# 题目重述 1. (1) 从指定路径 `"C:\python\257f9e6c74a30333de6221b8144a0940.jpg"` 读取图像，并查看其像素值； (2) 对图像进行色彩空间转换：BGR → RGB、BGR → GRAY、BGR → HSV，对HSV图像进行通道拆分与合并，并保存结果图像； (3) 挑选最满意的9张图像（此处假设使用同一图像复制9次进行演示），进行基本几何变换，合成一张9宫格照片； (4) 挑选一张照片，处理成类似椒盐噪声的效果。 --- ## 详解 ### (1) 读取图像并查看像素值 ```python import cv2 import numpy as np # 读取图像 image_path = r"C:\python\257f9e6c74a30333de6221b8144a0940.jpg" image = cv2.imread(image_path) if image is None: raise FileNotFoundError("无法加载图像，请检查路径是否正确！") # 查看图像基本信息 print("图像形状 (高度, 宽度, 通道):", image.shape) print("像素值示例（左上角 5x5 区域）:") print(image[0:5, 0:5]) # 显示前5行5列像素 ``` --- ### (2) 色彩空间转换、HSV通道拆分与合并 ```python # BGR → RGB rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # BGR → GRAY gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # BGR → HSV hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 拆分HSV通道 h, s, v = cv2.split(hsv) print("H通道范围:", h.min(), "to", h.max()) print("S通道范围:", s.min(), "to", s.max()) print("V通道范围:", v.min(), "to", v.max()) # 合并HSV通道（可修改后合并，这里保持不变） merged_hsv = cv2.merge([h, s, v]) # 保存结果图像 cv2.imwrite(r'C:\python\output_rgb.jpg', cv2.cvtColor(rgb, cv2.COLOR_RGB2BGR)) cv2.imwrite(r'C:\python\output_gray.jpg', gray) cv2.imwrite(r'C:\python\output_hsv.jpg', cv2.cvtColor(merged_hsv, cv2.COLOR_HSV2BGR)) cv2.imwrite(r'C:\python\h_channel.jpg', h) cv2.imwrite(r'C:\python\s_channel.jpg', s) cv2.imwrite(r'C:\python\v_channel.jpg', v) ``` --- ### (3) 使用9张图像合成9宫格（本例复用单图做变换） ```python import matplotlib.pyplot as plt def apply_transform(img, mode): """根据mode应用不同几何变换""" rows, cols = img.shape[:2] if mode == 0: return cv2.resize(img, (200, 200)) elif mode == 1: return cv2.flip(img, 1) # 水平翻转 elif mode == 2: M = cv2.getRotationMatrix2D((cols/2, rows/2), 45, 0.8) return cv2.warpAffine(img, M, (cols, rows)) elif mode == 3: return cv2.flip(img, 0) # 垂直翻转 elif mode == 4: return cv2.resize(img, (150, 150)) elif mode == 5: M = cv2.getRotationMatrix2D((cols/2, rows/2), -30, 1.2) return cv2.warpAffine(img, M, (cols, rows)) elif mode == 6: return cv2.flip(img, -1) # 对角翻转 elif mode == 7: M = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1) return cv2.warpAffine(img, M, (cols, rows)) else: return cv2.resize(img, (180, 180)) # 加载并生成9个变换图像 transformed_images = [] for i in range(9): transformed = apply_transform(image.copy(), i % 9) transformed = cv2.cvtColor(transformed, cv2.COLOR_BGR2RGB) transformed_images.append(transformed) # 合成9宫格 plt.figure(figsize=(6, 6)) for i in range(9): plt.subplot(3, 3, i + 1) plt.imshow(transformed_images[i]) plt.axis('off') plt.tight_layout() plt.savefig(r'C:\python\nine_grid_output.jpg', dpi=150) plt.show() ``` --- ### (4) 添加椒盐噪声 ```python def add_salt_and_pepper_noise(image, noise_level=0.02): """ 为图像添加椒盐噪声 noise_level: 噪声比例（0~1） """ output = np.copy(image) total_pixels = image.shape[0] * image.shape[1] num_noisy_pixels = int(noise_level * total_pixels) # 随机坐标 coords = [np.random.randint(0, i-1, num_noisy_pixels) for i in image.shape[:2]] # 一半加盐（白色），一半加椒（黑色） for i in range(num_noisy_pixels // 2): output[coords[0][i], coords[1][i]] = [255, 255, 255] # Salt for i in range(num_noisy_pixels // 2, num_noisy_pixels): output[coords[0][i], coords[1][i]] = [0, 0, 0] # Pepper return output # 应用噪声 noisy_image = add_salt_and_pepper_noise(image) cv2.imwrite(r'C:\python\output_salt_pepper.jpg', noisy_image) # 显示带噪声图像（matplotlib需RGB） noisy_display = cv2.cvtColor(noisy_image, cv2.COLOR_BGR2RGB) plt.figure() plt.imshow(noisy_display) plt.title("Salt & Pepper Noise") plt.axis('off') plt.show() ``` --- ## 知识点 - **图像色彩空间转换**：掌握 `cv2.cvtColor()` 在不同颜色空间间的转换规则与应用场景。 - **图像通道操作**：利用 `cv2.split()` 和 `cv2.merge()` 实现多通道图像的数据控制。 - **几何变换与噪声建模**：理解仿射变换矩阵及随机噪声在图像增强中的实现方式。