OpenCv入门笔记(2)

图像阈值：

ret, dst = cv2.threshold(src, thresh, maxval, type)

代码中存在四个参数：src,dst,thresh,maxval

src： 输入图，只能输入单通道图像，通常来说为灰度图
dst： 输出图
thresh： 阈值，不是百分比类型，阈值是一个实际的值，比如说比较常见的127（因为像素点的取值范围是从0～255，经常以127作为判断值）
maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：怎样去判断阈值、判断阈值后怎么处理都由type这个参数来决定

二值化操作的类型，包含以下5种类型：
（1）cv2.THRESH_BINARY
超过阈值部分取maxval（最大值），否则取0
例如像素值超过127时，取255
（2）cv2.THRESH_BINARY_INV THRESH_BINARY的反转
此时像素值超过127时，取0
（3）cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
相当于做了一个截断，当像素点超过127时，等于127
（4）cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
像素值大于127时，也就是亮的部分保持不变，小于127的部分变成0，即变成黑色
（5）cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转
是前一种的翻转
效果图如下：

代码：
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

titles = [‘Original Image’, ‘BINARY’, ‘BINARY_INV’, ‘TRUNC’, ‘TOZERO’, ‘TOZERO_INV’]
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images[i], ‘gray’)
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()

图像平滑处理：

读入一张图片：
img = cv2.imread('lenaNoise.png')`` cv2.imshow('img',img) cv2.waitKey(0) cv2.destropAllWindows()

可以看出这个图片中有很多噪音点，我们想通过一些平滑处理操作来去掉这些噪音点。

接下来我们介绍几种不同的滤波操作：
1.均值滤波：

blur = cv2.blur(img, (3, 3))
cv2.imshow(‘blur’,blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

观察黄色区域，对中间的数值204进行均值滤波处理，我们可以猜到，这个处理肯定也是跟周围几个数据相关的，顾名思义，均值滤波就是对黄色区域的9个数相加再取均值。
也可以把均值滤波当成一个简单的平均卷积操作。

这是经过均值滤波操作之后得到的图像，相比于原图像来说噪音略有减少。

2.方框滤波：
box1 = cv2.boxFilter(img,-1,(3,3), normalize=True)
cv2.imshow(‘box’,box)
cv2.waitKey(0)
cv2.destroyAllWindows()
normalize=True时基本和均值滤波效果一样，可以选择归一化，效果图也是这样

box2 = cv2.boxFilter(img,-1,(3,3), normalize=False)
cv2.imshow(‘blur’,blur)cv2.waitKey(0)cv2.destroy AllWindows()
normalize=False时基本和均值一样，可以选择归一化，容易越界，当像素值想加超过255，也就是越界时，均取值255，此时图片上的像素点显示为白色，如图：

3.高斯滤波：
aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow(‘aussian’,aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

相当于对各个像素点所占的权值改变，中间的值相对更重要，边缘值所占权重小一些，图片效果如下，噪音点相对又少了一些：

4.中值滤波：
将所选区域的所有像素点从小到大排列 然后取中间值，黄色区域的中值是113，相当于用中值代替。
median = cv2.medianBlur(img, 5) res = np.hstack((blur,aussian,median)) cv2.imshow(‘aussian’,aussian)cv2.waitKey(0)cv2.destroyAllWindows()

相比之下，中值滤波的处理效果最好，噪音点去除效果最好。

5.展示所有的（均值滤波、高斯滤波、中值滤波）
res=np.hstack((blur, aussian, median))
print(res)
cv2.imshow(‘median vs average’,)
cv2.waitKey(0)
cv2.destroyAllWindows()

若代码第一行改为
res=np.vstack((blur, aussian, median))则所显示效果图是竖着的。

形态学-腐蚀操作
通常情况下，我们一般拿一个二值的数据来进行腐蚀操作，例如黑色背景，白色前景，像素值为255和0。
代码：
pie = cv2.imread(‘pie.png’)
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res=np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow(‘res’, res)
cv2.waitKey(0)
cv2.destroyAllWindows()
**例1：**进行一次腐蚀操作后，图片中的毛刺儿消失了，并且线条也变细了一些。

**例2：**左边白色区域边缘的点被腐蚀掉，当进行三次腐蚀后得到右边图片。

形态学-膨胀操作
腐蚀操作的逆操作（越来越大的过程）
pie = cv2.imread(‘pie.png’)
kernel = np.ones((30,30),np.uint8) dilate_1 = cv2.dilate(pie,kernel,iterations = 1)dilate_2 = cv2.dilate(pie,kernel,iterations = 2)dilate_3 = cv2.dilate(pie,kernel,iterations = 3)res = np.hstack((dilate_1,dilate_2,dilate_3))cv2.imshow(‘res’, res)cv2.waitKey(0)cv2.destroyAllWindows()

**例1：**在进行膨胀操作的过程中，线条又恢复到了粗的状态。

**例2：**白色区域边缘的点被框到，然后逐渐膨胀，从左到右分别是膨胀一到三次的结果图。

开运算与闭运算
开运算与闭运算听起来很复杂，实际上就是把腐蚀和膨胀总结在了一起,连续进行两个

开运算：先腐蚀，再膨胀
img = cv2.imread(‘dige.png’)

kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
#上一行中的OPEN决定了开运算

cv2.imshow(‘opening’, opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

闭运算：先膨胀，再腐蚀
img = cv2.imread(‘dige.png’)

kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
#上一行中的CLOSE决定了闭运算

cv2.imshow(‘closing’, closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算和闭运算中腐蚀和膨胀的顺序不同会导致结果也不同。
例如针对我们上边“迪哥”那张图，先腐蚀再膨胀毛刺在腐蚀中消失了，在膨胀中不会再次出现；而先膨胀再腐蚀的操作中，毛刺在膨胀中变粗，再腐蚀时就不会再消失了。

梯度运算：
膨胀完会变大一圈，腐蚀完会变小一圈，若想要得到一些边界信息或轮廓信息，可执行一些减法操作，即：梯度=膨胀-腐蚀
代码：
pie = cv2.imread(‘pie.png’)
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)

res = np.hstack((dilate,erosion))

cv2.imshow(‘res’, res)
cv2.waitKey(0)
cv2.destroyAllWindows()

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

cv2.imshow(‘gradient’, gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码执行之后我们可以得到上面轮廓的效果图，得到了边界信息，也就是完成了梯度运算。

礼帽与黑帽

•礼帽 = 原始输入-开运算结果（开运算是先腐蚀再膨胀，只是少了一些刺，该减法的结果就是那些刺）
#礼帽
img = cv2.imread(‘dige.png’)tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)cv2.imshow(‘tophat’, tophat)cv2.waitKey(0)cv2.destroyAllWindows()

•黑帽 = 闭运算-原始输入（闭运算是先膨胀再腐蚀，是有刺儿的，原始输入也是有刺儿的，刺和刺一减就没了，只剩下了一个轮廓）

#黑帽
img = cv2.imread(‘dige.png’)blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)cv2.imshow('blackhat ', blackhat )cv2.waitKey(0)cv2.destroyAllWindows()