OpenCV-Python图像处理学习笔记（三）——数值运算、图像阈值、图像平滑（滤波）

本篇学习笔记主要内容在图像的数值运算、图像阈值、图像平滑（滤波）等内容。

获取更多可以查看本栏目其他文章。

 往期内容：

OpenCV-Python图像处理学习笔记（一）——认识、安装、环境测试

OpenCV-Python图像处理学习笔记（二）——图像/视频读取保存、分割及边界填充

OpenCV-Python图像处理学习笔记（三）——数值运算、图像阈值、图像平滑（滤波）

OpenCV-Python图像处理学习笔记（四）——形态学操作、图像梯度
OpenCV-Python图像处理学习笔记（五）——Canny 边缘检测、图像金字塔、轮廓检测（一）

OpenCV-Python图像处理学习笔记（六）——轮廓检测（二）、模板匹配
OpenCV-Python图像处理学习笔记（七）——直方图、图像变换

目录

 1  图像数值运算

1.1  加法运算

1.2  图像融合

 1.3  图像缩放

2  图像阈值操作

 3  图像平滑

3.1  均值滤波

3.2  高斯滤波

3.3  中值滤波

4 小结

---

导入必要Python包

import cv2
import numpy as np
import matplotlib.pyplot as plt

 1  图像数值运算

1.1  加法运算

x = np.array([250])
y = np.array([10])
print(cv2.add(x,y))   # 250+10 = 260 => 255
# [[255]]
print(x+y)   # 250+10 = 260 % 256 = 4
# [4]

两幅图像的大小，类型必须一致，add()方式得到的数值最大为255，直接相加则会取余数。

1.2  图像融合

图像融合本质上也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉。主要涉及到cv2.addWeighted()函数：

图像混合的计算公式如下：

通过修改 α 的值（0 → 1），可以实现非常酷的混合。 现在我们把两幅图混合在一起。第一幅图的权重是 0.7，第二幅图的权重 是 0.3。函数 cv2.addWeighted() 可以按下面的公式对图片进行混合操作。

这里的取值为 0。

img1=cv2.imread('ml.png')
img2=cv2.imread('opencv_logo.jpg')

dst=cv2.addWeighted(img1, 0.7, img2, 0.3, 0)

cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindow()

 1.3  图像缩放

cv2.resize()是图片缩放函数，可以对图像进行任意缩放操作，例如图像的运算操作只能在两幅图像的shape值一致情况下进行，此时可以适用cv2.resize()，涉及两中方式：

方式一：指明缩放尺寸

img = cv.imread("你希望缩放的图片")

# 缩放图像，缩放后尺寸为（400， 300）
dst = cv.resize(img, (400, 300))

cv.imshow('dst', dst)
cv.waitKey(0)
cv.destroyAllWindows()

 方式二：指明缩放比例

# 等比例缩放，图像宽度缩放0.5，高度缩放0.3
dst = cv.resize(img, (0, 0), fx=0.5, fy=0.3)

2  图像阈值操作

阈值操作即当像素值高于阈值时，我们给这个像素赋予一个新值，否则我们给它赋予另外一种颜色。 这里可以适用cv2.threshhold()函数。

img = cv2.imread(path)

# cv2.threshold参数：原图像、阈值下界、阈值上界、阈值类型。
ret, threshold1 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY)
ret, threshold2 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY_INV)
ret, threshold3 = cv2.threshold(img, 100, 205, cv2.THRESH_TRUNC)
ret, threshold4 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO)
ret, threshold5 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
imgs = [img, threshold1, threshold2, threshold3, threshold4, threshold5]

for i in range(6):
    plt.subplot(2, 3, i+1)
    plt.imshow(imgs[i], cmap='gray')
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])

 其中阈值类型有以下几种：

• cv2.THRESH_BINARY     二值阈值化
• cv2.THRESH_BINARY_INV     反向二值阈值化
• cv2.THRESH_TRUNC     截断阈值化
• cv2.THRESH_TOZERO     超过阈值被设置为0
• cv2.THRESH_TOZERO_INV     低于阈值被设置为0

下图可以更加直观的查看 各类阈值方法；

 3  图像平滑

3.1  均值滤波

均值滤波本质是由一个归一化卷积框完成的。用卷积框覆盖区域所有像素的平均值来代替中心元素。可以使用函数 cv2.blur() 和 cv2.boxFilter() 来完成。

下面是一个5x5的归一化卷积框：

blur = cv2.blur(img, (5,5))


# normalize：核矩阵是否归一化处理的标记，为True进行归一化处理，否则不进行归一化处理，默认值为True;
# ddepth(-1)是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
blur = cv2.boxFilter(img, -1, (5,5), normalize=False)

 当normalize=True时， cv2.blur() 和 cv2.boxFilter()的结果保持一致，当cv2.boxFilter(normalize=False)时容易发生越界现象，此时数值会取255（白色）。

3.2  高斯滤波

这里需要了解一下高斯分布的基本概念： 

又名正太分布，若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

高斯滤波则是把卷积核换成高斯核，简单来说，方框不变，将原来每个方框的值更换为符合高斯分布的，方框中心的值最大，其余方框根据距离中心元素的距离递减，构成一个高斯小山包。原来的求平均数现在变成求加权平均数。实现的函数是cv2.GaussianBlur()。

#  0是指根据窗口大小（5,5）来计算高斯函数标准差
blur = cv2.GaussianBlur(img, (5,5), 0)

3.3  中值滤波

顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。这个滤波器经常用来去除椒盐噪声。前面的滤波器都是用计算得到的一个新值来取代中心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代。能有效的去除噪声。

卷积核的大小也应该是一个奇数。

median = cv2.medianBlur(img, 5)

4 小结

下期将继续同步OpenCV形态学转换等内容。