简介

OpenCV是一个流行的开源计算机视觉库，由英特尔公司发起发展。它提供了超过2500个优化算法和许多工具包，可用于灰度、彩色、深度、基于特征和运动跟踪等的图像处理和计算机视觉应用。OpenCV主要使用C++语言编写，同时也支持Python、Java、C等语言。由于其开源和广泛使用的特点，在计算机视觉和机器学习领域得到了广泛的应用。

1.图像阈值

图像阈值化（Image Thresholding）是一种常用的图像处理技术，它用来将图像分割成不同的区域或提取出感兴趣的目标。阈值化基于图像中像素灰度值的阈值进行二值化处理，将像素分为两个类别：满足条件的像素为一个类别，不满足条件的像素为另一个类别 。

图像阈值化的主要步骤如下：

1. 灰度化：将彩色图像转换为灰度图像，这样每个像素只有一个灰度值。

2. 选择阈值：根据应用需求和图像特性，选择一个适当的阈值。

3. 阈值化处理：将图像中的每个像素与阈值进行比较，并根据比较结果设置像素的输出值。

在 OpenCV 中，可以使用 cv2.threshold() 函数来执行图像阈值化操作。

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

 

1. ret：阈值化操作的阈值，即根据阈值对图像进行二值化后得到的阈值。

2. dst：阈值化后的输出图像，即应用阈值化操作后得到的二值图像。

其中，src 是输入的源图像，thresh 是用于二值化的阈值，maxval 是输出图像中设置为最大值的像素值，type 是阈值化的类型。

除了上述两个返回参数外，你还可以选择性地传递额外的 dst 参数作为输出图像的占位符，以便在函数调用时直接指定输出图像的尺寸和数据类型。如果未提供 dst 参数，函数将会创建一个与输入图像 src 相同尺寸和数据类型的输出图像。

请注意，阈值化类型 type 可以是以下选项之一：

• cv2.THRESH_BINARY：二值阈值化，大于阈值的像素值设为 maxval，小于等于阈值的像素值设为 0。

• cv2.THRESH_BINARY_INV：反二值阈值化，大于阈值的像素值设为 0，小于等于阈值的像素值设为 maxval。

• cv2.THRESH_TRUNC：截断阈值化，大于阈值的像素值设为阈值，小于等于阈值的像素值保持不变。

• cv2.THRESH_TOZERO：零阈值化，大于阈值的像素值保持不变，小于等于阈值的像素值设为 0。

• cv2.THRESH_TOZERO_INV：反零阈值化，大于阈值的像素值设为 0，小于等于阈值的像素值保持不变。

import cv2
import matplotlib as plt
import numpy as np# 读取图像
image = cv2.imread('image/1.jpg')# 使用不同阈值化方法进行图像处理
# 阈值为127，最大值为255
# cv2.THRESH_BINARY: 二值阈值化
ret, img = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
# cv2.THRESH_BINARY_INV: 反二值阈值化
ret, img1 = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY_INV)
# cv2.THRESH_TRUNC: 截断阈值化
ret, img2 = cv2.threshold(image, 127, 255, cv2.THRESH_TRUNC)
# cv2.THRESH_TOZERO: 零阈值化
ret, img3 = cv2.threshold(image, 127, 255, cv2.THRESH_TOZERO)
# cv2.THRESH_TOZERO_INV: 反零阈值化
ret, img4 = cv2.threshold(image, 127, 255, cv2.THRESH_TOZERO_INV)# 将多个处理后的图像水平拼接在一起
result = np.hstack([img, img1, img2])# 显示结果图像
cv2.imshow('IMG', result)
cv2.waitKey()
cv2.destroyAllWindows()

这边展示前三种的效果，有兴趣可以全部尝试一下

2.形态学

2.1 膨胀操作

1、什么是膨胀与腐蚀

膨胀与腐蚀属于形态学范围，具体的含义根据字面意思来理解即可。但是更形象的话就是“增肥”与“减肥”。

它们的用途就是用来处理图形问题上。总结性的来说： + 膨胀用来处理缺陷问题； + 腐蚀用来处理毛刺问题。

膨胀就是把缺陷给填补了，腐蚀就是把毛刺给腐蚀掉了。这里其实说的并不严谨，也是为了大家理解方便。下面我们就用实例来进行演示。

dst = cv2.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

参数说明：

• src：输入图像，可以是灰度图像或彩色图像，数据类型为 uint8。
• kernel：膨胀操作的结构元素，用于定义膨胀的形状和大小。通常为矩形、十字形或椭圆形。
• dst：输出图像，与输入图像具有相同的大小和类型，可选参数。
• anchor：锚点位置，默认为 (-1, -1)，表示锚点位于结构元素的中心点。
• iterations：膨胀操作的迭代次数，默认为 1。
• borderType：边界扩展类型，默认为 cv2.BORDER_CONSTANT。
• borderValue：边界值，在使用 cv2.BORDER_CONSTANT 边界扩展类型时有效，默认为 0。

import cv2
import numpy as npimage = cv2.imread('image/img.png')kernel = np.ones((3 * 3), dtype=np.uint8)
dilate = cv2.dilate(image, kernel, 1)result = np.hstack([image, dilate])cv2.imshow('IMG', result)
cv2.waitKey()
cv2.destroyAllWindows()

可以看到右边的线条比左边的要粗一下，这个就是膨胀操作

kernel = np.ones((4 * 4), dtype=np.uint8) 更改卷积核大小

dilate = cv2.dilate(image, kernel, 3)更改迭代次数

二者均可使膨胀效果更为明显

 

2.2 腐蚀操作

腐蚀操作和膨胀操作相反，也就是将毛刺消除

这边的函数参数和膨胀的是一样的这里就不做详细说明了。

import cv2
import numpy as npimage = cv2.imread('image/img.png')# kernel = np.ones((3 * 3), dtype=np.uint8)
# dilate = cv2.dilate(image, kernel, 1)
# result = np.hstack([image, dilate])
kernel = np.ones((3*3),dtype=np.uint8)
erosion = cv2.erode(image,kernel,1)
result = np.hstack([image,erosion])cv2.imshow('IMG', result)
cv2.waitKey()
cv2.destroyAllWindows()

 

2.3 开运算和闭运算

开运算：先腐蚀，在膨胀 闭运算：先膨胀，在腐蚀

我们在上面的膨胀和腐蚀的图片中可以看到，图片大小程度上都受到了损失，字体信息缺失或者变粗等等。如果我们不想更改原有信息，即字体粗细。那么我们可以使用上面的两种运算。例如开运算，先对字体进行变细，在对字体进行变粗，整体上字体粗细不会发生变化。毛刺信息在腐蚀的时候就已经消除了，膨胀也不会膨胀出多余信息。

2.3.1、开运算

dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

• src：输入图像，可以是灰度图像或彩色图像，数据类型为 uint8。
• op：形态学操作类型，可选项包括 cv2.MORPH_ERODE（腐蚀）、cv2.MORPH_DILATE（膨胀）、cv2.MORPH_OPEN（开运算）、cv2.MORPH_CLOSE（闭运算）等。
• kernel：形态学操作的结构元素，用于定义操作的形状和大小。通常为矩形、十字形或椭圆形。
• dst：输出图像，与输入图像具有相同的大小和类型，可选参数。
• anchor：锚点位置，默认为 (-1, -1)，表示锚点位于结构元素的中心点。
• iterations：形态学操作的迭代次数，默认为 1。
• borderType：边界扩展类型，默认为 cv2.BORDER_CONSTANT。
• borderValue：边界值，在使用 cv2.BORDER_CONSTANT 边界扩展类型时有效，默认为 0。

 

import cv2
import numpy as npimage = cv2.imread('image/img_1.png')kernel = np.ones((4 * 4), dtype=np.uint8)
# dilate = cv2.dilate(image, kernel, 1)
# result = np.hstack([image, dilate])# kernel = np.ones((4 * 4), dtype=np.uint8)opening = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel, 1)
result = np.hstack((image, opening))# erosion = cv2.erode(image, kernel, 2)
# result = np.hstack([image, erosion])cv2.imshow('IMG', result)
cv2.waitKey()
cv2.destroyAllWindows()

 我们发现大部分毛刺已经消除，而且字体信息也没有发生变化，这也就是我们想要的效果。虽然仍然有一部信息没有被清除，我们只需要调整卷积核的大小就可以实现。

2.3.2、闭运算

字体不改变的前提下，我们把字体缺陷信息补全。 

3.梯度计算

梯度计算主要显示的是边缘信息。计算的方法：

膨胀的图像 - 腐蚀的图像

我们明显的看出，用大一圈的图像减去小一圈的图像正好就是边缘的信息。

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

 

 

我们可以看出来，我们形成了一个空心的字体样式

4、高帽和黑帽

高帽计算

我们知道开运算的结果就是去除毛刺，我们原始图像减去开运算结果就是我们要消除的毛刺信息。

 可以看出来，所有的毛刺信息我们全部提取了出来。

  可以看出来，所有的毛刺信息我们全部提取了出来。

黑帽操作

高帽操作显示毛刺，那么黑帽就是显示缺陷。

高帽操作显示毛刺，那么黑帽就是显示缺陷。

这里我们看的不是很明显，我们只需要只要黑帽所处理的问题是什么。针对不同的场景应用不用的方法。