目录
[2.1 阈值法（THRESH_BINARY）------（二值化）](#2.1 阈值法（THRESH_BINARY）——（二值化）)
[2.2 反阈值法（THRESH_BINARY_INV）](#2.2 反阈值法（THRESH_BINARY_INV）)
[2.3 截断阈值法（THRESH_TRUNC）](#2.3 截断阈值法（THRESH_TRUNC）)
[2.4 低阈值零处理（THRESH_TOZERO）](#2.4 低阈值零处理（THRESH_TOZERO）)
[2.5 超阈值零处理（THRESH_TOZERO_INV）](#2.5 超阈值零处理（THRESH_TOZERO_INV）)
一、图像翻转
在OpenCV中，图片的镜像旋转是以图像的中心为原点进行镜像翻转的
cv2.flip(img,flipcode)
flipcode: 指定翻转类型的标志
flipcode = 0时，垂直翻转，图像像素点沿x轴翻转
flipcode = 1时，水平翻转，图片像素点沿y轴翻转
flipcode = -1时，水平垂直翻转，两者的结合
示例：
二、颜色加法
可以使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像，如res = img1 + img2。两个图像应该具有相同的大小和类型
OpenCV加法和Numpy加法之间存在差异。OpenCV的加法是饱和操作，而Numpy添加是模运算
示例：
三、颜色加权加法
cv2.addWeighted(src1, alpha, src2, deta, gamma)
src1、src2：输入图像；
alpha、beta：两张图像权重；
gamma：亮度调整值；
gamma > 0：图像变亮
gamma < 0：图像变暗
gamma = 0：没有额外亮度调整
(这其实也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉 )
bash
#图像混合公式
g(x) = (1−α)f0(x) + αf1(x)
#函数cv2.addWeighted()实际操作的公式
dst = α⋅img1 + β⋅img2 + γ示例：
四、灰度化
将彩色图像转换为灰度图像的过程称为灰度化，灰度图与彩色图最大的不同就是：彩色图是由R、G、B三个通道组成，而灰度图只有一个通道，也称为单通道图像，所以彩色图转成灰度图的过程本质上就是将R、G、B三通道合并成一个通道的过程
1、最大值法
对于彩色图像的每个像素，它会从R、G、B三个通道的值中选出最大的一个，并将其作 为灰度图像中对应位置的像素值
2、平均值法
对于彩色图像的每个像素，它会将R、G、B三个通道的像素值全部加起来，然后再除以 三，得到的平均值就是灰度图像中对应位置的像素值
3、加权均值法
对于彩色图像的每个像素，它会按照一定的权重去乘以每个通道的像素值，并将其相 加，得到最后的值就是灰度图像中对应位置的像素值
五、二值化处理
1、说明
一幅二值图像的二维矩阵仅由0、1两个值构成，"0"代表黑色，"1"代白色。由于每一像 素（矩阵中每一元素）取值仅有0、1两种可能，所以计算机中二值图像的数据类型通常 为1个二进制位。二值图像通常用于文字、线条图的扫描识别（OCR）和掩膜图像的存储
**其操作的图像也必须是灰度图，**二值化的过程，就是将一张灰度图上的像素根据某种规 则修改为0和maxval（maxval表示最大值，一般为255，显示白色）两种像素值，使图 像呈现黑白的效果，能够帮助我们更好地分析图像中的形状、边缘和轮廓等特征
简便：降低计算量和计算需求，加快处理速度
节约资源：二值图像占用空间远小于彩色图
边缘检测：二值化常作为边缘检测的预处理步骤，简化后的图易于识别出轮廓和边界
2、全局阈值法
python
_,binary = cv2.threshold(img,thresh,maxval,type)img ：输入图像，要进行二值化处理的灰度图
thresh ：设定的阈值。当像素值大于(或小于，取决于阈值类型)**thresh**时，该像素被赋予的值
type：阈值处理的类型
返回值：
第一个值（通常使用 '_'）：计算出的阈值，若使用自适应阈值法，会根据算法自动出这 个值
第二个值（binary）：二值化后的图像矩阵。与输入图像尺寸相同
2.1 阈值法（THRESH_BINARY）------（二值化）
阈值法就是通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小 于等于阈值的像素就被设置为0（通常代表背景），大于阈值的像素就被设置为maxval （通常代表前景）。对于我们的8位图像(0~255)来说，通常是设置为255
2.2 反阈值法（THRESH_BINARY_INV）
反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图 的像素值小于等于阈值时，该像素值将会变成maxval**（与阈值法相反）**
2.3 截断阈值法（THRESH_TRUNC）
指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈 值，小于等于阈值的部分不变
2.4 低阈值零处理（THRESH_TOZERO）
低阈值零处理，字面意思，就是像素值小于等于阈值的部分被置为0（也就是黑 色），大于阈值的部分不变
2.5 超阈值零处理（THRESH_TOZERO_INV）
超阈值零处理就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分 置为0（也就是黑色），像素值小于等于阈值的部分不变
3、OTSU阈值法
cv2.THRESH_OTSU 并不是一个有效的阈值类型或标。THRESH_OTSU 本身并不是一个独立的阈值化方法，而是与 OpenCV 中的二值化方法结合使用的一个标志 。具体来说，THRESH_OTSU 通常与 THRESH_BINARY 或 THRESH_BINARY_INV 结合使用。在实际应用中，如果你使用 THRESH_OTSU 标志但没有指定其他二值化类型，默认情况下它会与 THRESH_BINARY 结合使用 。也就是说，当你仅指定了 cv2.THRESH_OTSU，实际上等同于同时指定了 cv2.THRESH_BINARY + cv2.THRESH_OTSU。
4、自适应二值化
与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化
自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息
python
cv2.adaptiveThreshold(image_np_gray, maxval, adaptiveMethod, thresholdType, blockSize, c)参数为：
image_np_gray：灰度图
**maxval：**最大阈值，一般为255
adaptiveMethod：小区域阈值的计算方式
ADAPTIVE_THRESH_MEAN_C：小区域内取均值
ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
thresholdType：二值化方法， 只能使用阈值法和反阈值法
blockSize：选取的小区域的面积，如7就是7*7的小块
c：最终阈值等于小区域计算出的阈值再减去此值
