OpenCV图像阈值、平滑处理

HSV

• HSV(Hue、Saturation、Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。、这个模型中颜色的参数分别是：

• H - 色调（主波长）：使用角度为单位，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°，补色是：黄色为60°，青色为180°，品红为300°。

• S - 饱和度（纯度/颜色的阴影）：取值范围为0.0～1.0。

• V值（强度）：取值范围为0.0(黑色)～1.0(白色)。

##相关代码示例
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow("hsv", hsv)
cv2.waitKey(0)    
cv2.destroyAllWindows()

图像阈值

简单阈值设置

• 像素值高于阈值时，给这个像素赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。这个函数就是 cv2.threshhold()。
  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； 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

  • 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

• 相关代码呈现：

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]

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()

自适应阈值

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。这种方法需要我们指定三个参数，返回值只有一个。
dst = cv2.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)
• type：指定计算阈值的方法。

• cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
• cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。

• Block Size：邻域大小（用来计算阈值的区域大小）
• C：这就是是一个常数，阈值就等于的平均值或者加权平均值减去C

• 相关代码呈现

img = cv2.imread('cat.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img = cv2.medianBlur(img, 5)
ret,th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['Original Image','BINARY','MEAN_C','GAUSSIAN_C']
images = [img,th1,th2,th3]
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

Otsu’s二值化

当我们使用 Otsu 二值化时会用到retVal。在使用全局阈值时，就是随便给了一个数来做阈值，那我们怎么知道选取的这个数的好坏呢？就需要不断地尝试。如果是一幅双峰图像（双峰图像是指图像直方图中存在两个峰）如何选择两个峰之间的峰谷选一个值作为阈值？这就是 Otsu 二值化要做的。简单来说就是对一幅双峰图像自动根据其直方图计算出一个阈值。（对于非双峰图像，这种方法就并不适用了）。

• 这里我们依然使用的还是 cv2.threshold()，但需要多传入一个参数（flag）：
• cv2.THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最优阈值，这个最优阈值就是返回值 retVal。如果不使用 Otsu 二值化，返回的retVal值与设定的阈值相等。
• 相关代码呈现

img = cv2.imread('lenaNoise.png',0)
ret1,th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret2,th2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
blur = cv2.GaussianBlur(img, (5,5), 0)
ret3,th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
images = [img,0,th1,img,0,th2,blur,0,th3]
titles = ['Original Noisy Image','Histogram','BINARY',
            'Original Noisy Image','Histogram',"OTSU",
            'Gaussian Filtered Image','Histogram',"OTSU",]
for i in range(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]),plt.xticks([]),plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]),plt.xticks([]),plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]),plt.xticks([]),plt.yticks([])
plt.show()

图像平滑处理

对于图像的平滑处理，我们可以考虑对有噪音的图像进行一系列的滤波操作。首先我们需要准备一张具有噪音的图片，然后进行各种滤波操作再进行比对。

img = cv2.imread('lenaNoise.png')

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

均值滤波

均值滤波简单的来说就是进行简单的平均卷积操作，代码与展示图如下

blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框滤波

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()

不选择归一化，容易越界，越界按255处理

box = cv2.boxFilter(img,-1,(3,3), normalize=False)  
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

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。

gaussian = cv2.GaussianBlur(img, (5, 5), 1)  
cv2.imshow('gaussian', gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

中值滤波

中值滤波相当于用中值代替

median = cv2.medianBlur(img, 5)

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

对比展示

#竖着展示可以使用np.vstack
res = np.hstack((blur,gaussian,median))
#print (res)
cv2.imshow('median && gaussian && blur', res)
cv2.waitKey(0)
cv2.destroyAllWindows()