个人学习向——opencv-2图像变换、阈值、平滑

1 彩色图像变换

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.cv2.cvtColor(src, code[, dst[, dstCn]])
该函数为转换图片的色彩空间,参数说明：
src：图片的numpy数组输入，
dst：输出图片，一般不用
code：目的色彩空间，这个参数实在太多，不能一一列举
dstCn：目的图片的通道，一般默认 返回值：灰度图片的数组

gray	hsv

1.1 灰度模型

对于彩色转灰度，有一个很著名的心理学公式：

Gray = R0.299 + G0.587 + B*0.114

1.2hsv模型

这个模型就是按色彩、深浅、明暗来描述的。

H是色彩；

S是深浅， S = 0时，只有灰度；

V是明暗，表示色彩的明亮程度，但与光强无直接联系

应用：同HSI一样，可以用于偏光矫正、去除阴影、图像分割等。

参考资料：
由RGB到HSV颜色空间的理解
OpenCV图像处理专栏一 | 盘点常见颜色空间互转

2 图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)
src： 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： 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 ——超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV ——反转THRESH_BINARY
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——反转 THRESH_TOZERO

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', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

plt.figure(figsize=[20,10])
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()

3 图像平滑

3.1 椒盐噪声

椒盐噪声又称为脉冲噪声，它是一种随机出现的白点或者黑点。 椒盐噪声 = 椒噪声 + 盐噪声 ，椒盐噪声的值为0(黑色)或者255(白色)，这里假设为等概率的出现0或者255。如果一张图像的宽x高 = 10x10 ，那么它的像素共计100个。

import random

def PepperandSalt(src,percetage):
    NoiseImg=src.copy()
    NoiseNum=int(percetage*src.shape[0]*src.shape[1])
    for i in range(NoiseNum):
        randX=random.randint(0,src.shape[0]-1)
        randY=random.randint(0,src.shape[1]-1)
        if random.randint(0,1)<=0.5:
            NoiseImg[randX,randY]=0
        else:
            NoiseImg[randX,randY]=255          
    return NoiseImg  

img=cv2.imread('ZZF0.jpg')
img1=PepperandSalt(img,0.1)
cv2.imshow('PepperandSalt',img1)
cv2.waitKey(0)

特别注意这里需要用NoiseImg=src.copy()，而不是NoiseImg=src，否则原图img将被修改掉，这里涉及到python语言中深复制与浅复制的内容，后面再谈；

3.2 高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。

通过使用函数random.gauss(means,sigma)生成均值为means,标准差为sigma的高斯白噪声。

def GaussianNoise(src,means,sigma,percetage):
    NoiseImg=src.copy()
    NoiseNum=int(percetage*src.shape[0]*src.shape[1])
    BGR = NoiseImg.shape[2]
    
    for i in range(NoiseNum):
        randX=random.randint(0,src.shape[0]-1)
        randY=random.randint(0,src.shape[1]-1)
        for k in range(BGR):
            NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
            if  NoiseImg[randX, randY, k]< 0:
                     NoiseImg[randX, randY, k]=0
            elif NoiseImg[randX, randY, k]>255:
                     NoiseImg[randX, randY, k]=255
    return NoiseImg

img2 = GaussianNoise(img,5,5,0.5)
cv2.imshow('Gauss',img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图	椒盐噪声	高斯噪声

3.3 图像滤波

# 均值滤波：简单的平均卷积操作
blur = cv2.blur(img1, (3, 3))

# 方框滤波：基本和均值一样，可以选择归一化
box = cv2.boxFilter(img1,-1,(3,3), normalize=True) 

# 高斯滤波：高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img1, (5, 5), 1) 

# 中值滤波，相当于用中值代替(小BUG，参数只能取奇数)
median = cv2.medianBlur(img1, 3)

# 展示所有的
res = np.hstack((blur,aussian,median))
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

对椒盐噪声图片滤波结果，可以看到中值滤波效果最好。

blur	box
aussian	median

对高斯噪声进行滤波，还是中值滤波平滑效果好；

高斯滤波	中值滤波

相关资料：
opencv图像滤波