图像处理的基本方法
在日常生活中，我们经常用手机拍照片、修图发朋友圈，或者处理工作中的图表和截图。这些操作背后其实都离不开图像处理技术。哪怕只是简单地调个亮度、裁剪一下画面，都是图像处理的一部分。
图像处理的基本方法可以分为几大类，每一类都有其特定的用途和实现方式。
1. 图像增强
图像增强是为了让图片看起来更清晰、细节更明显。比如你在昏暗环境下拍的照片发灰发暗，通过调整对比度、亮度或锐化边缘，就能让画面变得更有层次感。
常见的增强方法包括直方图均衡化，它能自动拉伸像素分布，使整体亮度更均匀。这类操作在手机相册的“自动优化”功能里很常见。
2. 图像滤波
滤波是用来去除噪声或模糊/锐化图像的技术。比如你拍了一张夜景照，画面里有大量噪点，这时候可以用高斯滤波来平滑图像，减少杂色。
反过来，如果你想突出边缘，比如识别文字轮廓，可以用拉普拉斯算子这类锐化滤波器。
一个简单的均值滤波代码示例如下：
import cv2
img = cv2.imread("photo.jpg")
blurred = cv2.blur(img, (5, 5))
cv2.imshow("Blurred", blurred)
cv2.waitKey(0)3. 几何变换
这是对图像进行旋转、缩放、平移或透视矫正的操作。比如你扫描了一份文档，但拍歪了，系统会自动检测边框并进行透视变换，把它变成标准矩形。
再比如做拼图时，需要把几张照片无缝拼接，就得用到图像配准和仿射变换。
4. 边缘检测与分割
边缘检测是找出图像中物体边界的关键步骤。Canny 算法是最常用的边缘检测方法之一，它能精准地标出线条变化剧烈的地方。
图像分割则更进一步，比如人像抠图，就是把人物从背景中分离出来。这在美颜相机和视频会议背景虚化中广泛应用。
Canny 边缘检测的代码片段：
edges = cv2.Canny(img, 100, 200)
cv2.imshow("Edges", edges)
cv2.waitKey(0)5. 颜色空间转换
很多处理不在 RGB 空间进行。比如你想根据颜色筛选物体，转成 HSV 空间更容易操作。因为在 HSV 中，颜色（H）、饱和度（S）、明度（V）是分开的，调整起来更直观。
比如识别交通标志中的红色区域，直接在 H 通道设定阈值就行，不用同时处理 R、G、B 三个通道。
6. 形态学操作
主要用于二值图像，比如膨胀、腐蚀、开运算、闭运算。这些听起来抽象，其实作用很实在。比如识别文字时，字符粘连或断裂，可以通过膨胀连接断点，再用腐蚀恢复原样。
超市扫码枪读条形码，背后就有形态学处理在帮忙清理图像。
这些基本方法常常组合使用。比如先灰度化，再高斯去噪，接着用 Canny 找边缘，最后做霍夫变换检测直线——这一套流程在车道线识别中非常典型。
掌握这些基础，不管是写脚本批量处理图片，还是开发视觉应用，都能打下扎实的底子。工具不一定要多高级，OpenCV 加上一点 Python 就足够入门了。