计算机视觉-OpenCV（二）

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

释义：
dst:输出图
src：输入图，只能输入单通道图像，通常来说是灰度图
thresh：阈值（0-255之间数字）
maxval：当像素值超过阈值（或小于阈值，根据type决定），所赋予的值
type：
    cv2.THRESH_BINARY      超过阈值部分去maxval（最大值），否则取0
    cv2.THRESH_BINARY_INV   THRESH_BINARY的反转
    cv2.THRESH_TRUNC       大于阈值部分设为阈值，否则不变
    cv2.THRESH_TOZERO      大于阈值部分不改变，否则设为0
    cv2.THRESH_TOZERO_INV   cv2.THRESH_TOZERO的反转

import cv2   #OpenCV读取格式是BGR
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

img1=cv2.imread('GRAY.png')

ret,dst1=cv2.threshold(img1,127,255,cv2.THRESH_BINARY)
ret,dst2=cv2.threshold(img1,127,255,cv2.THRESH_BINARY_INV)
ret,dst3=cv2.threshold(img1,127,255,cv2.THRESH_TRUNC)
ret,dst4=cv2.threshold(img1,127,255,cv2.THRESH_TOZERO)
ret,dst5=cv2.threshold(img1,127,255,cv2.THRESH_TOZERO_INV)

title=['1','2','3','4','5','6']
images=[img1,dst1,dst2,dst3,dst4,dst5]

for i in range(6):
    plt.subplot(2,3,i+1),plt.title(title[i])
    plt.imshow(images[i],'gray')
    plt.xticks([]),plt.yticks([])
#plt.show

简单的平均卷积操作：指定核的大小（3,3），3×3的像素点每个数相加再除9。

实际是通过卷积矩阵实现，构建3×3每个点为1的矩阵，与图像中每个3×3矩阵求内积（对应点位相乘），再求平均

#均值滤波
img=cv2.imread('pic.jpg')
#指定核的大小（3,3），3×3的像素点每个数相加再除9。
#实际是通过卷积矩阵实现，构建3×3每个点为1的矩阵，与图像中每个3×3矩阵求内积（对应点位相乘），再求平均
blur=cv2.blur(img,(3,3))
cv2.imshow('test',blur)
cv2.waitKey(0)
cv2.destroyAllWindows

box=cv2.boxFilter(img,-1,(7,7),normalize=True)

释义：

-1：正常无需修改

normalize=True时与均值滤波相同，每（3×3）点位求和平均值。

normalize=False时，每（3×3）点位求和，超过255就取255。

#方框滤波(归一化)
#normalize=True时与均值滤波相同，每（3×3）点位求和平均值。
box=cv2.boxFilter(img,-1,(7,7),normalize=True)
cv2.imshow('test',box)
cv2.waitKey(0)
cv2.destroyAllWindows




#方框滤波(不归一化)
#normalize==False时，每（3×3）点位求和，超过255就取255。
box=cv2.boxFilter(img,-1,(3,3),normalize=False)
cv2.imshow('test',box)
cv2.waitKey(0)
cv2.destroyAllWindows

高斯分布：越靠近中间，值越大，越重要

实现也是通过构建矩阵，但越靠近中心点矩阵比重越大，最大为1，再与图像矩阵求内积

#高斯滤波
#高斯分布（越靠近中间，值越大，越重要）
#也是构建矩阵，但越靠近中心点矩阵比重越大，最大为1，再与图像矩阵求内积
aussian=cv2.GaussianBlur(img1,(5,5),1)
cv2.imshow('test',aussian)
cv2.waitKey(0)
cv2.destroyAllWindows

将图像的像素点排序，取中值

#中值滤波
#将图像的像素点排序，取中值
median=cv2.medianBlur(img1,5)
cv2.imshow('test',median)
cv2.waitKey(0)
cv2.destroyAllWindows


#图像拼接显示
res=np.hstack((median,aussian))
cv2.imshow('test',res)
cv2.waitKey(0)
cv2.destroyAllWindows

去除图像类似毛刺等杂质的操作

#核：选择多大的核进行腐蚀操作
kernal=np.ones((5,5),np.uint8)
#iterations：迭代次数，进行几次腐蚀操作
erosion=cv2.erode(img,kernal,iterations=2)
cv2.imshow('test',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows

与腐蚀操作相反，使图像内容膨胀

kernal=np.ones((5,5),np.uint8)

dilate=cv2.dilate(erosion,kernal,iterations=2)
cv2.imshow('test',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows

开运算：先腐蚀再膨胀

#开运算：先腐蚀再膨胀
kernal=np.ones((5,5),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernal)
cv2.imshow('test',opening)
cv2.waitKey(0)
cv2.destroyAllWindows

闭运算：先膨胀再腐蚀

#闭运算：先膨胀再腐蚀
kernal=np.ones((5,5),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernal)
cv2.imshow('test',opening)
cv2.waitKey(0)
cv2.destroyAllWindows

梯度运算=膨胀后的图像-腐蚀后的图像

#梯度运算=膨胀后的图像-腐蚀后的图像
kernal=np.ones((5,5),np.uint8)
dilate=cv2.dilate(img,kernal,iterations=5)
erosion=cv2.erode(img,kernal,iterations=5)
res=np.hstack((dilate,erosion))
cv2.imshow('test',res)
cv2.waitKey(0)
cv2.destroyAllWindows

礼帽：原始图像-开运算结果（只剩毛刺）

黑帽：闭运算结果-原始图像（只剩图像边缘）

#礼帽：原始图像-开运算结果
kernal=np.ones((5,5),np.uint8)
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernal)
cv2.imshow('test',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows



#黑帽：闭运算结果-原始图像
kernal=np.ones((5,5),np.uint8)
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernal)
cv2.imshow('test',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows