(四)OpenCV图像处理_图像阀值、平滑、形态学转换

本节对OpenCV图像处理中：图像阀值、图像模糊、图像的形态学转换，进行整理介绍
对于图像的处理，基本步骤是：取得图像数据 —— 将图像进行平滑处理 —— 进行边缘检测，阈值分析 —— 进行形态学的操作 —— 获取某些特征点 —— 分析数据

一、图像阀值

• 简单阀值

• 自适应阀值
• Qtsu‘s二值化

1. 简单阀值
   针对于灰度图片的灰度值，当灰度值高于阀值时，给这个灰度值赋一个新值：

   1 2 3 4 5 6

   #参数：原始图像，阀值，新值，阀值规则 ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO); ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV); ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC); ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO); ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV);

   阀值规则对应如下：

   

2. 自适应阀值
   与上面简单阀值类似，不过简单阀值是整幅图像采用一个数作为阀值，这种方法并不是适应于所有情况，尤其是当一幅图像上的不同部分具有不同亮度时，可以同一幅图像的不同区域采用不同的阀值。

   1 2	#参数：原图，新增，阀值计算方法（有cv2.ADAPTIVE_THRESH_MEAN_C和cv2.ADAPTIVE_GAUSSIAN_C两类），阀值规则，邻域大小，阈值计算方法中的常数项 thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2);

3. Otsu‘s 二值化
   在简单阀值时是随便给了一个数来做阀值，那么怎么知道选取的好坏呢？答案就是不停的尝试。如果是一幅双峰图像，就应该根据其直方图计算出一个阀值。

   1	ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTS);

二、图像平滑

• 学习使用不同的低通滤波器对图像进行模糊
• 使用自定义的滤波器对图像进行卷积（2D卷积）

1. 2D卷积
   与信号一样，可以对2D图像实施低通滤波(LPF)，高通滤波(HPF)等。LPF帮助去除噪声、模糊图像；HPF帮助找得到图像的边缘。

   1 2 3

   kernel = np.ones((5,5),np.float32)/25; #when ddepth=-1, the output image will have the same depth as the source dst = cv2.filter2D(img,-1,kernel);

   效果如下：

   

2. 图像模糊
   使用低通滤波器可以达到图像模糊的目的，这对去除噪音很有帮助，当然现在更多的是通过生成对抗网络来对图像进行增强等。OpenCV提供了四种模糊计算：

   • 平均
     使用卷积框覆盖区域所有像素的平均值来替代中心元素

     1 2	#使用归一化卷积框 blur = cv2.blur(img,(5,5));

   • 高斯模糊
     一个卷积框里的值是符合高斯分布的，方框中心的值最大，其余根据距离中心元素的距离递减

     1 2	#卷积核的大小必须是一个奇数 blur = cv2.GaussianBlur(img, (5,5), 标准差);

   • 中值模糊
     用卷积框对应像素点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。

     1 2	#参数中的5表示当前的方框尺寸 median = cv2.medianBlur(img, 5);

   • 双边滤波
     高斯滤波器是求中心点邻近区域像素的高斯加权平均值，这种只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考虑一个像素是否位于边界，边界也会模糊掉。
     双边滤波同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不会被模糊掉，因为边界处的灰度值变化比较大。

     1 2	#9表示邻域直径，两个75分别是空间高斯函数标准差、灰度值相似性高斯函数标准差 blur = cv2.bilateralFilter(img, 9, 75, 75)

三、形态学转换

• 腐蚀、膨胀、开运算、闭运算等
  形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来决定操作的性质的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算，闭运算，梯度等。主要介绍三个方法：cv2.erode()、cv2.dilate()、cv2.morphologyEx()

1.腐蚀

1
2
3
4

img = cv2.imread('j.png',0);
kernel = np.ones((5,5),np.uint8);
#参数：原图像，核，腐蚀操作被递归执行的次数
erosion = cv2.erode(img,kernel,iterations = 1);

2.膨胀

1

dilation = cv2.dilate(img,kernel,iterations = 1);

3.开运算
先腐蚀后膨胀(常用来去除噪声)

1

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel);

4.闭运算
先膨胀后腐蚀（常被用来填充前景物体中的小洞）

1

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel);

5.形态学梯度
其实就是一幅图像膨胀与腐蚀的差别，结果看上去就像前景物体的轮廓。

1

gradient = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel);

6.礼帽与黑帽
原始图像与开运算或闭运算的差。

1
2
3
4

#礼帽（原始图像与开运算的差）
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel);
#黑帽（原始图像与闭运算的差）
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel);