wszfe的博客

Hu 矩是归一化中心矩的线性组合。Hu 矩在图像旋转、缩放、平移等操作后，仍能保持矩 的不变性，所以经常会使用 Hu 距来识别图像的特征。

比较两个轮廓最简单的方法是比较二者的轮廓矩。轮廓矩代表了一个轮廓、一幅图像、一 组点集的全局特征。矩信息包含了对应对象不同类型的几何特征，例如大小、位置、角度、形 状等。矩特征被广泛地应用在模式识别、图像识别等方面。

运行上述程序，会分别出现名称为 demo1 和 demo2 的窗口，在两个窗口中显示的都是 lena.bmp 图像。运行上述程序，首先会在一个名为 demo 的窗口内显示 lena.bmp 图像。在程序运行的过程 中，当未按下键盘上的按键时，程序没有新的状态出现;式中，winname 是要创建的窗口的名称。例如，下列语句会创建一个名为 lesson 的窗口: cv2.namedWindow(“lesson”)函数 cv2.waitKey()用来等待按键，当用户按下键盘后，该语句会被执行，并获取返回值。

RGB 模式的彩色图像在读入 OpenCV 内进行处理时，会按照行方向依次读取该 RGB 图像 的 B 通道、G 通道、R 通道的像素点，并将像素点以行为单位存储在 ndarray 的列中。使用了一个嵌套循环语句，将图像 img 中“第 10 行到 99 行”与“第 80 列到 99 列”交叉区域内的像素值设置为 255。从图像 img 上来看，该交叉区域被设置为白色。假设有一个红色(其 R 通道值为 255，G 通道值为 0，B 通道值为 0) 图像，不同的访问方式得到的值如下。

提供了item()和itemset()函数来访问和修改像素值，而且这两个函数都是经过 优化处理的，能够更大幅度地提高处理效率。在访问及修改像素点的值时，利用提供的函数比直接使用索引要快得多，同时，这两个函数的可读性也更好。

在图像处理过程中，我们可能会对图像的某一个特定区域感兴趣，该区域被称为感兴趣区 域(Region of Interest，ROI)。在设定感兴趣区域 ROI 后，就可以对该区域进行整体操作。例 如，将一个感兴趣区域 A 赋值给变量 B 后，可以将该变量 B 赋值给另外一个区域 C，从而达 到在区域 C 内复制区域 A 的目的。

通道合并是通道拆分的逆过程，通过合并通道可以将三个通道的灰度图像构成一幅彩色图 像。函数 cv2.merge()可以实现图像通道的合并，例如有 B 通道图像 b、G 通道图像 g 和 R 通道 图像 r，使用函数 cv2.merge()可以将这三个通道合并为一幅 BGR 的三通道彩色图像。例如，针对 OpenCV 内的 BGR 图像 img，如下语句分别从中提取了 B 通道、G 通道、R 通道。例如，可以使用如下语句拆分彩色 BGR 图像 img， 得到B通道图像b、G通道图像g和R通道图像r。

在图像处理过程中，经常需要获取图像的属性，例如图像的大小、类型等。这里介绍几个 常用的属性。

在图像处理过程中，经常需要对图像进行加法运算。可以通过加号运算符“+”对图像进 行加法运算，也可以通过 cv2.add()函数对图像进行加法运算。-通常情况下，在灰度图像中，像素用 8 个比特位(一个字节)来表示，像素值的范围是[0,255]。两个像素值在进行加法运算时，求得的和很可能超过 255。上述两种不同的加法运算方式，对 超过 255 的数值的处理方式是不一样的。

alpha+src2系数1+图像2。

alpha+src2系数1+图像2。

当使用掩模参数时，操作只会在掩模值为非空的像素点上执行，并将其他像素点的值置为 0。

参与运算的两个算子(参数)既可以是两幅图像，也可以 是一幅图像与一个数值。例如，如果想增加图像的整体亮度，可以将每一个像素值都加上一个特定值。在具体实现 时，可以给图像加上一个统一像素值的图像，也可以给图像加上一个固定值。

将灰度图像中处于同一比特位上的二进制像素值进行组合，得到一幅二进制值图像，该图 像被称为灰度图像的一个位平面，这个过程被称为位平面分解。

在 HSV 色彩空间中，H 通道(饱和度 Hue 通道)对应不同的颜色。例如，在一幅 HSV 图像中，如果通过控制仅仅将 H 通道内值为 240(在 OpenCV内被调整为 120)的像素显示出来，那么图像中就会仅仅显示蓝色部分。在标记特定颜色的基础上，可以将标注范围进一步推广到特定的对象上。例如，通过分析 可以估算出肤色在 HSV 色彩空间内的范围值。在 HSV 空间内筛选出肤色范围内的值，即可将 图像内包含肤色的部分提取出来。接下来，通过对其中的通道分量赋值，将其设定为指定的颜色。

在 RGB 色彩空间三个通道的基础上，还可以加上一个 A 通道，也叫 alpha 通道，表示透 明度。这种 4 个通道的色彩空间被称为 RGBA 色彩空间，PNG 图像是一种典型的 4 通道图像。alpha 通道的赋值范围是[0, 1]，或者[0, 255]，表示从透明到不透明。

【代码】5.1 缩放。

【代码】5.2 翻转。

目的：实现平移、旋转等多种操作。仿射函数 cv2.warpAffine()实现对图像的旋转，该函数的语法格式如下:式中:2. 旋转在使用函数对图像进行旋转时，可以通过函数 获取转换矩阵。该函数的语法格式为:式中:3. 更复杂的仿射变换对于更复杂仿射变换，OpenCV 提供了 函数来生成仿射函数 所使用的转换矩阵 M。该函数的 语法格式为:式中:

仿射变换可以将矩形映射为任意平行四边形，透视变换则可以将矩形映射为 任意四边形。与仿射变换一样，同样可以使用一个函数来生成函数 cv2.warpPerspective()所使用的转换矩 阵。

反二值化阈值处理的结果也是仅有两个值的二值图像，与二值化阈值处理的区别在于，二 者对像素值的处理方式不同。超阈值零处理会将图像中大于阈值的像素点的值处理为 0，小于或等于该阈值的像素点的 值保持不变。低阈值零处理会将图像中小于或等于阈值的像素点的值处理为 0，大于阈值的像素点的值保持不变。二值化阈值处理会将原始图像处理为仅有两个值的二值图像，其示意图如图 6-3 所示。截断阈值化处理会将图像中大于阈值的像素点的值设定为阈值，小于或等于该阈值的像素点的值保持不变。

函数根据参数 adaptiveMethod 来确定自适应阈值的计算方法，函数 包含和两种不 同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数 blockSize 所指定邻域的加权平均值减去常量 C。

Otsu 方法能够根据当前图像给出最佳的类间分割阈值。简而言之，Otsu 方法会遍历所有可 能阈值，从而找到最佳的阈值。在 OpenCV 中，通过在函数中对参数 type 的类型多传递一个参数“cv2.THRESH_OTSU”，即可实现 Otsu 方式的阈值分割。需要说明的是，在使用 Otsu 方法时，要把阈值设为 0。此时的函数会自动 寻找最优阈值，并将该阈值返回。

当前像素点周围 N·N 个像素值的均值来代替当前像素值】

与均值滤波的不同在于，方框滤波不会计算像素均值。在均值滤波中，滤波结果的像素值是任意一个点的邻域平均值，等于各邻域像素值之和除以邻域面积。而在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

将中心点的权重值加大，远离中心点的权重值减小。

用邻域内所有像素值的中间值来替代当前像素点的像素值。

为了简单起见，可以将两个 sigma(sigmaColor 和 sigmaSpace)值设置为相同的。如果它 们的值比较小(例如小于 10)，滤波的效果将不太明显;如果它们的值较大(例如大于 150)， 则滤波效果会比较明显，会产生卡通效果。从图中可以看出，双边滤波去除噪声的效果并不好。双边滤波的优势体现在对于边缘信息的处理上，下面通过一个例题来展示不同形式的滤波在边缘处理效果上的差异。中，参数 borderType 是可选参数，其余参数全部为必选参数。

dst 是返回值，表示进行方框滤波后得到的处理结果。src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。kernel 是卷积核，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成操作。

【代码】8.1 腐蚀。

【代码】8.2 膨胀。

腐蚀操作和膨胀操作是形态学运算的基础，将腐蚀和膨胀操作进行组合，就可以实现开运 算、闭运算(关运算)、形态学梯度(Morphological Gradient)运算、礼帽运算(顶帽运算)、 黑帽运算、击中击不中等多种不同形式的运算。

函数 cv2.getStructuringElement()能够构造并返回一 个用于形态学处理所使用的结构元素。该函数用来返回一个用于形态学操作的指定大小和形状的结构元素。函数中的参数含义如下。

Sobel 算子、Scharr 算子、Laplacian 算子都可以用作边缘检测。

在函数 cv2.Sobel()中介绍过，如果 ksize=-1，则会使用 Scharr 滤波器。和是等价的。函数和函数的使用方式基本一致。首先，需要注意的是，参数 ddepth 的值应该设置为“cv2.CV_64F”，并对函数 cv2.Scharr() 的计算结果取绝对值，才能保证得到正确的处理结果。另外，需要注意的是，在函数 cv2.Scharr()中，要求参数 dx 和 dy 满足条件: dx >= 0 && dy >= 0 && dx+dy == 1。

Sobel 算子的缺点是，当其核结构较小时，精确度不高，而 Scharr 算子具有更高的精度。

【代码】9.4 Laplacian算子及函数使用。

Canny 边缘检测分为如下几个步骤。步骤 1:去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。步骤 2:计算梯度的幅度与方向。步骤 3:非极大值抑制，即适当地让边缘“变瘦”。步骤 4:确定边缘。使用双阈值算法确定最终的边缘信息。下面对上述步骤分别进行简单的介绍。

【代码】11.1 图像金字塔。

虽然一幅图像在先后经过向下采样、向上采样后，会恢复为原始大小，但是向上采样和向 下采样不是互逆的。也就是说，虽然在经历两次采样操作后，得到的结果图像与原始图像的大 小一致，肉眼看起来也相似，但是二者的像素值并不是一致的。