### 转换 C++ OpenCV 二值图像去噪函数为 Python 代码 图像处理中，去除二值图像的噪声是常见需求。原始 C++ 函数使用了形态学操作、图像反转、滤波、阈值处理以及按位或操作，以增强图像质量并去除噪声。以下为完整的 Python 实现，基于 OpenCV 和 NumPy 库。 ```python import cv2 import numpy as np def remove_noise(data, byte_line, width, height): # 构建图像矩阵 img = np.array(data, dtype=np.uint8).reshape(height, byte_line) img = img[:, :width] # 截取有效宽度 # 克隆图像用于处理 img_tmp = img.copy() # 形态学开操作去除小的噪声点 kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) cv2.morphologyEx(img_tmp, cv2.MORPH_OPEN, kernel_open, dst=img_tmp) # 图像反转 img_tmp = 255 - img_tmp # 使用均值滤波器进行平滑 kernel_filter = np.ones((5, 5), np.float32) / 25 cv2.filter2D(img_tmp, -1, kernel_filter, dst=img_tmp) # 再次反转图像 img_tmp = 255 - img_tmp # 阈值处理保留主要结构 cv2.threshold(img_tmp, 220, 255, cv2.THRESH_BINARY, dst=img_tmp) # 将处理后的图像与原图进行按位或操作 img |= img_tmp # 将处理后的数据写回原始数组 data[:] = img.flatten().tolist() ``` ### 使用方法 以下是如何使用上述函数对图像数据进行处理的示例： ```python # 读取二值图像（单通道） image = cv2.imread('binary_image.png', cv2.IMREAD_GRAYSCALE) # 确保图像是二值图像（0 和 255） _, image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 获取图像参数 height, width = image.shape byte_line = image.strides[0] # 每行字节数 data = image.flatten().tolist() # 图像数据转为列表 # 调用去噪函数 remove_noise(data, byte_line, width, height) # 将处理后的数据还原为图像 denoised_image = np.array(data, dtype=np.uint8).reshape(height, byte_line)[:, :width] # 保存结果 cv2.imwrite('denoised_image.png', denoised_image) ``` ### 代码解析 - **形态学开操作 (`cv2.morphologyEx`)** 开操作能够有效去除小的孤立噪声点，同时保留主要结构特征[^1]。 - **图像反转 (`255 - img_tmp`)** 图像反转用于将图像从黑白反转为黑白色，便于后续滤波处理[^1]。 - **均值滤波 (`cv2.filter2D`)** 使用 5x5 的均值滤波核对图像进行平滑处理，减少局部噪声影响。 - **阈值处理 (`cv2.threshold`)** 通过设定阈值 220，将图像转换为二值图像，保留主要结构[^1]。 - **按位或操作 (`img |= img_tmp`)** 将原始图像与处理后的图像进行按位或操作，保留原始图像中的主要特征，同时增强去噪效果[^1]。 ### 总结 该 Python 实现完整保留了原始 C++ 函数的图像处理流程，包括形态学操作、图像反转、滤波、阈值处理和按位或操作，适用于二值图像的去噪任务。 ---