图像处理代码分析记录

一：显示

def everything(x):
    pass

Python函数定义，函数名为everythong，它接受一个参数x，但函数体中没有执行任何操作，只有一个pass语句，表示该函数不执行任何操作。当调用这个函数时，它只是简单地返回，不会对输入的参数进行任何处理或产生任何效果。
cv.namedWindow('adjust')
cv.namedWindow是OpenCV库中的一个函数，用于创建一个具有合适名称和大小的窗口，以在屏幕上显示图像和视频。在这个函数中，'adjust'是窗口的名称。

cv.createTrackbar('binary_value', 'adjust', 90, 255, nothing)

cv.createTrackbar()函数用于创建一个滑动条，这个滑动条可以在图像窗口（在此例中为'adjust'）内拖动。这个滑动条可以用来控制一些参数，比如调整阈值等。
以下是对你提供的代码的详细解释：
'binary_value'是滑动条的名称；
'adjust'是窗口的名称，和先前创建的窗口同名；
90是滑动条的初始值；
255是滑动条的最大值，这意味着滑动条的值必须在0（包含）和255（包含）之间；
'nothing'是一个函数，当滑动条的值改变时，它不会被调用。这就是默认情况——当滑动条的值改变时，什么都不会发生。

 如果你想在每次滑动条值改变时将图像转换为二值图像则如下

def nothing(x):  
    img = cv.imread('image.png')  # 读取图像  
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 转换为灰度图像  
    _, binary = cv.threshold(gray, x, 255, cv.THRESH_BINARY)  # 转换为二值图像  
    cv.imshow('binary', binary)  # 显示二值图像  
  cv.createTrackbar('binary_value', 'adjust', 90, 255, nothing)

二：处理

灰度化图像转化：

gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)

二值化图像：

ret, binary = cv.threshold(img, binary_value, 255,cv.THRESH_BINARY_INV) 

注：cv.threshold(src, thresh, maxval, type)

• src：输入图像，通常为灰度图像。
• thresh：阈值，用于比较输入图像的像素值。
• maxval：当像素值超过（或小于，取决于阈值类型）阈值时要赋予的值。
• type：阈值类型，决定如何应用阈值化操作。常见的类型包括 cv.THRESH_BINARY、cv.THRESH_BINARY_INV、cv.THRESH_TRUNC 等

边缘检测：

cannyedge = cv.Canny(image, low_threshold, low_threshold * 3)

处理过程的第一阈值，第二个阈值

高斯滤波：

kernel_size = 3  # 高斯滤波器大小size,奇数
blur = cv.GaussianBlur(image, (kernel_size, kernel_size), 0)

• image：这是你需要进行模糊处理的图像。它应该是一个 Numpy 数组。
• (kernel_size, kernel_size)：这是一个元组，表示高斯核的大小。核的大小必须是奇数，如 (3, 3), (5, 5), (7, 7) 等。核的大小会影响到模糊的程度和图像的平滑度。核越大，模糊效果越强，平滑度越高，但同时也会丢失更多的细节。
• 0：这是高斯核的标准差。标准差越大，模糊效果越强。如果你想让函数自己计算标准差，可以将这个值设为负数，如 cv.GaussianBlur(image, (kernel_size, kernel_size), -1)。在这种情况下，函数会根据核的大小自动计算标准差。

MASK掩模

1. imshape = image.shape：这行代码获取输入图像的形状（尺寸），并将其存储在imshape变量中。
2. vertices = np.array([[(0, imshape[0]), (imshape[1], imshape[0]),(imshape[1], int(imshape[0] * 2 / 3)), (0, int(imshape[0] * 2 / 3))]],dtype=np.int32)：这行代码创建了一个表示四边形区域顶点的数组。这些顶点是根据图像的尺寸计算的，四边形的左上角位于(0, imshape[0])，右下角位于(imshape[1], imshape[0])，另外两个顶点则位于图像的中心线和顶部三分之二处。
3. mask = np.zeros_like(image)：这行代码创建了一个与输入图像尺寸相同但所有值都为0的数组，用作掩膜。
4. if len(image.shape) > 2:：这行代码检查输入图像是否为彩色图像（即，图像的维度是否大于2）。如果是彩色图像，它将获取图像的颜色通道数，否则，它将设置忽略掩码颜色为255（可能是灰度图像）。
5. ignore_mask_color = (255,) * channel_count：如果输入图像是彩色图像，这行代码将设置忽略掩码颜色为白色。白色在RGB颜色空间中表示为(255, 255, 255)。
6. cv.fillPoly(mask, vertices, ignore_mask_color)：这行代码使用OpenCV库的fillPoly函数将计算出的四边形区域填充到掩膜数组中。填充的颜色是之前设定的ignore_mask_color。
7. masked_image = cv.bitwise_and(image, mask)：这行代码使用OpenCV库的bitwise_and函数将原始图像与掩膜进行按位与操作。结果是一个只包含选定区域（ROI）的图像。
8. cv.imshow('ROI image', masked_image) 和 cv.moveWindow('ROI image', 390, 300)：这两行代码使用OpenCV库的imshow函数显示提取的ROI图像，并使用moveWindow函数移动显示窗口到屏幕上的特定位置。
9. return masked_image：最后，该函数返回提取的ROI图像。

图像融合：

 cv.addWeighted(initial_img, alpha, img, beta, lambda_)

• initial_img：初始图像，即融合前的第一幅图像。
• alpha：第一个图像的权重。
• img：第二个图像。
• beta：第二个图像的权重。
• lambda_：加权系数。