1、图像阈值

t图像阈值函数，就是需要判断一下像素值大于一个数应该怎么处理，小于一个数应该怎么处理

python 复制代码

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

参数解析：

src：原始输入图，只能输入单通道图像，通常来说为灰度图
dst：输出图
thresh：指定的阈值
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
- 如果阈值取150，超过150就会都变成255，否则变为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

python 复制代码

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB

# 读取图像为灰度图
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 五种参数都设置一遍
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
_, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
_, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
_, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
_, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

# 存到一个变量中
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

# 放到一起画出来
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()

这里（ret，thresh）我们基本上只需要第二个参数就行了，输出图：

第一张是原始图像
第二张，所有大于127的区域全部变成了白色
第三张，将第二张进行了翻转
第四张，所有大于127的全部等于127
第五张，小于127全部为0 ，大于127的不变
第六张，第五张的反转

2、图像平滑

图像平滑处理就是对图像进行各种滤波操作，这个和卷积操作有一些相似

首先读取打印原始图像：

python 复制代码

import cv2  # opencv读取的格式是BGR
import matplotlib.pyplot as plt  # Matplotlib是RGB
img = cv2.imread('lenaNoise.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印的图像：

可以看到原始图像有很多白色斑点的噪音，接下来用几种不同滤波操作过滤这个噪音点

2.1 均值滤波

实际上是一个简单的平均卷积操作，如下图是一个图像的像素点的矩阵：

比如圈住的这个部分，是一个3*3的区域，对这3*3的9个像素值求出一个均值，然后将中间的204替换成这个均值，那么就完成了204的滤波操作，其他的像素点也是进行这样的操作。当然也可以是一个5*5的区域，只能是奇数。

实现这个操作很简单：

python 复制代码

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果：

可以发现白点被淡化了一些，但是还是存在

2.2 方框滤波

基本上和均值滤波一样：

python 复制代码

# 方框滤波
# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

这里可以选择

openCV实战-系列教程2：阈值与平滑处理（图像阈值/图像平滑处理/高斯/中值滤波）、源码解读

1、图像阈值

2、图像平滑

2.1 均值滤波

2.2 方框滤波