MEABUG的博客

可以看到增强对比度确实可以提高图像细节，位置（2,3）增强对比度的结果与（3,4）增加亮度的结果，还是对比度增强效果要好一些，大家也可以试试其他参数。高对比度的图像具有更鲜明的明暗区域，视觉效果更清晰，对比度增强的原理是通过调整图像中像素的亮度值，使图像的明暗差异更加明显。可以看到划分块的尺寸越小，细节效果越好，尺寸越大的，肉眼可见感觉噪声较大。可以看到，越来越亮，但是噪声也同样放大了，特别是到40的时候噪声更明显。可以看到：整体的亮度增加了，亮和暗的细节也有部分丢失。（如 2.0）和适中的。

二值化操作将灰度图像转换为黑白图像，即将图像中的像素值分为两类：前景（通常为白色，值为 255）和背景（通常为黑色，值为 0）。二值化的主要目的是简化图像，突出目标物体，便于后续的图像分析和处理，如特征提取、目标检测、图像分割等。可以观察到OTSU检查出来的划痕更完整，大家可以修改全局阈值法的值127减少和增大分别会发生什么。可以看到全局阈值发和OTSU自动化阈值法效果还可以，自适应阈值法提取效果没有那么好。

边缘检测是图像处理和计算机视觉中的关键技术之一，旨在识别图像中像素强度发生显著变化的区域，这些区域通常对应于物体的边界或轮廓。

形态学操作是一种基于图像形状的处理方法，主要用于分析和处理图像中的几何结构。其核心是通过结构元素（卷积核）对图像进行扫描和操作，从而改变图像的形状和特征。腐蚀（Erosion）：将图像中的前景物体边界向内收缩，使物体变小。膨胀（Dilation）：将图像中的前景物体边界向外扩展，使物体变大。开运算（Opening）：先腐蚀后膨胀，用于去除小噪点。闭运算（Closing）：先膨胀后腐蚀，用于填补小孔。去噪：通过腐蚀或开运算去除小的噪点。边缘提取：通过形态学梯度（膨胀与腐蚀的差）突出边缘。图像分割。

在图像处理中，噪声指的是图像中不需要的、随机的或干扰性的信息，这些信息会降低图像的质量，影响图像的视觉效果和后续处理的准确性。噪声通常来源于图像的采集、传输或存储过程，也可能由于环境因素或设备性能的限制而产生。后续将继续了解有哪些图像滤波，原理是什么，在什么情况下使用。

结合了空间邻域和像素值差异的滤波方法，计算滤波结果时考虑像素点的空间距离和像素值的差异。对去除椒盐噪声非常有效，可以在不破坏图像边缘等细节的情况下，有效地去除这些噪声点。简单易实现，能够对信号或图像进行一定程度的平滑处理，降低噪声的影响。对精度要求不高的图像或信号平滑场景，如视频监控中的简单图像预处理。能够增强图像的细节和边缘，使图像更加生动和逼真。能够在保存图像细节的同时滤除图像中的噪声。需要尽量保存图像细节的同时去除噪声的场景。能够在保存图像细节的同时滤除图像中的噪声。

原理自定义高通滤波器通过定义特定的卷积核来实现高通滤波。用户可以根据需求设计不同的卷积核，以达到不同的滤波效果。卷积核的设计通常基于高斯函数或其他数学函数，以实现对特定频率的增强或抑制。作用自定义高通滤波器可用于实现特定的图像增强效果，如锐化、边缘检测和细节提取等。实现方式使用函数src, # 输入图像ddepth, # 输出图像的深度，通常设置为 cv2.CV_64Fkernel, # 自定义的卷积核borderType=cv2.BORDER_DEFAULT # 边界扩展方式应用锐化。

读取mp4格式的视频，将每一帧改为灰度图，并且打上水印（“WaterMark”）,并将其输出保存为out.mp4，在这个例子中可以看到视频读取，每帧数据处理，视频保存的整体流程简单示例。是一个用于捕获视频的类，可以从视频文件、摄像头或网络视频流中读取视频帧。它的构造函数和方法支持多种参数和重载形式，以便灵活地处理不同的视频源。是 OpenCV 库中用于创建视频写入对象的函数，可以将一组图像帧保存为视频文件。获取视频的各种属性，例如宽度、高度、帧率等。通过循环逐帧读取视频，并处理每一帧。

结论：如果需要用户交互则用cv2.imshow()，如果需要标注坐标系则用matlpltlib.pyplot。BGR/RGB格式的 shape为（Height,Width,Channels）函数可以读取图片文件。OpenCV 默认以 BGR 格式读取彩色图像。灰度图像的shape为（Height,Width）可以获取图片的尺寸、通道数、数据类型等信息。函数可以将处理后的图像保存到文件。不同格式shpe信息有所差异。

初步了解OpenCV。

OpenCV的初步学习路线