opencv入门：阈值处理，自适应阈值处理，Otsu处理，均值/方框/高斯/中值滤波

阈值处理

就是剔除图像内像数值高于或低于一定值的像素点。可以获得一个二值图，有效的实现的前景和背景的分离。。

OpenCV 提供了函数 cv2.threshold()和函数 cv2.adaptiveThreshold()，用于实现阈值处理。

threshold函数

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

• retval 代表返回的阈值
• thresh 设置的阈值
• maxval 代表当type参数为THRESH_BINARY 或者 THRESH_BINARY_INY 类型时，需要设定的最大值
• type 代表阈值分割的类型
  

二值化阈值处理（cv2.THRESH_BINARY）

就是处理成二值图。灰度值大于阈值设为最大值，小于就是0.，，虽然都是灰度图，也可以看看彩图啊。

img=cv2.imread('5.jpg',0)
t,rst=cv2.threshold(img,127,255,cv2.THRESH_BINARY)  # 8位图像最大值就是255，阈值设置为127
cv2.imshow("img",img)
cv2.imshow("rst",rst)
cv2.waitKey()
cv2.destroyAllWindows()

反二值化阈值处理

就是跟上面倒过来。。

img=cv2.imread('5.jpg',0)
t,rst=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
cv2.imshow("img",img)
cv2.imshow("rst",rst)
cv2.waitKey()
cv2.destroyAllWindows()

截断阈值化处理(cv2.THRESH_TRUNC)

将大于阈值的像素设为阈值，小于或等于阈值的不变

img=cv2.imread('5.jpg',0)
t,rst=cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
cv2.imshow("img",img)
cv2.imshow("rst",rst)
cv2.waitKey()
cv2.destroyAllWindows()

超阈值零处理(cv2.THRESH_TOZERO_INV)

大于阈值的像素点设置为0，小于的就不变

低阈值零处理cv2.THRESH_TOZERO

小于等于阈值的像素点设置为0，大于的不变，，这个好看欸。。

自适应阈值处理

对于色彩均匀的图像，一个阈值就可以完成。但是色彩不均匀，只有一个阈值无法清晰有效的得到阈值分割后的图像

自适应阈值处理可以使用变换的阈值。它通过计算每个像素点周围邻近区域的加权平均值获得阈值，然后处理。这个方式可以更好的处理明暗差异较大的图像。。人类就是厉害。。

dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C )

• src 处理的图像，注意必须时8位单通道的图像，，啊
• maxValue 最大值
• adaptiveMethod 自适应方法，见下
• thresholdType 阈值处理方法，必须是二值化阈值处理或反二值化阈值处理。。
• blockSize 块大小，计算阈值时使用的大小，通常3，5，7…

自适应阈值等于每个像素由参数 blockSize 所指定邻域的加权平均值减去常量 C，自适应方法不同计算方式也不同。

• cv2.ADAPTIVE_THRESH_MEAN_C：邻域所有像素点的权重值是一致的。
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通
  过高斯方程得到各个点的权重值。

img=cv2.imread("5.jpg",0)
t1,thd=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
athdMEAN=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,3)
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow("img",img)
cv2.imshow("thd",thd)
cv2.imshow("athdMEAN",athdMEAN)
cv2.imshow("athdGAUS",athdGAUS)
cv2.waitKey()
cv2.destroyAllWindows()

可以看到，自适应阈值处理保留了更多的细节。。。感觉 athdMEAN 轮廓提取的挺好的。

Otsu处理

使用 cv2.threshold() 处理时，一般处理的时色彩均匀的，阈值设置为127就比较合适。但是当灰度级分别不均匀，阈值设置为127就会失败。比如一个图的像数值全是126.。。一处理全是0.。。

Otsu 方法可以根据当前图像给出最佳的分割阈值，就是他会历遍所有阈值，然后找出最佳。cv2.threshold()中对参数 type 给个cv2.THRESH_OTSU 就可以了。需要注意，使用Otsu 方法时，阈值设置为0.并且会返回计算得到的最佳阈值（普通的就返回设定的阈值）。

img = np.zeros((5,5),dtype=np.uint8)
img[0:6,0:6]=123
img[2:6,2:6]=126
print("img=\n",img)
t1,thd=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
print("thd=\n",thd)
t2,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print("otsu=\n",otsu)
img=
 [[123 123 123 123 123]
 [123 123 123 123 123]
 [123 123 126 126 126]
 [123 123 126 126 126]
 [123 123 126 126 126]]
thd=
 [[0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]
otsu=
 [[  0   0   0   0   0]
 [  0   0   0   0   0]
 [  0   0 255 255 255]
 [  0   0 255 255 255]
 [  0   0 255 255 255]]

图像平滑处理

保留图像原有信息，过滤掉图像内部的噪声，这就是平滑处理。平滑处理会对图像中与周围像素点差异较大的像素点进行处理，调整为近似值。平滑处理通常伴随着图像模糊。我们使用均值滤波，方框滤波，高斯滤波，中值滤波，双边滤波， 2D 卷积（自定义滤波），

图像滤波时图像处理和计算机视觉中最常用最基本的操作。。芜湖。图像滤波允许在图像上进行各种操作。有时也把图像平滑处理称为图像滤波，图像模糊处理啥的。。

均值滤波

是指使用像素点周围N X N 个像素值的均值来替换当前像数值。使用这个方法遍历处理图像每个点就可以完成均值滤波。如果N越大，参与运算的像素点越多，图像失真越严重。
dst = cv2.blur( src, ksize, anchor, borderType )

• src原图像，可以是任意通道，并能对各个通道独立处理。
• ksize 滤波核的大小，就是邻域图像的高度和宽度，(5,5) 就是 5X5 大小做均值。
• anchor 锚点，默认(-1,-1) ,表示当前计算均值的点位与核的中心位置。特殊情况下可以指定别的点
• borderType 边界样式，决定了如何处理边界，一般用默认就行。

归一化的卷积核，，别不认识。。。M,N 表示邻域的行列大小。意会意会。。

• 

o=cv2.imread("5.jpg")
r=cv2.blur(o,(5,5)) 
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

模糊的有点大。。。。

方框滤波

这个不会计算像素平均值，这个可以自由旋转是否对均值滤波的结果归一化，就是可以选择滤波结果时领域像素值之和的凭自己，还是领域像素值之和。。。

dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )

• ddepth 时处理结果图像的图像深度，一般使用-1 与原图相同
• normalize 是否归一化，1 表示用均值，0表示用邻域像素值之和。默认1跟均值滤波一样。

o=cv2.imread("5.jpg")
r=cv2.boxFilter(o,-1,(2,2),normalize=0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

啥也看不到了。。。

高斯滤波

均值和方波滤波，邻域每个像素的权重都是相等的，高斯滤波中，中心点权重加大，各个像素有不同的权重。

卷积核的值不再都是1，dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )

• ksize 滤波核，需要注意这要是奇数
• sigmaX 卷积核在水平方向上 X轴方向 的标准差，控制的时权重比例。
• sigmaY 垂直方向Y 轴方向的标准差，，如果值为0，就采用sigmaX 的值。如果这两个都是0，通过ksize.wise ksize.height 计算得到。
• sigmaX = 0.3×[(ksize.width-1)×0.5-1] + 0.8， sigmaY = 0.3×[(ksize.height-1)×0.5-1] + 0.8

sigmaX 是必选的，但是可以设置为0，让函数自己去算。

o=cv2.imread("5.jpg")
r=cv2.GaussianBlur(o,(5,5),0,0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()            # 反正就是模糊，，PS里不就常用高斯模糊嘛。。。

中值滤波

这个不用加权求均值的方法了，使用所有像素的中间值来替代

dst = cv2.medianBlur( src, ksize)

o=cv2.imread("image\\lenaNoise.png")
r=cv2.medianBlur(o,3)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

中值滤波不存在均值滤波等方式带来的细节模糊问题，可以几乎不影响原图的情况下去除噪声，但运算量大。