对标签图片进行处理，是标签文字以或黑或白的形式清楚显示，使之后的识别更加明确。

要求：对标签图片进行处理，是标签文字以或黑或白的形式清楚显示，使之后的识别更加明确。（可自行放一张图片进行操作）

img = cv2.GaussianBlur(img, (5, 5), 0)
# 将图形进行二值化，用于后面的自适应阈值二值化

上述代码用于高斯滤波，没有此运用函数，得到的图形将有明显的噪声，白色中具有较多的黑点。

dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, \
                                cv2.THRESH_BINARY, 11, 2)

上诉代码是自适应阈值化，此函数第一个参数是灰度的原图，第二个参数是最大阈值，第三个参数是阈值计算方法，第四个参数是二值化的计算方法，第五个参数是图片中分块的大小，第六个参数是阈值计算方法中的常数项
将图形进行自适应阈值化

完整代码：

# 使用一个1*1的卷积核
kernel = np.ones((1, 1), np.uint8)
# 腐蚀操作
dst = cv2.dilate(dst, kernel, iterations=-1)
cv2.imshow('old', dst)
# 膨胀操作
dst = cv2.erode(dst, kernel, iterations=1)
cv2.imshow('new', dst)

上述代码是将图形进行腐蚀和膨胀操作，第一个参数是原图，第二个参数是卷积和，第三个参数是迭代为1.

import cv2
import numpy as np

img = cv2.imread('tiaoxingma.jpg')
# 高斯滤波，消除噪音
img = cv2.GaussianBlur(img, (5, 5), 0)
# 将图形进行二值化，用于后面的自适应阈值二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.namedWindow('old', cv2.WINDOW_NORMAL)
cv2.namedWindow('new', cv2.WINDOW_NORMAL)
# 自适应阈值二值化
dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, \
                                cv2.THRESH_BINARY, 11, 2)

# 使用一个1*1的卷积核
kernel = np.ones((1, 1), np.uint8)
# 腐蚀操作
dst = cv2.dilate(dst, kernel, iterations=-1)
cv2.imshow('old', dst)
# 膨胀操作
dst = cv2.erode(dst, kernel, iterations=1)
cv2.imshow('new', dst)

cv2.imshow('new', dst)
c = cv2.waitKey(0)