Python图像处理实战：从OpenCV基础到质量评估系统开发

图像处理实战从基础操作到项目应用全解析在数字时代图像处理技术已成为计算机视觉、人工智能等领域不可或缺的基础能力。无论是简单的图片尺寸调整还是复杂的特征提取与识别掌握图像处理的核心原理和实操方法对开发者来说都至关重要。本文将围绕图像处理的核心概念、常用算法和实际项目应用带你系统掌握从基础到实战的完整技能栈。1. 图像处理基础概念1.1 什么是数字图像处理数字图像处理是指使用计算机算法对数字图像进行分析、处理和解释的技术。简单来说就是将图像转换为数字矩阵然后通过数学运算来改善图像质量或提取有用信息的过程。数字图像由像素组成每个像素包含颜色信息。在灰度图像中每个像素用一个数值表示亮度在彩色图像中通常使用RGB红绿蓝三个通道的数值组合来表示颜色。理解这一基本概念是后续所有操作的基础。1.2 图像处理的主要应用领域图像处理技术在实际应用中有着广泛的用途。在医疗领域用于CT、MRI等医学影像的分析和诊断在安防监控中用于人脸识别、行为分析在工业检测中用于产品质量自动检测在娱乐领域用于美颜滤镜、特效制作等。掌握图像处理技术可以为这些领域的开发工作提供强大支持。2. 环境准备与工具配置2.1 开发环境搭建进行图像处理开发首先需要搭建合适的环境。推荐使用Python作为主要编程语言配合OpenCV、PIL等图像处理库。以下是环境配置的基本步骤首先安装必要的Python包pip install opencv-python pip install pillow pip install numpy pip install matplotlib验证安装是否成功import cv2 import numpy as np from PIL import Image import matplotlib.pyplot as plt print(OpenCV版本:, cv2.__version__) print(NumPy版本:, np.__version__)2.2 常用图像处理库介绍OpenCVOpen Source Computer Vision Library是计算机视觉领域最流行的开源库提供了丰富的图像处理和计算机视觉算法。PILPython Imaging Library及其分支Pillow专注于图像的基本操作和处理。NumPy是Python的科学计算基础库用于高效的数组操作。Matplotlib则用于图像的可视化显示。3. 图像基础操作实战3.1 图像的读取与显示读取和显示图像是最基本的操作。以下是使用不同库实现图像读取和显示的示例import cv2 import matplotlib.pyplot as plt from PIL import Image # 使用OpenCV读取图像 img_cv cv2.imread(image.jpg) # OpenCV默认使用BGR格式需要转换为RGB格式显示 img_cv_rgb cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB) # 使用PIL读取图像 img_pil Image.open(image.jpg) # 使用Matplotlib显示图像 plt.figure(figsize(12, 4)) plt.subplot(1, 3, 1) plt.imshow(img_cv_rgb) plt.title(OpenCV读取) plt.axis(off) plt.subplot(1, 3, 2) plt.imshow(img_pil) plt.title(PIL读取) plt.axis(off) plt.subplot(1, 3, 3) # 显示图像的基本信息 plt.text(0.1, 0.5, f图像尺寸: {img_pil.size}\n模式: {img_pil.mode}, fontsize12, transformplt.gca().transAxes) plt.axis(off) plt.tight_layout() plt.show()3.2 图像的基本属性获取了解图像的基本属性对于后续处理至关重要def get_image_info(image_path): # 使用OpenCV读取 img_cv cv2.imread(image_path) # 使用PIL读取 img_pil Image.open(image_path) print( 图像基本信息 ) print(f图像路径: {image_path}) print(fOpenCV - 图像形状: {img_cv.shape}) # (高度, 宽度, 通道数) print(fPIL - 图像尺寸: {img_pil.size}) # (宽度, 高度) print(fPIL - 图像模式: {img_pil.mode}) print(f数据类型: {img_cv.dtype}) print(f像素值范围: {img_cv.min()} ~ {img_cv.max()}) # 计算图像的内存占用 memory_size img_cv.nbytes / 1024 / 1024 # 转换为MB print(f内存占用: {memory_size:.2f} MB) return img_cv, img_pil # 使用示例 img_cv, img_pil get_image_info(image.jpg)4. 图像预处理技术4.1 图像尺寸调整与缩放在实际应用中经常需要调整图像尺寸以适应不同的需求def resize_image(image_path, new_size(300, 300)): # 读取原图像 img cv2.imread(image_path) # 方法1: 使用OpenCV的resize函数 resized_cv cv2.resize(img, new_size) # 方法2: 使用PIL的resize方法 img_pil Image.open(image_path) resized_pil img_pil.resize(new_size) # 显示对比结果 plt.figure(figsize(15, 5)) plt.subplot(1, 3, 1) plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.title(f原图 {img.shape[1]}x{img.shape[0]}) plt.axis(off) plt.subplot(1, 3, 2) plt.imshow(cv2.cvtColor(resized_cv, cv2.COLOR_BGR2RGB)) plt.title(fOpenCV调整 {new_size[0]}x{new_size[1]}) plt.axis(off) plt.subplot(1, 3, 3) plt.imshow(resized_pil) plt.title(fPIL调整 {new_size[0]}x{new_size[1]}) plt.axis(off) plt.tight_layout() plt.show() return resized_cv, resized_pil # 使用示例 resized_cv, resized_pil resize_image(image.jpg, (400, 300))4.2 图像色彩空间转换不同的色彩空间适用于不同的处理任务def color_space_conversion(image_path): img cv2.imread(image_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换为灰度图 img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为HSV色彩空间 img_hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 转换为LAB色彩空间 img_lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) # 显示不同色彩空间的图像 plt.figure(figsize(15, 10)) color_spaces [ (img_rgb, RGB), (img_gray, 灰度), (img_hsv, HSV), (img_lab, LAB) ] for i, (img_space, title) in enumerate(color_spaces): plt.subplot(2, 2, i1) if len(img_space.shape) 2: # 灰度图 plt.imshow(img_space, cmapgray) else: plt.imshow(img_space) plt.title(title) plt.axis(off) plt.tight_layout() plt.show() return img_rgb, img_gray, img_hsv, img_lab # 使用示例 rgb, gray, hsv, lab color_space_conversion(image.jpg)5. 图像滤波与增强5.1 常用滤波算法图像滤波用于去除噪声或增强特征def image_filtering(image_path): img cv2.imread(image_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 高斯滤波 gaussian_blur cv2.GaussianBlur(img_rgb, (5, 5), 0) # 中值滤波 median_blur cv2.medianBlur(img_rgb, 5) # 双边滤波 bilateral_blur cv2.bilateralFilter(img_rgb, 9, 75, 75) # 显示滤波效果 plt.figure(figsize(15, 10)) filters [ (img_rgb, 原图), (gaussian_blur, 高斯滤波), (median_blur, 中值滤波), (bilateral_blur, 双边滤波) ] for i, (filtered_img, title) in enumerate(filters): plt.subplot(2, 2, i1) plt.imshow(filtered_img) plt.title(title) plt.axis(off) plt.tight_layout() plt.show() return gaussian_blur, median_blur, bilateral_blur # 使用示例 gaussian, median, bilateral image_filtering(image.jpg)5.2 图像增强技术图像增强可以改善视觉效果或突出特定特征def image_enhancement(image_path): img cv2.imread(image_path) img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 直方图均衡化 hist_eq cv2.equalizeHist(img_gray) # 对比度限制的自适应直方图均衡化 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) clahe_img clahe.apply(img_gray) # 伽马校正 gamma 1.5 gamma_corrected np.uint8(cv2.pow(img_gray/255.0, gamma) * 255) # 显示增强效果 plt.figure(figsize(15, 10)) enhancements [ (img_gray, 原图), (hist_eq, 直方图均衡化), (clahe_img, CLAHE), (gamma_corrected, f伽马校正(γ{gamma})) ] for i, (enhanced_img, title) in enumerate(enhancements): plt.subplot(2, 2, i1) plt.imshow(enhanced_img, cmapgray) plt.title(title) plt.axis(off) plt.tight_layout() plt.show() return hist_eq, clahe_img, gamma_corrected # 使用示例 hist_eq, clahe, gamma_corr image_enhancement(image.jpg)6. 边缘检测与特征提取6.1 经典边缘检测算法边缘检测是图像处理中的重要任务def edge_detection(image_path): img cv2.imread(image_path) img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Sobel算子 sobelx cv2.Sobel(img_gray, cv2.CV_64F, 1, 0, ksize3) sobely cv2.Sobel(img_gray, cv2.CV_64F, 0, 1, ksize3) sobel_combined cv2.magnitude(sobelx, sobely) # Canny边缘检测 edges_canny cv2.Canny(img_gray, 100, 200) # Laplacian算子 laplacian cv2.Laplacian(img_gray, cv2.CV_64F) # 显示边缘检测结果 plt.figure(figsize(15, 10)) edges [ (img_gray, 原图), (sobel_combined, Sobel边缘), (edges_canny, Canny边缘), (laplacian, Laplacian边缘) ] for i, (edge_img, title) in enumerate(edges): plt.subplot(2, 2, i1) if i 0: plt.imshow(edge_img, cmapgray) else: plt.imshow(edge_img, cmaphot) plt.title(title) plt.axis(off) plt.tight_layout() plt.show() return sobel_combined, edges_canny, laplacian # 使用示例 sobel, canny, laplacian edge_detection(image.jpg)6.2 角点检测角点是图像中的重要特征点def corner_detection(image_path): img cv2.imread(image_path) img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Harris角点检测 harris_img img.copy() harris_corners cv2.cornerHarris(img_gray, 2, 3, 0.04) harris_img[harris_corners 0.01 * harris_corners.max()] [0, 0, 255] # Shi-Tomasi角点检测 shi_tomasi_img img.copy() corners cv2.goodFeaturesToTrack(img_gray, 100, 0.01, 10) corners np.int0(corners) for corner in corners: x, y corner.ravel() cv2.circle(shi_tomasi_img, (x, y), 3, (0, 255, 0), -1) # 显示角点检测结果 plt.figure(figsize(15, 5)) plt.subplot(1, 3, 1) plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.title(原图) plt.axis(off) plt.subplot(1, 3, 2) plt.imshow(cv2.cvtColor(harris_img, cv2.COLOR_BGR2RGB)) plt.title(Harris角点检测) plt.axis(off) plt.subplot(1, 3, 3) plt.imshow(cv2.cvtColor(shi_tomasi_img, cv2.COLOR_BGR2RGB)) plt.title(Shi-Tomasi角点检测) plt.axis(off) plt.tight_layout() plt.show() return harris_img, shi_tomasi_img # 使用示例 harris, shi_tomasi corner_detection(image.jpg)7. 图像分割技术7.1 阈值分割阈值分割是最简单的图像分割方法def threshold_segmentation(image_path): img cv2.imread(image_path) img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 全局阈值分割 _, global_thresh cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # Otsu阈值分割 _, otsu_thresh cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 自适应阈值分割 adaptive_thresh cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 显示分割结果 plt.figure(figsize(15, 10)) thresholds [ (img_gray, 原图), (global_thresh, 全局阈值), (otsu_thresh, Otsu阈值), (adaptive_thresh, 自适应阈值) ] for i, (thresh_img, title) in enumerate(thresholds): plt.subplot(2, 2, i1) plt.imshow(thresh_img, cmapgray) plt.title(title) plt.axis(off) plt.tight_layout() plt.show() return global_thresh, otsu_thresh, adaptive_thresh # 使用示例 global_th, otsu_th, adaptive_th threshold_segmentation(image.jpg)7.2 分水岭算法分水岭算法适用于复杂背景下的图像分割def watershed_segmentation(image_path): img cv2.imread(image_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换为灰度图并去噪 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred cv2.medianBlur(gray, 5) # 二值化 _, binary cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 形态学操作去除噪声 kernel np.ones((3, 3), np.uint8) opening cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations2) # 确定背景区域 sure_bg cv2.dilate(opening, kernel, iterations3) # 确定前景区域 dist_transform cv2.distanceTransform(opening, cv2.DIST_L2, 5) _, sure_fg cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0) sure_fg np.uint8(sure_fg) # 找到未知区域 unknown cv2.subtract(sure_bg, sure_fg) # 标记连通组件 _, markers cv2.connectedComponents(sure_fg) markers markers 1 markers[unknown 255] 0 # 应用分水岭算法 markers cv2.watershed(img, markers) img[markers -1] [255, 0, 0] # 显示结果 plt.figure(figsize(15, 10)) plt.subplot(2, 3, 1) plt.imshow(img_rgb) plt.title(原图) plt.axis(off) plt.subplot(2, 3, 2) plt.imshow(binary, cmapgray) plt.title(二值化) plt.axis(off) plt.subplot(2, 3, 3) plt.imshow(sure_fg, cmapgray) plt.title(确定前景) plt.axis(off) plt.subplot(2, 3, 4) plt.imshow(sure_bg, cmapgray) plt.title(确定背景) plt.axis(off) plt.subplot(2, 3, 5) plt.imshow(unknown, cmapgray) plt.title(未知区域) plt.axis(off) plt.subplot(2, 3, 6) plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.title(分水岭结果) plt.axis(off) plt.tight_layout() plt.show() return markers # 使用示例 markers watershed_segmentation(image.jpg)8. 实战项目图像质量评估系统8.1 项目需求分析开发一个图像质量评估系统能够自动评估图像的质量并给出改进建议。系统需要实现以下功能图像基本信息分析尺寸、格式、色彩模式等质量指标计算清晰度、对比度、噪声水平等自动质量评分改进建议生成8.2 系统架构设计import cv2 import numpy as np from PIL import Image, ImageEnhance import matplotlib.pyplot as plt from skimage import metrics class ImageQualityAnalyzer: def __init__(self, image_path): self.image_path image_path self.img_cv cv2.imread(image_path) self.img_pil Image.open(image_path) self.analysis_results {} def analyze_basic_info(self): 分析图像基本信息 basic_info { file_size: self.img_pil.size, image_mode: self.img_pil.mode, file_format: self.img_pil.format, cv_shape: self.img_cv.shape, memory_usage: f{self.img_cv.nbytes / 1024 / 1024:.2f} MB } self.analysis_results[basic_info] basic_info return basic_info def calculate_sharpness(self): 计算图像清晰度 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) # 使用拉普拉斯方差作为清晰度指标 sharpness cv2.Laplacian(gray, cv2.CV_64F).var() self.analysis_results[sharpness] sharpness return sharpness def calculate_contrast(self): 计算图像对比度 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) contrast gray.std() self.analysis_results[contrast] contrast return contrast def calculate_brightness(self): 计算图像亮度 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) brightness gray.mean() self.analysis_results[brightness] brightness return brightness def detect_noise(self): 检测图像噪声水平 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) # 使用中值滤波后的差异来估计噪声 denoised cv2.medianBlur(gray, 5) noise_level np.mean(np.abs(gray.astype(float) - denoised.astype(float))) self.analysis_results[noise_level] noise_level return noise_level def generate_quality_score(self): 生成综合质量评分 sharpness self.analysis_results.get(sharpness, 0) contrast self.analysis_results.get(contrast, 0) brightness self.analysis_results.get(brightness, 0) noise self.analysis_results.get(noise_level, 0) # 归一化评分简化版 sharpness_score min(sharpness / 1000, 1.0) * 40 # 清晰度占40% contrast_score min(contrast / 80, 1.0) * 30 # 对比度占30% brightness_score 1 - abs(brightness - 128) / 128 * 20 # 亮度占20% noise_score max(0, 1 - noise / 50) * 10 # 噪声占10% total_score sharpness_score contrast_score brightness_score noise_score self.analysis_results[quality_score] total_score return total_score def generate_recommendations(self): 生成改进建议 recommendations [] sharpness self.analysis_results.get(sharpness, 0) contrast self.analysis_results.get(contrast, 0) brightness self.analysis_results.get(brightness, 0) noise self.analysis_results.get(noise_level, 0) if sharpness 500: recommendations.append(图像清晰度较低建议使用图像锐化处理) if contrast 40: recommendations.append(图像对比度不足建议调整对比度) if abs(brightness - 128) 30: recommendations.append(图像亮度需要调整) if noise 20: recommendations.append(图像噪声较大建议使用降噪滤波) self.analysis_results[recommendations] recommendations return recommendations def analyze_complete(self): 执行完整分析 self.analyze_basic_info() self.calculate_sharpness() self.calculate_contrast() self.calculate_brightness() self.detect_noise() self.generate_quality_score() self.generate_recommendations() return self.analysis_results def visualize_analysis(self): 可视化分析结果 analysis self.analyze_complete() plt.figure(figsize(15, 10)) # 显示原图 plt.subplot(2, 3, 1) img_rgb cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2RGB) plt.imshow(img_rgb) plt.title(原图) plt.axis(off) # 显示质量指标 plt.subplot(2, 3, 2) metrics_data { 清晰度: analysis[sharpness], 对比度: analysis[contrast], 亮度: analysis[brightness], 噪声: analysis[noise_level] } plt.bar(metrics_data.keys(), metrics_data.values()) plt.title(质量指标) plt.xticks(rotation45) # 显示质量评分 plt.subplot(2, 3, 3) score analysis[quality_score] plt.pie([score, 100-score], labels[当前评分, 剩余], autopct%1.1f%%) plt.title(f质量评分: {score:.1f}/100) # 显示建议 plt.subplot(2, 3, 4) recommendations analysis[recommendations] if recommendations: text \n.join([f• {rec} for rec in recommendations]) else: text 图像质量良好无需改进 plt.text(0.1, 0.5, text, fontsize12, transformplt.gca().transAxes) plt.title(改进建议) plt.axis(off) # 显示基本信息 plt.subplot(2, 3, 5) basic_info analysis[basic_info] info_text f尺寸: {basic_info[file_size]} 模式: {basic_info[image_mode]} 格式: {basic_info[file_format]} 内存: {basic_info[memory_usage]} plt.text(0.1, 0.5, info_text, fontsize12, transformplt.gca().transAxes) plt.title(基本信息) plt.axis(off) plt.tight_layout() plt.show() # 使用示例 analyzer ImageQualityAnalyzer(image.jpg) results analyzer.analyze_complete() analyzer.visualize_analysis() print(分析结果:) for key, value in results.items(): print(f{key}: {value})8.3 系统功能扩展在实际项目中可以进一步扩展系统功能class AdvancedImageQualityAnalyzer(ImageQualityAnalyzer): def __init__(self, image_path): super().__init__(image_path) def calculate_histogram_features(self): 计算直方图特征 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) hist cv2.calcHist([gray], [0], None, [256], [0, 256]) # 计算直方图统计特征 hist_features { entropy: -np.sum(hist * np.log2(hist 1e-10)), # 信息熵 skewness: np.sum((np.arange(256) - gray.mean())**3 * hist.flatten()) / (gray.std()**3 * len(gray.flatten())), # 偏度 kurtosis: np.sum((np.arange(256) - gray.mean())**4 * hist.flatten()) / (gray.std()**4 * len(gray.flatten())) - 3 # 峰度 } self.analysis_results[histogram_features] hist_features return hist_features def detect_blur_region(self): 检测模糊区域 gray cv2.cvtColor(self.img_cv, cv2.COLOR_BGR2GRAY) # 使用滑动窗口计算局部清晰度 window_size 30 step_size 15 blur_map np.zeros(gray.shape) for y in range(0, gray.shape[0] - window_size, step_size): for x in range(0, gray.shape[1] - window_size, step_size): window gray[y:ywindow_size, x:xwindow_size] local_sharpness cv2.Laplacian(window, cv2.CV_64F).var() blur_map[y:ywindow_size, x:xwindow_size] local_sharpness self.analysis_results[blur_map] blur_map return blur_map def generate_enhanced_image(self): 生成增强后的图像 # 自动对比度增强 enhanced_img self.img_cv.copy() # 对比度拉伸 lab cv2.cvtColor(enhanced_img, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) clahe cv2.createCLAHE(clipLimit3.0, tileGridSize(8, 8)) l clahe.apply(l) enhanced_lab cv2.merge([l, a, b]) enhanced_img cv2.cvtColor(enhanced_lab, cv2.COLOR_LAB2BGR) # 锐化处理 kernel np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]]) enhanced_img cv2.filter2D(enhanced_img, -1, kernel) self.analysis_results[enhanced_image] enhanced_img return enhanced_img # 使用高级分析器 advanced_analyzer AdvancedImageQualityAnalyzer(image.jpg) advanced_analyzer.analyze_complete() advanced_analyzer.calculate_histogram_features() advanced_analyzer.detect_blur_region() enhanced_img advanced_analyzer.generate_enhanced_image() # 显示对比结果 plt.figure(figsize(15, 5)) plt.subplot(1, 3, 1) plt.imshow(cv2.cvtColor(advanced_analyzer.img_cv, cv2.COLOR_BGR2RGB)) plt.title(原图) plt.axis(off) plt.subplot(1, 3, 2) blur_map advanced_analyzer.analysis_results[blur_map] plt.imshow(blur_map, cmaphot) plt.title(模糊区域检测) plt.axis(off) plt.subplot(1, 3, 3) plt.imshow(cv2.cvtColor(enhanced_img, cv2.COLOR_BGR2RGB)) plt.title(增强后图像) plt.axis(off) plt.tight_layout() plt.show()9. 常见问题与解决方案9.1 图像读取与格式问题问题1图像读取失败或显示异常原因文件路径错误、文件损坏、格式不支持解决方案检查文件路径、验证文件完整性、使用PIL的Image.open()尝试不同格式def safe_image_read(image_path): 安全读取图像处理各种异常情况 try: # 尝试使用PIL读取 img_pil Image.open(image_path) img_pil.verify() # 验证文件完整性 # 重新打开文件verify会关闭文件 img_pil Image.open(image_path) # 转换为OpenCV格式 img_cv cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR) return img_cv, img_pil except Exception as e: print(f图像读取失败: {e}) return None, None # 使用示例 img_cv, img_pil safe_image_read(problematic_image.jpg) if img_cv is not None: print(图像读取成功) else: print(请检查文件路径和格式)问题2内存不足处理大图像原因高分辨率图像占用大量内存解决方案使用缩略图或分块处理def process_large_image(image_path, max_size2000): 处理大图像避免内存溢出 img_pil Image.open(image_path) # 如果图像太大先进行缩放 if max(img_pil.size) max_size: scale_factor max_size / max(img_pil.size) new_size (int(img_pil.size[0] * scale_factor), int(img_pil.size[1] * scale_factor)) img_pil img_pil.resize(new_size, Image.Resampling.LANCZOS) # 分块处理示例计算平均亮度 block_size 100 width, height img_pil.size total_brightness 0 block_count 0 for y in range(0, height, block_size): for x in range(0, width, block_size): block img_pil.crop((x, y, min(xblock_size, width), min(yblock_size, height))) block_array np.array(block.convert(L)) # 转换为灰度 total_brightness np.mean(block_array) block_count 1 average_brightness total_brightness / block_count print(f图像平均亮度: {average_brightness:.2f}) return img_pil9.2 算法参数调优问题问题边缘检测或分割效果不理想原因参数设置不适合当前图像解决方案自适应参数调整def adaptive_canny_edge_detection(image_path): 自适应Canny边缘检测参数 img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自动计算阈值 median_intensity np.median(gray) lower_threshold int(max(0, 0.7 * median_intensity)) upper_threshold int(min(255, 1.3 * median_intensity)) edges cv2.Canny(gray, lower_threshold, upper_threshold) print(f