灰度图

img = cv2.imread('dog.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.resize(img_gray, (50, 50))
cv2_imshow(img_gray)

HSV

• H - 色调（主波长）。
• S - 饱和度（纯度/颜色的阴影）。
• V值（强度）

img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2_imshow(img_hsv)

图像阈值

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

• src： 输入图，只能输入单通道图像，通常来说为灰度图

• dst： 输出图

• thresh： 阈值

• maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

• type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

• cv2.THRESH_BINARY 超过阈值部分取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 THRESH_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original', 'Binary', 'Binary_INV', 'Trunc', 'To_Zero', 'To_Zero_INV']
imgs = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]

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

图像平滑

卷积就是均值滤波器，比如一个3*3的都是1的卷积，和图像本身做内积，最后得到的值是图像9个像素点的求和平均值。

img = cv2.imread('lenaNoise.png')
cv2_imshow(img)

# 均值滤波
blur = cv2.blur(img, (3, 3))
cv2_imshow(blur)

# 方框滤波
# 基本和均值滤波一样，可以选择归一化
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)
cv2_imshow(box)

# 方框滤波
# 基本和均值滤波一样，选择不归一化
box = cv2.boxFilter(img, -1, (3, 3), normalize=False)
cv2_imshow(box)

# 高斯滤波
# 卷积核的数值是满足高斯分布的，相当于更重视中间
gaussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2_imshow(gaussian)

# 中值滤波
# 相当于用中值替代
median = cv2.medianBlur(img, 3)
cv2_imshow(median)

中值滤波，效果最好

# 展示全部
res = np.hstack((box, gaussian, median))
cv2_imshow(res)

图像形态学

img = cv2.imread('dige.png')
cv2_imshow(img)

腐蚀

kernel = np.ones((3, 3), np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
cv2_imshow(erosion)

kernel = np.ones((3, 3), np.uint8)
erosion1 = cv2.erode(img, kernel, iterations=1)
erosion2 = cv2.erode(img, kernel, iterations=2)
erosion3 = cv2.erode(img, kernel, iterations=3)
res = np.hstack((erosion1, erosion2, erosion3))
cv2_imshow(res)

也可以用下面的代码：

erode = cv2.morphologyEx(img, cv2.MORPH_ERODE, kernel)
cv2_imshow(erode)

膨胀

kernel = np.ones((3, 3), np.uint8)
dige_dilate = cv2.dilate(img, kernel, iterations=1)
cv2_imshow(dige_dilate)

kernel = np.ones((3, 3), np.uint8)
dige_dilate1 = cv2.dilate(img, kernel, iterations=1)
dige_dilate2 = cv2.dilate(img, kernel, iterations=2)
dige_dilate3 = cv2.dilate(img, kernel, iterations=3)
res = np.hstack((dige_dilate1, dige_dilate2, dige_dilate3))
cv2_imshow(res)

也可以用下面代码：

dilate = cv2.morphologyEx(img, cv2.MORPH_DILATE, kernel)
cv2_imshow(dilate)

开运算与闭运算

# 开运算：先腐蚀 再膨胀
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2_imshow(opening)

# 闭运算：先膨胀 再腐蚀
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2_imshow(closing)

梯度与运算

# 梯度 = 膨胀 - 腐蚀
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2_imshow(gradient)

# 梯度 = 膨胀 - 腐蚀
cv2_imshow(dige_dilate - erode)

礼帽与黑帽

# 礼帽 = 原始输入 - 开运算结果
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2_imshow(tophat)

# 黑帽 = 闭运算 - 原始输入
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2_imshow(blackhat)