

题目：并行处理100张图像的灰度转换。

from concurrent.futures import ThreadPoolExecutor
def process_image(img_path):
    img = cv2.imread(img_path)
    return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
with ThreadPoolExecutor(max_workers=4) as executor:
    gray_images = list(executor.map(process_image, image_paths))

适用场景：

• I/O密集型操作（如批量读写）
• 计算密集型但可并行化的任务

4.2 内存管理

题目：处理大尺寸图像时的内存优化策略。

# 分块处理示例
def process_large_image(img_path, block_size=1024):
    img = cv2.imread(img_path)
    h, w = img.shape[:2]
    for y in range(0, h, block_size):
        for x in range(0, w, block_size):
            block = img[y:y+block_size, x:x+block_size]
            # 处理每个图像块
            processed_block = cv2.GaussianBlur(block, (5,5), 0)
            # 将处理后的块写回

优化方向：

• 使用cv2.UMat实现OpenCL加速
• 及时释放不再使用的图像对象（del img）
• 考虑使用内存映射文件处理超大规模图像

五、学习资源推荐

1. 经典教材：

   • 《Digital Image Processing》（Rafael C. Gonzalez）
   • 《Computer Vision: Algorithms and Applications》（Richard Szeliski）

2. 开源库：

   • OpenCV：最全面的计算机视觉库
   • scikit-image：基于NumPy的Python图像处理库
   • Pillow：Python Imaging Library的友好分支

3. 实践平台：

   • Kaggle竞赛：提供真实场景的数据集
   • GitHub开源项目：如YOLO、U-Net等经典模型实现

通过系统练习本文提供的案例，开发者可逐步掌握数字图像处理的核心技能。建议从基础操作开始，逐步过渡到算法实现，最终完成完整项目开发。在实际应用中，需特别注意算法选择与性能优化的平衡，根据具体场景调整参数和实现方案。