一 圖像閾值處理

準備一張灰度圖像

閾值處理通常是設定一個閾值，讓圖片的所有像素點的值與其比較做出一系列的操作。

在opencv常用的閾值處理函數有五種，分別是THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV。接下來分別看下這幾種處理圖片後的效果

1. THRESH_BINAR

# 像素值超過127的變成255，否則為0，亮的更亮
ret,threshold1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

2.  THRESH_BINARY_INV

 
# 像素值超過127的變成0，否則為255，亮的更暗
ret,threshold2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)

3. THRESH_TRUNC

# 像素值超過127的變成127，否則不變，理解成圖片整體變暗
ret,threshold3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)

4. THRESH_TOZERO

# 像素值超過127的不變，否則為0，理解成加大圖片的對比度
ret,threshold4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)

 5.  THRESH_TOZERO_INV

# 像素值超過127的為0，否則不變
ret,threshold5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) 

閾值處理的使用場景我會在後續的博客中寫出~~~

二 . 濾波

濾波的原理是通過指定大小的單位矩陣與圖像做相關運算，具體的線性代數的東西這裡不展開，若後續工作會深入，再回來完善...

經常使用到的濾波操作有三種，均值濾波、高斯濾波、中位值濾波。

1.均值濾波（通過求與單位矩陣做內積和的平均值做圖像處理）

blur = cv2.blur(img,(3,3)) 

2. 高斯濾波 （根據正態分佈處理圖像，越靠近中心點，值越接近）

blur2 = cv2.GaussianBlur(img,(3,3),1) 

3.  中位值濾波（取指定大小矩陣的所有元素值的中位值處理）

blur3 = cv2.medianBlur(img,5) 

  把這幾張圖片水平拼接觀察，不難發現在處理噪點的場景中，使用中位值濾波效果最為明顯

三. 腐蝕與膨脹                                                         

1. 腐蝕

img = cv2.imread("test.png")
img2 = cv2.erode(img,kernel=numpy.ones((9,9),numpy.uint8),iterations=9)   和單位矩陣做處理，迭代9次，意味這腐蝕的程度
cv2.imshow("IMage",numpy.hstack((img,img2)))
cv2.waitKey(0)          
cv2.destroyAllWindows()

2. 膨脹 （嗯，和腐蝕操作剛好相反）

img2 = cv2.dilate(img,kernel=numpy.ones((9,9),numpy.uint8),iterations=9)
cv2.imshow("IMage",numpy.hstack((img,img2)))
cv2.waitKey(0)          
cv2.destroyAllWindows()

3. 梯度運算（膨脹-腐蝕）

4. 禮帽與黑帽

img2 = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel=numpy.ones((5,5),numpy.uint8)) # 就是腐蝕掉的部分

img3 = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel=numpy.ones((5,5),numpy.uint8)) # 原始部分的外殼

結語：這段時間工作實在太忙了，不是評論提醒都快忘記繼續寫博客了，這部分的內容學過比較久了，今天整理一下方便他人也方便自己。

　　　　　　　　　　　　　　　　　　　——2019-10-17 22:42:32