4. OpenCV 基础操作：图像的读取、显示、保存与多帧序列预处理

好，咱们正式开始动手了。这一章我把它叫做「地基工程」——说白了，就是让你先把 OpenCV 这把刀磨利索。很多初学者一上来就调降噪参数、试各种滤波器，结果图像都读不对，折腾半天白费劲。我个人习惯是，不管项目多急，先把 I/O 流程跑通，再谈算法。

4.1 图像的读取：imread 的隐藏细节

OpenCV 读取图像用 cv2.imread()，这个函数大家都会用。但你真的用对了吗？

import cv2

# 默认以彩色模式读取
img = cv2.imread('noisy_frame_001.png')

# 以灰度模式读取
img_gray = cv2.imread('noisy_frame_001.png', cv2.IMREAD_GRAYSCALE)

# 保留原图通道（含Alpha通道）
img_unchanged = cv2.imread('noisy_frame_001.png', cv2.IMREAD_UNCHANGED)

这里有个坑，我踩过好几次——OpenCV 默认读取的是 BGR 顺序，不是 RGB。你想想看，如果你用 matplotlib 直接显示，颜色就全乱了。我在项目中遇到过一位同事，调了一下午的颜色增强，结果发现是通道顺序搞反了。

4.2 图像的显示与保存

显示图像用 cv2.imshow()，保存用 cv2.imwrite()。看起来简单，但有几个细节值得注意。

# 显示图像
cv2.imshow('Noisy Frame', img)
key = cv2.waitKey(0)  # 等待按键
if key == ord('s'):   # 按 's' 键保存
    cv2.imwrite('saved_frame.png', img)
cv2.destroyAllWindows()

4.3 多帧序列的加载策略

咱们做多帧合成降噪，核心就是处理一堆连续拍摄的帧。我一般用两种方式组织这些帧：

1. 文件夹序列：帧按编号命名，如 frame_001.png、frame_002.png……
2. 视频文件：直接读取视频流，逐帧提取

我个人更推荐第一种——调试方便，哪一帧有问题直接看文件。来看看代码怎么写：

import os
import cv2
import numpy as np

def load_frame_sequence(folder_path, start=1, end=10, ext='.png'):
    """
    从文件夹加载多帧序列
    """
    frames = []
    for i in range(start, end + 1):
        filename = f"frame_{i:03d}{ext}"  # 如 frame_001.png
        filepath = os.path.join(folder_path, filename)
        
        if not os.path.exists(filepath):
            print(f"[警告] 文件不存在: {filepath}")
            continue
            
        frame = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
        if frame is None:
            print(f"[错误] 读取失败: {filepath}")
            continue
            
        frames.append(frame)
    
    return np.array(frames)  # 形状: (帧数, 高, 宽)

4.4 预处理：对齐与裁剪

多帧序列加载进来之后，不能直接做合成。为什么？因为手持拍摄时，帧与帧之间会有微小的偏移。我做过一个测试，手持手机拍摄 10 帧，最大偏移能达到 3-5 个像素。如果不做对齐，合成结果就是模糊的。

预处理流程我总结为三步：

• 第一步：灰度转换——对齐算法在灰度图上跑更快
• 第二步：帧间配准——用相位相关或特征匹配计算偏移量
• 第三步：裁剪边缘——对齐后边缘会出现黑边，统一裁剪掉

def preprocess_frames(frames, crop_border=10):
    """
    简单的帧间对齐 + 边缘裁剪
    """
    # 以第一帧为参考
    ref = frames[0]
    aligned = [ref]
    
    for i in range(1, len(frames)):
        # 使用相位相关计算偏移
        shift = cv2.phaseCorrelate(
            np.float32(ref), 
            np.float32(frames[i])
        )[0]
        
        # 构建仿射变换矩阵（仅平移）
        tx, ty = round(shift[0]), round(shift[1])
        M = np.float32([[1, 0, tx], [0, 1, ty]])
        
        # 应用变换
        aligned_frame = cv2.warpAffine(
            frames[i], M, 
            (ref.shape[1], ref.shape[0]),
            borderMode=cv2.BORDER_REPLICATE
        )
        aligned.append(aligned_frame)
    
    # 裁剪边缘，去掉对齐产生的无效区域
    aligned = np.array(aligned)
    if crop_border > 0:
        aligned = aligned[:, 
                         crop_border:-crop_border, 
                         crop_border:-crop_border]
    
    return aligned

4.5 本章知识体系

下面这张图把本章的核心流程串起来了，你可以把它当作操作手册：

4.6 完整示例：从加载到预处理

把上面所有步骤串起来，就是一个完整的预处理管线：

def main():
    # 1. 加载多帧序列
    print("[INFO] 加载帧序列...")
    frames = load_frame_sequence('noisy_frames/', start=1, end=10)
    print(f"[INFO] 加载完成，形状: {frames.shape}")
    
    # 2. 显示第一帧检查
    cv2.imshow('First Frame', frames[0])
    cv2.waitKey(0)
    
    # 3. 预处理：对齐 + 裁剪
    print("[INFO] 开始帧间对齐...")
    aligned_frames = preprocess_frames(frames, crop_border=15)
    print(f"[INFO] 对齐完成，形状: {aligned_frames.shape}")
    
    # 4. 保存预处理结果（可选）
    np.save('aligned_frames.npy', aligned_frames)
    print("[INFO] 预处理结果已保存")
    
    cv2.destroyAllWindows()

if __name__ == '__main__':
    main()