---

前言

本篇记录使用opencv处理图像时经常使用的几种处理方法，一般会混合使用以达到最好的效果；每种方法有详细代码、原图和处理后图片的对比图。

---

1.阈值处理

cv2.threshold (src, thresh, maxval, type)
src：原图片的灰度图，必须是单通道；
thresh：阈值，取值范围0~255；
maxval：填充色，取值范围0~255；
type：阈值类型见下表；
注：保持原色即原像素点的值

阈值	小于阈值的像素	大于阈值的像素
THRESH_BINARY	0	maxval
THRESH_BINARY_INV	maxval	0
THRESH_TRUNC	保持原色	maxval
THRESH_TOZERO	0	保持原色
THRESH_TOZERO_INV	保持原色	0

代码如下：

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 读取灰度图像--根据灰度图像的阈值对图像进行二值化处理
img_gray = cv2.imread('credit_card_01.png',0)#读取灰度图像
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 Image","BINAYR","BINARY_INV","TRUNC","TOZERO","TOZERO_INV"]
images = [img_gray,thresh1,thresh2,thresh3,thresh4,thresh5]

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

上图为原图，下图为各个阈值处理后的图

2.平滑操作

平滑操作的几种方法；第一张图为均值滤波图、高斯滤波图、中值滤波对比图；第二张为均值滤波图、方框滤波图、方框滤波越界对比图；

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('picture.png')

blur = cv2.blur(img,(3,3))  #均值滤波，简单的平均卷积操作,通常用奇数
box1 = cv2.boxFilter(img,-1,(3,3),normalize=True)    #方框滤波，基本和均值滤波一样，可选择归一化
box2 = cv2.boxFilter(img,-1,(3,3),normalize=False)    #方框滤波，基本和均值滤波一样，可选择归一化容易越界,越界时大于255的值在图像中显示为全白
aussian = cv2.GaussianBlur(img,(5,5),1)             #高斯滤波，高斯模糊的卷积核里的数值满足卷积的高斯分布，相当于重视中间的
#卷积核就是[n,n]
median = cv2.medianBlur(img,5)      #中值滤波，相当于用中值代替

res = np.hstack((blur,aussian,median))
cv2.imshow('picture-1',res)#为图1：均值滤波图、高斯滤波图、中值滤波对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

res2 = np.hstack((blur,box1,box2))
cv2.imshow('picture-2',res2)#为图2：均值滤波图、方框滤波图、方框滤波越界对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

3.形态学变化

1.腐蚀和膨胀

# -*- coding: utf-8 -*-
import cv2
import numpy as np
img = cv2.imread('dige.png')
#腐蚀操作
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations=1)#iterations表示操作次数
#膨胀操作
dilate = cv2.dilate(erosion,kernel,iterations=1)  #腐蚀操作过后对图片造成一定损伤，用膨胀操作还原图像
res = np.hstack((img, erosion, dilate))
cv2.imshow('erosion', res)
cv2.imwrite('contrast2.png', res)
#contrast2为原图、腐蚀、膨胀操作对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

2.开运算和闭运算

开运算：先腐蚀再膨胀；
闭运算：先膨胀再腐蚀；

# -*- coding: utf-8 -*-
import cv2
import numpy as np
img = cv2.imread('dige.png')
#开运算:先腐蚀再膨胀--毛刺去掉
kernel = np.ones((5,5),np.uint8)
open = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
#闭运算：先膨胀再腐蚀--还是原图像，毛刺并未去掉
close = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

res = np.hstack((img, open,close))
cv2.imshow('erosion', res)
cv2.imwrite('contrast3.png', res)
#contrast3为原图、开、闭运算对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

4.梯度运算

梯度运算=膨胀-腐蚀；

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt

#梯度=膨胀-腐蚀
pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8)
# erosion = cv2.erode(pie,kernel,iterations=5)
# dilate = cv2.dilate(pie,kernel,iterations=5)
gradient = cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)

res = np.hstack((pie, gradient))
cv2.imshow('erosion', res)
cv2.imwrite('gradient.png', res)
#gradient为原图、梯度运算对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

5.礼帽与黑帽

礼帽 = 原始输入 - 开运算；
黑帽 = 闭运算 - 原始输入；

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
#礼帽 = 原始输入 - 开运算结果
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
# 黑帽 = 闭运算 - 原始输入
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
res = np.hstack((img, tophat,blackhat))
cv2.imshow('erosion', res)
cv2.imwrite('hat.png', res)
#hat为原图、礼帽、黑帽对比图
cv2.waitKey(0)
cv2.destroyAllWindows()

6.图像梯度-Sobel算子

dst = cv2.Sobel(sec,ddepth,dx,dy,ksize)
ddepth:图像深度,##深度一般设置为-1，表示输出深度和输入深度一样
dx和dy：表示水平和竖直方向
ksize：是Sobel算子大小

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt

def cv_show(img,name,writename):
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
#读取图像
img = cv2.imread('pie.png')
#只有边界位置才会有梯度
#右减左，右为白=255，左为黑=0，所以从原图中，sobelx形成的图为左半边：右减左=白减黑>0,未显示的右半边图为右减左=黑减白<0,不显示原因是opencv对小于0的数做一个截断为0，所以要取绝对值
#左右边界计算和显示
sobelx1 = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#写成能表示负数的形式，且dx=1，dy=0表示计算的是水平方向
sobelx2 = cv2.convertScaleAbs(sobelx1)#取绝对值
res = np.hstack((img, sobelx1,sobelx2))
cv_show(res,"sobelx",'X-sobelx.png')#X-sobelx为X方向原图，上边界的、和所有边界对比图

#上下边界计算和显示
sobely1 = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)#
sobely2 = cv2.convertScaleAbs(sobely1)#取绝对值
res = np.hstack((img, sobely1,sobely2))
cv_show(res,"sobely",'Y-sobely.png')#Y-sobely为Y方向原图，上边界的、和所有边界对比图

#上下边界的相加
# 分别计算X和Y,再相加
sobelxy = cv2.addWeighted(sobelx2,0.5,sobely2,0.5,0)#相加的系数根据项目修改
#直接相加和间接相加对比
sobelxy1 = cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)#直接计算水平和竖直方向
sobelxy2 = cv2.convertScaleAbs(sobelxy1)
res = np.hstack((sobelxy,sobelxy2))
cv_show(res,"indirect sobelxy2",'indirect X+Y.png')#Y-sobely为间接相加、直接相加对比图

用彩色图片对比代码和效果如下

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt
#加载彩色图片看看效果，读入的彩色图像的灰度图
def cv_show(img,name,writename):
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
img = cv2.imread('pie.png',0)    
sobelx1 = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#写成能表示负数的形式，且dx=1，dy=0表示计算的是水平方向
sobelx2 = cv2.convertScaleAbs(sobelx1)#取绝对值
sobely1 = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)#
sobely2 = cv2.convertScaleAbs(sobely1)   
#间接相加
sobelxy = cv2.addWeighted(sobelx2,0.5,sobely2,0.5,0)#相加的系数根据项目修改    
#直接相加
sobelxy1 = cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)#直接计算水平和竖直方向
sobelxy2 = cv2.convertScaleAbs(sobelxy1)

res = np.hstack((img,sobelxy,sobelxy2))
cv_show(res,"colours",'Dispose picture2.png')#三种方法对比图

7.三种算子对比

Sobel算子、Scharr算子和Laplacian算子；

# -*- coding: utf-8 -*-
import cv2
import numpy as np

# 08图像梯度-Scharr算子
# 图像梯度-laplacian算子:对噪音更敏感，所以会和其他方法一起使用效果更好
# 这两种算子对图像处理的效果更好
# 三种算子的差异对比
def cv_show(img,name,writename):
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

img = cv2.imread('picture.png',0)
sobelx1 = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx2 = cv2.convertScaleAbs(sobelx1)
sobely1 = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely2 = cv2.convertScaleAbs(sobely1)
sobelxy = cv2.addWeighted(sobelx2,0.5,sobely2,0.5,0)

scahrrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scahrrx = cv2.convertScaleAbs(scahrrx)
scahrry = cv2.Scharr(img,cv2.CV_64F,0,1)
scahrry = cv2.convertScaleAbs(scahrry)
scahrrxy = cv2.addWeighted(scahrrx,0.5,scahrry,0.5,0)

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

res = np.hstack((img,sobelxy, scahrrxy,laplacian))
#原图、sobel算子、scahrr算子、laplacian算子对比图
cv_show(res,'res','08-Comparison operator.png')