图像识别学习

一、原始图片分类：
单通道：灰度图片，0-255
三通道：带彩色的图片：如RGB，红绿蓝，每个颜色都有0-255
四通道：RGB带Alpha通道
img = cv2.imread("D:\cat.jpg") #读取图像
cv2.namedWindow("Image") #创建窗口
cv2.imshow("Image", img) #显示窗口
cv2.waitKey (0)#停止在当前窗口，否则一闪而过
cv2.destroyAllWindows()#撤销窗口

二、原始图片经过opencv处理后变为0-1矩阵形式：
0010001
1010010
0000100
其中又分为以下几步：
1.将三通道/四通道图片转为单通道图片，即灰度图片

2.将灰度图片二值化（即01化），关键概念：阈值，低于阈值的为0，即黑色，高于阈值的为1，为白色
3.有的时候还需要做反向处理：
如将：
11111111111
1100000001
11111111111
转化为：
0000000000
00111111110
0000000000

三、二值化图片的基本处理算法：
1.腐蚀
腐蚀是对白色部分而言的，即矩阵中的1
首先要有一个目标图片，例如

test3.png

然后有一个结构元素，这个结构元素有多种结构，例如3x3的矩阵、十字形、菱形，但是一定要指定一个中心。
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))#定义一个十字形结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))#定义一个33的矩形结构元素
表述一：结构元素和目标图片的白色部分进行求交，当结构元素包含于目标图片白色部分的时候，其指定中心即为腐蚀结果（白色/1）。如果结构元素不能包含于目标白色部分，则该部分为黑色/0.
表述二：对于二值图像的每一个像素点（无论０还是１），我们将他与模板核的核心重叠，查看模板核中所有值为１的格点组成的图像是否被完全包含在那个二值图像中。如果是，则将该像素点更新为１，否则，更新为０。
特别的，如果是一个白色图片的最外边缘，则仍为白色。
eroded = cv2.erode(img,kernel)#腐蚀图像
腐蚀后的图片：

test3_out.png

数学方法：
假如结构元素是一个33的矩阵：
111
111
111
用该矩阵去和目标图片中的白色部分求交，其中心和目标图片白色部分的某像素重叠，然后获取两者相交部分，目标图片白色部分的所有像素点值的集合，取其最小值，即为腐蚀后的值。

2.膨胀：
对于二值图像的每一个为1的像素点，我们将他与模板核的核心重叠，将所有模板核为1的位置下的目标图像对应位置像素改为1。所有的1求并集即为膨胀后的结果。
dilated = cv2.dilate(img,kernel)#膨胀图像

3.开运算：
先腐蚀后膨胀
先腐蚀，白色部分变小，后膨胀，白色部分再变大。
开运算可以消除一些很小的背景（黑色背景）噪点（椒盐噪声），平滑较大物体的边界而不明显改变其体积。也会磨光矩形的内边缘，以及分离一些粘连目标。
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)#开运算

4.闭运算：
先膨胀后腐蚀
先膨胀，白色部分变大，再腐蚀，白色部分变小。
闭运算在去除图像的前景（白色部分）噪声方面具有很好的应用，通过闭运算之后，图像原有目标的间断可以得到连接、目标内部的孔洞可以得到填充而基本不改变原图的大小以及形态。同时也会磨光凸向图像内部的边角。
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)#闭运算

思考：如何利用开闭运算获取水平线和垂直线？
思路：对于非水平线和非垂直线，如色块，可以用大一点的结构元素去做开运算，得到的结果是去除了水平线和垂直线的色块（大小和开运算之前相同），然后用原始矩阵减去开运算后的矩阵，得到的就是纯水平线和纯垂直线。
对于纯垂直线，可以用31的矩阵做开运算删除水平线，然后运算前和运算后相减，得到垂直线。
对于纯水平线，可以用31的矩阵做开运算删除垂直线，然后运算前和运算后相减，得到水平线。