Image Pixel Value Statistics的代码注释：
import cv2 as cv
import numpy as np
src = cv.imread("dataset/train/bees/1.png", cv.IMREAD_GRAYSCALE)
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
min, max, minLoc, maxLoc = cv.minMaxLoc(src)
print("min: %.2f, max: %.2f"% (min, max))
print("min loc: ", minLoc)
print("max loc: ", maxLoc)
# src：需要寻找最大值和最小值的图像或者矩阵，要求必须是单通道矩阵
# minVal：图像或者矩阵中的最小值。
# maxVal：图像或者矩阵中的最大值。
# minLoc：图像或者矩阵中的最小值在矩阵中的坐标。
# maxLoc：图像或者矩阵中的最大值在矩阵中的坐标。
# mask：掩模，用于设置在图像或矩阵中的指定区域寻找最值。
means, stddev = cv.meanStdDev(src)
print("mean: %.2f, stddev: %.2f"% (means, stddev))
# 以均值为阈值做二值分割
src[np.where(src < means)] = 0
src[np.where(src > means)] = 255
cv.imshow("binary", src)
cv.waitKey(0)
cv.destroyAllWindows()
运行结果如图：
解析：
我们可以将数字图像理解成一定尺寸的矩阵，矩阵中每个元素的大小表示了图像中每个像素的亮暗程度，因此统计矩阵中的最大值，就是寻找图像中灰度值最大的像素，计算平均值就是计算图像像素平均灰度，可以用来表示图像整体的亮暗程度。因此针对矩阵数据的统计工作在图像像素中同样具有一定的意义和作用。
均值与标准差的概念：
均值反映了图像的亮度，均值越大说明图像亮度越大，反之越小；
标准差又常称均方差，是离均差平方的算术平均数的平方根，用σ表示。在概率统计中最常使用作为统计分布程度上的测量。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。标准差反映了图像像素值与均值的离散程度，标准差越大说明图像的质量越好。
？以均值为阈值做二值分割的部分看不懂，等看到分割再回来写吧。。。
