opencv图像处理：图像预处理

转灰度图

1. 取b通道（人眼对波长为550nm左右的黄绿色最为敏感）
2. 取b/g/r的平均值gray=(b+g+r)/3，小心数据溢出
3. gray=r*0.299 + g*0.587 + b*0.114，浮点运算比较慢，为了加快速度可以用近似值gray=(r*3 + g*6 + b*1)/10
4. cv2.cvtColor

改变亮度

1. 线性：y=ax+b
2. 分段线性

改变对比度

1. 直方图均衡化

去掉背景

1. 同一场景两幅图像相减

局部图像

1. 二值蒙板与原图相乘

图像大小

1. 上采样：cv2.pyrUp
2. 下采样：cv2.pyrDown

边界填充

cv2.copyMakeBorder

平滑处理

1. 均值滤波：cv2.blur
2. 方波滤波：cv2.boxFilter

降噪

1. 中值滤波：cv2.medianBlur
2. 高斯滤波：cv2.GaussianBlur
3. 双边滤波：cv2.bilateralFilter
4. 去除“叠加性”随机噪音(同一场景的多个图像相加再求平均值）

直方图

横坐标：0-255个灰度等级
纵坐标：灰度值个数
cv2.calcHist(image, 通道, 掩膜（统计哪一部分)，指定灰度级（把x轴的255分为几份）， 像素取值范围）

直方图均衡化

1. 用来解决灰度值分布不均衡
2. 概率：个数/总数
3. 累计概率：概率相加
4. 函数映射后得到新灰度值：累积概率*255

自适应均衡化

把图像分块，再对每一块均衡化
clahe = cv2.createCLAHE()
clahe.apply(img)
equalizeHist() 正价对比度

傅里叶变换

1. 时域：以时间为参照
2. 频域：频率
3. 高频：变化剧烈的灰度分量，比如边界
4. 低频：变化缓慢的灰度分量
5. 低通滤波器：只保留低频，去掉了高频使图像模糊
6. 高通滤波器：只保留高频，保留细节
7. 傅里叶变换