Opencv（下）
图像阈值化处理
[0,255]
<=127的转化为0 >=127转化为1
ret,dst = cv2.threshold（src,thresh,maxval，type）
src：源图像（需要阈值化处理的图像）
maxval：当像素超过了阈值，（小于阈值）所赋予的值，否则取0
ret：阈值返回值（阈值设定的是多少）
dst：输出的图像
type: (1) cv2.THRESH_BINARY：当像素点大于阈值时，取指定的255，小于等于阈值时，取0
（2）cv2.THRESH_BINARY_INV：当像素点大于阈值时，取指定的0，小于等于阈值时，取255
注意事项：当阈值处理彩色图像时，出现粉色等颜色的原因在于BGR三通道的叠加
（3）cv2.THRESH_TRUNC：超过阈值则取阈值，低于阈值，则取自身
（4）cv2.THRESH_TOZERO：超过阈值不变，低于阈值取0
（5）cv2.THRESH_TOZERO_INV:超过阈值变为0，低于阈值不变
import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
ret,img1 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
cv2.imshow('img',img1)
cv2.waitKey(0)
均值滤波
cv2.blur（src，k）
src：源图像
kernel：大小（选择多大的矩阵进行移动） 【3*3】最常见
import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.blur(img,(3,3))
cv2.imshow('img',new_img)
cv2.waitKey(0)
方框滤波
cv2.boxFilter（src，depth）
src：源图像
depth：图像的深度，填-1，表示与源图像深度相同。
ksize：核大小（3*3）or（5 * 5）
normalize：是否进行归一化
0：false （求和，像素点溢出，取255）
1： True （求均值，与均值滤波相同）
import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.boxFilter(img,-1,(2,2))
cv2.imshow('img',new_img)
cv2.waitKey(0)
高斯滤波
考虑了权重的问题
cv2.GaussianBlur（src，ksize）
src：源图像
ksize：（3*3） （5 *5） 在高斯滤波中必须为奇数
sigmaX，sigmaY：高斯核函数在X或Y方向上的标准偏差【控制权重】
sigmaX = 0, sigmaX = 0.3*（（ksize-1） *0.5-1）+0.8
import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.GaussianBlur(img,(5,5),0)
cv2.imshow('img',new_img)
cv2.waitKey(0)
中值滤波
cv2.medianBlur（src，ksize）
src：源图像
ksize：核大小 只能传递Int
import cv2
path = r'./pic.jpg'
img = cv2.imread(path,1)
new_img = cv2.medianBlur(img,3)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的腐蚀
1、形态学转化主要针对于二值图像（黑白图像（非0即1））
2、卷积核
cv2.erode（src，kernel，iterations）
src：源图像
kernel：卷积核 （3*3）
iterations：迭代次数
import cv2
import numpy as np
path = r'./2.png'
img = cv2.imread(path,1)
kernal = np.ones((3,3),np.uint8)
new_img = cv2.erode(img,kernal,iterations=5)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的膨胀
图像腐蚀的逆操作
cv2.dilate（src，kernel，iterations）
src：源图像
kernel：卷积核 （3*3）
iterations：迭代次数
import cv2
import numpy as np
path = r'./3.png'
img = cv2.imread(path,1)
kernal = np.ones((3,3),np.uint8)
new_img = cv2.dilate(img,kernal,iterations=5)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的开运算
腐蚀：去除图片的噪声
膨胀：恢复原来的图片（没有噪声的）
开运算：腐蚀–》膨胀
cv2.morphologyEx（src，cv2.MORPH_OPEN，ksize）
src：源图像
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
ksize：卷积核的大小（表示腐蚀及膨胀的大小）
import cv2
import numpy as np
path = r'./2.png'
img = cv2.imread(path,1)
kernal = np.ones((7,7),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的闭运算
闭运算：就是先膨胀->再腐蚀
实质：还是为了去除噪声
cv2.morphologyEx（src，cv2.MORPH_CLOSE，ksize）
src：源图像
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
ksize：卷积核的大小（表示腐蚀及膨胀的大小）
import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((7,7),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的梯度
目的：主要为了提取目标图像的轮廓
cv2.morphologyEx（src，cv2.MORPH_GRADIENT，k)
src：源图像
cv2.MORPH_GRADIENT:进行梯度运算（膨胀-腐蚀）
k：卷积核
import cv2
import numpy as np
path = r'./1.png'
img = cv2.imread(path,1)
# #膨胀操作
kernal = np.ones((3,3),np.uint8)
# img1 = cv2.dilate(img,kernal,iterations=5)
# #腐蚀操作
# img2 = cv2.erode(img,kernal,iterations=5)
# new_img = img1 - img2
new_img = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的礼帽操作
目的：为了提取图像中的噪声
本质：原始图像 - 开运算之后的图像
cv2.morphologyEx（src，cv2.MORPH_TOPHAT，k)
src：源图像
cv2.MORPH_TOPHAT:进行礼帽操作
k：卷积核
import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((5,5),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)
图像的黑帽操作
目的：为了提取图像中的噪声
本质：闭运算 - 原始图像
cv2.morphologyEx（src，cv2.MORPH_BLACKHAT，k)
src：源图像
cv2.MORPH_BLACKHAT:进行黑帽操作
k：卷积核
import cv2
import numpy as np
path = r'./close.png'
img = cv2.imread(path,1)
kernal = np.ones((5,5),np.uint8)
new_img = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernal)
cv2.imshow('img',new_img)
cv2.waitKey(0)
