当前位置： 首页 > news >正文

【OpenCV篇】OpenCV——02day.图像预处理（1）

news 2025/7/25 11:28:42

目录

前言

一、图像色彩空间转换

1 RGB颜色空间

2 颜色加法

3 颜色加权加法

4 HSV颜色空间

5 RGB转Gray(灰度)

二、灰度实验

1 灰度图

2 最大值法

3 平均值法

4 加权均值法

5 两个极端的灰度值

三、图像二值化处理

二值图像

1 阈值法(THRESH_BINARY)

2 反阈值法(THRESH_BINARY_INV)

3 截断阈值法(THRESH_TRUNC)

4 低阈值零处理(THRESH_TOZERO）

5 超阈值零处理(THRESH_TOZERO_INV)

6 OTSU阈值法

7 自适应二值化

7.1.取均值

7.2.加权求和

二值化代码示例：

四、图像变换操作

1.图像翻转(图像镜像旋转)

2. 图像仿射变换

3. 图像旋转

4. 图像平移

5. 图像缩放

总结

前言

        这一章讲一下图像在色彩空间里面的转换，如何把色彩图转化为灰度图，以及如何将图像二值化处理和图像的翻转操作

一、图像色彩空间转换

        在OpenCV中，图像色彩空间转换是一项基础且重要的操作，它涉及将图像从一种颜色表示形式转换为另一种表示形式的过程。通过这种转换，可以更有效地执行特定类型的图像处理和分析任务。常见的颜色空间包括RGB、HSV、YUV等。

  • 色彩空间转换的作用：
    • 提高图像处理效果：转换到更适合的色彩空间（如HSV用于颜色分割）可以提升算法的准确性和鲁棒性。
    • 节省计算资源：在优化后的色彩空间中处理图像，能降低计算复杂度，从而减少资源消耗。

1 RGB颜色空间

        在图像处理中，最常见的就是RGB颜色空间。RGB颜色空间是我们接触最多的颜色空间，是一种用于表示和显示彩色图像的一种颜色模型。RGB代表红色（Red）、绿色（Green）和蓝色（Blue），这三种颜色通过不同强度的光的组合来创建其他颜色，广泛应用于我们的生活中，比如电视、电脑显示屏以及上面实验中所介绍的RGB彩色图。

        RGB颜色模型基于笛卡尔坐标系，如下图所示，RGB原色值位于3个角上，二次色青色、品红色和黄色位于另外三个角上，黑色位于原点处，白色位于离原点最远的角上。因为黑色在RGB三通道中表现为（0，0，0），所以映射到这里就是原点；而白色是（255，255，255），所以映射到这里就是三个坐标为最大值的点。

        RGB颜色空间可以产生大约1600万种颜色，几乎包括了世界上的所有颜色，也就是说可以使用RGB颜色空间来生成任意一种颜色。

注意：在OpenCV中，颜色是以BGR的方式进行存储的，而不是RGB，这也是上面红色的像素值是（0，0，255）而不是（255，0，0）的原因。

2 颜色加法

图像相加的方法有两种：

  • 使用OpenCV的cv.add()函数进行图像相加
  • 通过我们之前学过的NumPy直接相加

OpenCV加法与NumPy加法的区别：

OpenCV加法（饱和运算）
        当计算结果超出有效像素值范围（例如0-255）时，OpenCV会将结果截断到最接近的边界值。例如，加法结果为300时，输出会被限制为255；结果为-50时，输出会被限制为0。这种处理方式更适合图像处理，能避免因数值溢出导致的异常亮暗区域。

NumPy加法（模运算）
        NumPy的加法基于模运算，计算结果超出有效范围时，会对255取模。例如，255+1=256，在8位图像中会输出0（对256来取模256 mod 256 = 0）；300会被映射为44（对300来取模300 mod 256 = 44）。这种运算在图像处理中可能导致不自然的像素值循环，如亮区突然变暗或暗区突然变亮。

ps：讲一下模运算与取余的区别

取余运算​：
整数商（c）向 ​0 方向舍入​（即截断小数部分，Math.trunc()）。
公式：r = a - b * trunc(a / b)
​结果符号与被除数（a）相同。
​示例​：-7 ÷ 4 → 商 c = trunc(-1.75) = -1，余数 r = -7 - (-1)*4 = -3

模运算​：
整数商（c）向 ​负无穷方向舍入​（Math.floor()）。
公式：r = a - b * floor(a / b)
​结果符号与除数（b）相同。
​示例​：-7 ÷ 4 → 商 c = floor(-1.75) = -2，余数 r = -7 - (-2)*4 = 1

只有当被除数与除数同号时，两者结果相同（如 7 % 4 = 3，-7 % -4 = -3）

示例代码：

import cv2 as cv
import numpy as np
# 读取图像
pig = cv.imread("../images/pig.png")
grass = cv.imread("../images/cao.png")# 饱和操作cv.add(img1, img2)   np.uint8 0~255  250+10=255(加到最大值也只会是255，最小为0)
saturation1 = cv.add(pig, grass)
# cv.imshow("saturation1", saturation1)# 使用numpy直接相加  取模运算  对256取模  250+10=260%256=4
saturation2 = pig + grass
# cv.imshow("saturation2", saturation2)x = np.uint8([[250]])
y = np.uint8([[10]])
xy1 = cv.add(x, y)
xy2 = x + y
print(xy1)
print(xy2)cv.waitKey(0)
cv.destroyAllWindows()

3 颜色加权加法

cv2.addWeighted(src1,alpha,src2,deta,gamma)

src1、src2:输入图像。

alpha、beta：两张图象权重。

gamma：亮度调整值。

        gamma > 0，图像会变亮。

        gamma < 0，图像会变暗。

        gamma = 0，则没有额外的亮度调整。

        这也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉。图像混合的计算公式如下：

g(x) = (1−α)f0(x) + αf1(x)

通过修改 α 的值（0 → 1），可以实现非常炫酷的混合。

        现在我们把两幅图混合在一起。第一幅图的权重是0.7，第二幅图的权重是0.3。函数cv2.addWeighted()可以按下面的公式对图片进行混合操作。

dst = α⋅img1 + β⋅img2 + γ

这里γ取为零。

# 颜色加权加法 cv.addWeighted(img1, alpha(图片1的权重), img2, beta(图片2的权重), gamma(亮度调整))
dst = cv.addWeighted(pig, 0.4, grass, 0.6, 30)
cv.imshow("addWeighted", dst)

4 HSV颜色空间

cv.cvtColor(img, cv.COLOR_BGR2HSV)

        HSV颜色空间指的是HSV颜色模型，这是一种与RGB颜色模型并列的颜色空间表示法。RGB颜色模型使用红、绿、蓝三原色的强度来表示颜色，是一种加色法模型，即颜色的混合是添加三原色的强度。而HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色，色调H表示颜色的种类，如红色、绿色、蓝色等；饱和度表示颜色的纯度或强度，如红色越纯，饱和度就越高；亮度表示颜色的明暗程度，如黑色比白色亮度低。

HSV颜色模型是一种六角锥体模型，如下图所示：

色调H：

        使用角度度量，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°。它们的补色是：黄色为60°，青色为180°，紫色为300°。通过改变H的值，可以选择不同的颜色

饱和度S：

        饱和度S表示颜色接近光谱色的程度。一种颜色可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例越大，颜色接近光谱色的程度就越高，颜色的饱和度就越高。饱和度越高，颜色就越深而艳，光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%~100%，其中0%表示灰色或无色，100%表示纯色，通过调整饱和度的值，可以使颜色变得更加鲜艳或者更加灰暗。

明度V：

        明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白），通过调整明度的值，可以使颜色变得更亮或者更暗。

        一般对颜色空间的图像进行有效处理都是在HSV空间进行的，然后对于基本色中对应的HSV分量需要给定一个严格的范围，下面是通过实验计算的模糊范围（准确的范围在网上都没有给出）。

H: 0— 180

S: 0— 255

V: 0— 255

此处把部分红色归为紫色范围：

为什么有了RGB颜色空间我们还是需要转换成HSV颜色空间来进行图像处理呢？

        符合人类对颜色的感知方式：人类对颜色的感知是基于色调、饱和度和亮度三个维度的，而HSV颜色空间恰好就是通过这三个维度来描述颜色的。因此，使用HSV空间处理图像可以更直观地调整颜色和进行色彩平衡等操作，更符合人类的感知习惯。

        颜色调整更加直观：在HSV颜色空间中，色调、饱和度和亮度的调整都是直观的，而在RGB颜色空间中调整颜色不那么直观。例如，在RGB空间中要调整红色系的颜色，需要同时调整R、G、B三个通道的数值，而在HSV空间中只需要调整色调和饱和度即可。

        降维处理有利于计算：在图像处理中，降维处理可以减少计算的复杂性和计算量。HSV颜色空间相对于RGB颜色空间，减少了两个维度（红、绿、蓝），这有利于进行一些计算和处理任务，比如色彩分割、匹配等。

因此，在进行图片颜色识别时，我们会将RGB图像转换到HSV颜色空间，然后根据颜色区间来识别目标颜色。

5 RGB转Gray(灰度)

 cv2.cvtColor 是OpenCV中的一个函数，用于图像颜色空间的转换。可以将一个图像从一个颜色空间转换为另一个颜色空间，比如从RGB到灰度图，或者从RGB到HSV的转换等。

cv2.cvtColor(img,code)

img 参数
        可以传入 NumPy 数组或 OpenCV 的 Mat 对象。Python 中 OpenCV 函数通常直接处理 NumPy 数组，OpenCV 会自动在 Mat 和数组之间转换。例如 cv2.imread()返回的就是 NumPy 数组。

code 参数
        用于指定颜色空间转换类型。例如：

                cv2.COLOR_RGB2GRAY 表示将 RGB 图像转为灰度图

                其他常见代码包括 cv2.COLOR_BGR2RGB 等

示例代码：

import cv2 as cv# 读取图像
img = cv.imread("../images/1.jpg")# 颜色转换 cv.cvtColor(img, code, dst, dstCn)
# 转灰度图
dst = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow("src", dst)# 转HSV
dst1 = cv.cvtColor(img, cv.COLOR_BGR2HSV)
cv.imshow("HSV", dst1)# 转RGB
dst2 = cv.cvtColor(img, cv.COLOR_BGR2RGB)
cv.imshow("RGB", dst2)cv.waitKey(0)

二、灰度实验

        彩色图像转换为灰度图像（灰度化）是图像处理和计算机视觉中的基础操作，其核心是将RGB三通道信息融合为单通道数据。彩色图像由红（R）、绿（G）、蓝（B）三通道组成，而灰度图仅保留单一亮度通道。灰度化本质是通过数学映射将三维颜色空间压缩为一维亮度值。

1 灰度图

        灰度图像指每个像素仅包含单一采样颜色的图像，通常表现为从纯黑到纯白之间的连续过渡色调。尽管采样颜色理论上可为任意色调的不同明度变化，甚至可呈现不同亮度下的异色效果，但实际应用中多采用可见光谱范围内的亮度测量值。

        黑白图像（二值图像）仅包含绝对黑与绝对白两种颜色状态。相比之下，灰度图像具有丰富的过渡层次，通过在黑白之间设置多级颜色深度实现平滑的亮度渐变。典型计算机系统中，显示用的灰度图像采用8位非线性存储格式，可精确记录256级灰度值。

        灰度图像的生成通常基于单电磁波频谱的像素亮度测量。每个像素点的数值对应特定亮度级别，这种线性或非线性量化过程保留了原始场景的光照信息。8位存储方案通过二进制编码实现高效的灰度等级存储，其中0代表全黑，255代表全白。

2 最大值法

        对于彩色图像的每个像素，它会从R、G、B三个通道的值中选出最大的一个，并将其作为灰度图像中对应位置的像素值。

例如某图像中某像素点的像素值如上图所示，那么在使用最大值法进行灰度化时，就会从该像素点对应的RGB通道中选取最大的像素值作为灰度值，所以在灰度图中的对应位置上，该像素点的像素值就是121。

示例代码：

import cv2 as cv
import numpy as np# 读取图像
pig = cv.imread("../images/pig.png")
shape = pig.shape
img = np.zeros((shape[0], shape[1]),  dtype=np.uint8)
# 循环遍历每一行
for i in range(shape[0]):for j in range(shape[1]):img[i, j] = max(pig[i, j, 0], pig[i, j, 1], pig[i, j, 2])cv.imshow("pig", img)
cv.waitKey(0)
cv.destroyAllWindows()

3 平均值法

对于彩色图像的每个像素，它会将R、G、B三个通道的像素值全部加起来，然后再除以三，得到的平均值就是灰度图像中对应位置的像素值。

例如某图像中某像素点的像素值如上图所示，那么在使用平均值进行灰度化时，其计算结果就是（91+121+46）/3=86（对结果进行取整），所以在灰度图中的对应位置上，该像素点的像素值就是86。  

示例代码：

import cv2 as cv
import numpy as np# 读取图像
pig = cv.imread("../images/pig.png")
shape = pig.shape
img = np.zeros((shape[0], shape[1]),  dtype=np.uint8)# 循环遍历每一行
for i in range(shape[0]):for j in range(shape[1]):# int()：转为更大的数据类型，防止溢出img[i, j] = np.uint8((int(pig[i, j, 0]) + int(pig[i, j, 1]) + int(pig[i, j, 2])) // 3)cv.imshow("pig", img)
cv.waitKey(0)
cv.destroyAllWindows()


4 加权均值法

        对于彩色图像的每个像素，它会按照一定的权重去乘以每个通道的像素值，并将其相加，得到最后的值就是灰度图像中对应位置的像素值。本实验中，权重的比例为： R乘以0.299，G乘以0.587，B乘以0.114，这是经过大量实验得到的一个权重比例，也是一个比较常用的权重比例。

        所使用的权重之和应该等于1。这是为了确保生成的灰度图像素值保持在合理的亮度范围内，并且不会因为权重的比例不当导致整体过亮或过暗。

例如某图像中某像素点的像素值如上图所示，那么在使用加权平均值进行灰度化时，其计算结果就是10*0.299+121*0.587+46*0.114=79。所以在灰度图中的对应位置上，该像素点的像素值就是79。

代码示例： 

import cv2 as cv
import numpy as np# 读取图像
pig = cv.imread("../images/pig.png")
shape = pig.shape
img = np.zeros((shape[0], shape[1]),  dtype=np.uint8)# 定义权重
wb, wg, wr = 0.114, 0.587, 0.299# 循环遍历每一行
for i in range(shape[0]):for j in range(shape[1]):img[i, j] = round(wb * pig[i, j, 0] + wg * pig[i, j, 1] + wr * pig[i, j, 2])cv.imshow("pig", img)
cv.waitKey(0)
cv.destroyAllWindows()


5 两个极端的灰度值

在灰度图像中，“极端”的灰度值指的是亮度的两个极端：最暗和最亮的值。

  • 最暗的灰度值：0。这代表完全黑色，在灰度图像中没有任何亮度。

  • 最亮的灰度值：255。这代表完全白色，在灰度图像中具有最大亮度。

三、图像二值化处理

二值图像

        将某张图像的所有像素改成只有两种值之一。 一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。由于每一像素（矩阵中每一元素）取值仅有0、1两种可能，所以计算机中二值图像的数据类型通常为1个二进制位。二值图像通常用于文字、线条图的扫描识别（OCR）和掩膜图像的存储。

 

        其操作的图像也必须是灰度图，也就是说，二值化的过程，就是将一张灰度图上的像素根据某种规则修改为0和maxval（maxval表示最大值，一般为255，显示白色）两种像素值，使图像呈现黑白的效果，能够帮助我们更好地分析图像中的形状、边缘和轮廓等特征。

        简便：降低计算量和计算需求，加快处理速度。

        节约资源：二值图像占用空间远小于彩色图。

        边缘检测：二值化常作为边缘检测的预处理步骤，因为简化后的图易于识别出轮廓和边界。

1~6是所有阈值法的解释

_,binary = cv2.threshold(img,thresh,maxval,type)

        img：输入图像，要进行二值化处理的灰度图。

        thresh：设定的阈值。当像素值大于(或小于，取决于阈值类型)thresh时，该像素被赋予的值。

        type：阈值处理的类型。

返回值：

        第一个值（通常用下划线表示）：计算出的阈值，若使用自适应阈值法，会根据算法自动计算出这个值。

        第二个值（binary）：二值化后的图像矩阵。与输入图像尺寸相同。

在本实验中，使用了六种不同的方式来对灰度图进行二值化。


1 阈值法(THRESH_BINARY)

        阈值法就是通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（通常代表背景），大于阈值的像素就被设置为maxval（通常代表前景）。对于我们的8位图像(0~255)来说，通常是设置为255。

       如上图所示，在灰度图中像素值较高的地方，如花瓣、花茎等地方的像素值比阈值高，那么在生成的二值化图中的对应位置的像素值就会被设置为255，也就是纯白色。

cv2.IMREAD_GRAYSCALE：OpenCV 中用于指定图像加载模式的一个标志，它告诉 cv.imread() 函数以灰度格式读取图像。


示例代码统一放在7下面

2 反阈值法(THRESH_BINARY_INV)

顾名思义，就是与阈值法相反。反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图的像素值小于等于阈值时，该像素值将会变成maxval。

        如上图所示，使用反阈值法对灰度图进行二值化时，会将灰度图中像素值大于阈值的地方置为0（也就是黑），将灰度图中像素值小于阈值的地方置为255（也就是白）。

示例代码统一放在7下面

3 截断阈值法(THRESH_TRUNC)

        截断阈值法，指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变。换句话说，经过截断阈值法处理过的二值化图中的最大像素值就是阈值。

 

当截断阈值为255时，如上图所示，可以看到灰度图与二值化图没有任何的区别。

使用截断阈值法进行图像二值化处理时，设置的maxval参数实际上是不起作用的。

示例代码统一放在7下面

4 低阈值零处理(THRESH_TOZERO）

        低阈值零处理，字面意思，就是像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。  

如上图所示，在灰度图中较亮的部分，其像素值比阈值大，所以在二值化后其像素值并没有发生变化。而灰度图中较暗的部分，也就是像素值较低的地方，由于像素值比阈值小，就会被置为0，对应二值化图中的黑色部分。

示例代码统一放在7下面

5 超阈值零处理(THRESH_TOZERO_INV)

        超阈值零处理就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

        如上图所示，在灰度图中较亮的部分，其像素值比阈值大，所以在二值化后其像素值会被置为0（也就是黑色），对应二值化图中的黑色部分。而灰度图中较暗的部分，也就是像素值较低的地方，由于像素值比阈值小，将不会发生改变。

        以上介绍的二值化方法都需要手动设置阈值，但是在不同的环境下，摄像头拍摄的图像可能存在差异，导致手动设置的阈值并不适用于所有图像，这可能会导致二值化效果不理想。

        因此，我们需要一种能自动计算每张图片阈值的二值化方法，能够根据每张图像的特点自动计算出适合该图像的二值化阈值，从而达到更好的二值化效果。这种二值化方法可以在不同环境下适用，提高图像处理的准确性和鲁棒性。

示例代码统一放在7下面

6 OTSU阈值法

        cv2.THRESH_OTS 并不是一个有效的阈值类型或标。THRESH_OTSU 本身并不是一个独立的阈值化方法，而是与 OpenCV 中的二值化方法结合使用的一个标志。具体来说，THRESH_OTSU 通常与 THRESH_BINARY 或 THRESH_BINARY_INV 结合使用。在实际应用中，如果你使用 THRESH_OTSU 标志但没有指定其他二值化类型，默认情况下它会与 THRESH_BINARY 结合使用。也就是说，当你仅指定了 cv2.THRESH_OTSU，实际上等同于同时指定了 cv2.THRESH_BINARY + cv2.THRESH_OTSU。


        简单来说就是cv2.THRESH_OTSU 是 OpenCV 中用于自动计算最优阈值的标志，但它需要与其他二值化方法（如 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV）结合使用。单独指定该标志时，OpenCV 默认会将其与 cv2.THRESH_BINARY 组合。

        在介绍OTSU阈值法之前，我们首先要了解一下双峰图片的概念。

        双峰图片就是指灰度图的直方图上有两个峰值，直方图就是对灰度图中每个像素值的点的个数的统计图，如下图所示。

灰度图直方图的基础概念

  1. 灰度级：

    • 在灰度图像中，每个像素的值代表其亮度，通常范围是 0 到 255（对于 8 位灰度图像）。

    • 0 表示黑色，255 表示白色，中间的值表示不同程度的灰色。

  2. 直方图定义：

    • 直方图是一个柱状图，其中 x 轴表示灰度级（从 0 到 255），y 轴表示对应灰度级在图像中出现的次数（频率）。

    • 每个柱子的高度代表该灰度级在图像中出现的像素数量。

        OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类。例如，如果你设置阈值为128，则所有大于128的像素点可以被视作前景，而小于等于128的像素点则被视为背景。），通过统计学方法（最大类间方差）来验证该值的合理性，当根据该值进行分割时，使用最大类间方差计算得到的值最大时，该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算，直到灰度图中的最大像素值减1，然后把得到的最大类间方差值进行比较，来得到二值化的阈值。以下是一些符号规定：

T：阈值

N_{0}：前景像素点数

N_{1}：背景像素点数

\omega_{0}：前景的像素点数占整幅图像的比例

\omega_{1}：背景的像素点数占整幅图像的比例

\mathcal{U}0：前景的平均像素值

\mathcal{U}1：背景的平均像素值

\mathcal{U}：整幅图的平均像素值

rows×cols：图像的行数和列数

下面举个例子，有一张大小为4×4的图片，假设阈值T为1，那么：

 

        也就是这张图片根据阈值1分为了前景（像素为2的部分）和背景（像素为0）的部分，并且计算出了OTSU算法所需要的各个数据，根据上面的数据，我们给出计算类间方差的公式：

g=\omega_{0}(\mu_{0}-\mu)^{2}+\omega_{1}(\mu_{1}-\mu)^{2}

        g就是前景与背景两类之间的方差，这个值越大，说明前景和背景的差别就越大，效果就越好。OTSU算法就是在灰度图的像素值范围内遍历阈值T，使得g最大，基本上双峰图片的阈值T在两峰之间的谷底。

通过OTSU算法得到阈值之后，就可以结合上面的方法根据该阈值进行二值化，在本实验中有THRESH_OTSU和THRESH_INV_OTSU两种方法，就是在计算出阈值后结合了阈值法和反阈值法。

注意：使用OTSU算法计算阈值时，组件中的thresh参数将不再有任何作用。

示例代码统一放在7下面

 

7 自适应二值化

cv2.adaptiveThreshold(image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

        与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化。

        自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息。自适应二值化组件内容如下图所示：

 

其中各个参数的含义如下：

 maxval ：最大阈值，一般为255

 adaptiveMethod ：小区域阈值的计算方式：

 ADAPTIVE_THRESH_MEAN_C ：小区域内取均值

 ADAPTIVE_THRESH_GAUSSIAN_C ：小区域内加权求和，权重是个高斯核

 thresholdType ：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

 blockSize ：选取的小区域的面积，如7就是7\*7的小块。

 c ：最终阈值等于小区域计算出的阈值再减去此值

下面介绍一下这两种方法。

7.1.取均值

比如一张图片的左上角像素值如下图所示：

        假如我们使用的小区域是3*3的，那么就会从图片的左上角开始（也就是像素值为162的地方）计算其邻域内的平均值，如果处于边缘地区就会对边界进行填充，填充值就是边界的像素点，如下图所示：

 

        那么对于左上角像素值为162的这个点，161（也就是上图中括号内的计算结果，结果会进行取整）就是根据平均值计算出来的阈值，接着减去一个固定值C，得到的结果就是左上角这个点的二值化阈值了，接着根据选取的是阈值法还是反阈值法进行二值化操作。紧接着，向右滑动计算每个点的邻域内的平均值，直到计算出右下角的点的阈值为止。我们所用到的不断滑动的小区域被称之为核，比如3*3的小区域叫做3*3的核，并且核的大小都是奇数个，也就是3*3、5*5、7*7等。

        自适应二值化（Adaptive Thresholding）的核心思想就是为图像中的每个像素点计算一个局部阈值。这种方法与全局阈值化不同，后者对整个图像使用同一个固定的阈值。而在自适应二值化中，每个像素的阈值是基于其周围邻域内的像素值动态确定的。


7.2.加权求和

对小区域内的像素进行加权求和得到新的阈值，其权重值来自于高斯分布。

高斯分布，通过概率密度函数来定义高斯分布，一维高斯概率分布函数为：

p(y)={\frac{1}{\sigma{\sqrt{2\pi}}}}e^{​{\frac{-(y-\mu)^{2}}{2\sigma^{2}}}}

通过改变函数中和的值，我们可以得到如下图像，其中均值为\mu，标准差为\sigma^{2}。

此时我们拓展到二维图像，一般情况下我们使x轴和y轴的相等并且，此时我们可以得到二维高斯函数的表达式为：

g(x,y)=\frac{1}{2\pi\sigma ^{2}}e^{-\frac{(x^{2}+y^{2})}{2\sigma^{2}}}

高斯概率函数是相对于二维坐标产生的，其中（x,y）为点坐标，要得到一个高斯滤波器模板，应先对高斯函数进行离散化，将得到的值作为模板的系数。例如：要产生一个3*3的高斯权重核，以核的中心位置为坐标原点进行取样，其周围的坐标如下图所示（x轴水平向右，y轴竖直向上）

将坐标带入上面的公式中，即可得到一个高斯权重核。

而在opencv里，当kernel(小区域)的尺寸为1、3、5、7并且用户没有设置sigma的时候(sigma <= 0),核值就会取固定的系数，这是一种默认的值是高斯函数的近似。

kernel尺寸核值
1[1]
3[0.25, 0.5, 0.25]
5[0.0625, 0.25, 0.375, 0.25, 0.0625]
7[0.03125, 0.109375, 0.21875, 0.28125, 0.21875, 0.109375, 0.03125]

比如kernel的尺寸为3*3时，使用

\left[\begin{array}{c}{​{0.25}}\\ {​{0.5}}\\ {​{0.25}}\end{array}\right]\times\left[0.25~~~~0.5~~~~0.25\right]

进行矩阵的乘法，就会得到如下的权重值，其他的类似。

kernel=\left[\begin{array}{c}{​{0.0625~~~0.125~~~0.0625}}\\{​{0.125~~~~0.25~~~~0.125}}\\ {​{0.0625~~~0.125~~~0.0625}} \end{array}\right]

通过这个高斯核，即可对图片中的每个像素去计算其阈值，并将该阈值减去固定值得到最终阈值，然后根据二值化规则进行二值化。

而当kernels尺寸超过7的时候,如果sigma设置合法(用户设置了sigma),则按照高斯公式计算.当sigma不合法(用户没有设置sigma),则按照如下公式计算sigma的值：

\sigma=0.3*\big((k s i z e-1)*0.5-1\big)+0.8

某像素点的阈值计算过程如下图所示：

 

首先还是对边界进行填充，然后计算原图中的左上角（也就是162像素值的位置）的二值化阈值，其计算过程如上图所示，再然后根据选择的二值化方法对左上角的像素点进行二值化，之后核向右继续计算第二个像素点的阈值，第三个像素点的阈值…直到右下角（也就是155像素值的位置）为止。

当核的大小不同时，仅仅是核的参数会发生变化，计算过程与此是一样的。

cv2.adaptiveThreshold参数解释:

1. image_np_gray: 输入图像，这里必须是灰度图像（单通道）。

2. 255: 输出图像的最大值。在二值化后，超过自适应阈值的像素会被设置为该最大值，通常为255表示白色；未超过阈值的像素将被设置为0，表示黑色。

3. cv2.ADAPTIVE_THRESH_GAUSSIAN_C: 自适应阈值类型。在这个例子中，使用的是高斯加权的累计分布函数（CDF），并添加一个常数 C 来计算阈值。另一种可选类型是 cv2.ADAPTIVE_THRESH_MEAN_C，它使用邻域内的平均值加上常数 C 计算阈值。

4. cv2.THRESH_BINARY: 输出图像的类型。这意味着输出图像将会是一个二值图像（binary image），其中每个像素要么是0要么是最大值（在这里是255）。另外还有其他选项如 cv2.THRESH_BINARY_INV 会得到相反的二值图像。

5. 7: blockSize 参数，表示计算每个像素阈值时所考虑的7x7邻域大小（正方形区域的宽度和高度），其值必须是奇数。

6. 10: C 参数，即上面提到的常数值，在计算自适应阈值时与平均值或高斯加权值相加。正值增加阈值，负值降低阈值，具体效果取决于应用场景。

二值化代码示例：

import cv2 as cv
# 读图
flower = cv.imread('../images/flower.png')flower = cv.resize(flower, (0, 0), fx=0.5, fy=0.5)
# 灰度化
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)
cv.imshow("1", gray)
# 二值化  阈值法
ret, binary1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
# cv.imshow('binary1', binary1)# 二值化  反阈值法
_, binary_inv = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)
# cv.imshow('binary2', binary_inv)# 二值化 截断阈值法
_, binary_trunc = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)
# cv.imshow('binary3', binary_trunc)# 二值化   低阈值零处理
_, binary_tozero = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)
# cv.imshow('binary4', binary_tozero)# 二值化   超阈值零处理
_, binary_tozero_inv = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO_INV)
# cv.imshow('binary5', binary_tozero_inv)# OTSU阈值法  默认结合cv.THRESH_BINARY  cv.THRESH_OTSU = cv.THRESH_BINARY + cv.THRESH_OTSU
_, binary_otsu = cv.threshold(gray, 200, 255, cv.THRESH_OTSU)
# cv.imshow('binary_otsu', binary_otsu)_, binary_otsu1 = cv.threshold(gray, 200, 255, cv.THRESH_OTSU + cv.THRESH_BINARY_INV)
# cv.imshow('binary_otsu1', binary_otsu1)# 自适应二值化  小区域计算  必须结合阈值法或者反阈值法，否则会报错，但只能结合一个
# 取均值
binary_adaptive = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 9, 6)
cv.imshow('binary_adaptive', binary_adaptive)# 加权均值法 高斯核
binary_adaptive_gaussian = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 9, 6)
cv.imshow('binary_adaptive_gaussian', binary_adaptive_gaussian)cv.waitKey(0)
cv.destroyAllWindows()

四、图像变换操作

1.图像翻转(图像镜像旋转)

在OpenCV中，图片的镜像旋转是以图像的中心为原点进行镜像翻转的。

  • cv2.flip(img,flipcode)

  • 参数

    • img: 要翻转的图像

    • flipcode: 指定翻转类型的标志

      • flipcode=0: 垂直翻转，图片像素点沿x轴翻转

      • flipcode>0: 水平翻转，图片像素点沿y轴翻转

      • flipcode<0: 水平垂直翻转,水平翻转和垂直翻转的结合

import cv2 as cvface = cv.imread("../images/gezi.png")
face = cv.resize(face, (0, 0), fx=0.5, fy=0.5)
cv.imshow("face", face)# flipcode = 0 表示垂直翻转  沿着x轴翻转 上下翻转 1 表示水平翻转 沿着y轴翻转 左右翻转
filp_0 = cv.flip(face, 0)
cv.imshow("filp_0", filp_0)
filp_1 = cv.flip(face, 1)
cv.imshow("filp_1", filp_1)
filp_2 = cv.flip(face, -1)
cv.imshow("filp_2", filp_2)cv.waitKey(0)
cv.destroyAllWindows()

2. 图像仿射变换

仿射变换（Affine Transformation）是一种线性变换,保持了点之间的相对距离不变。

仿射变换的基本性质

  • 保持直线

  • 保持平行

  • 比例不变性

  • 不保持角度和长度

常见的仿射变换类型

  • 旋转：绕着某个点或轴旋转一定角度。

  • 平移：仅改变物体的位置，不改变其形状和大小。

  • 缩放：改变物体的大小。

  • 剪切：使物体发生倾斜变形。

仿射变换的基本原理

  • 线性变换

  • 二维空间中，图像点坐标为(x,y)，仿射变换的目标是将这些点映射到新的位置 (x', y')。

  • 为了实现这种映射，通常会使用一个矩阵乘法的形式：

    （类似于y=kx+b）

 

  • a，b，c，d 是线性变换部分的系数，控制旋转、缩放和剪切。

  • t_x，t_y是平移部分的系数，控制图像在平面上的移动。

  • 输入点的坐标被扩展为齐次坐标形式[x,y,1]，以便能够同时处理线性变换和平移

cv2.warpAffine()函数

  • 仿射变换函数

cv2.warpAffine(img,M,dsize)
  • g：输入图像。
  • M：2x3的变换矩阵，类型为np.float32。
  • dsize：输出图像的尺寸，形式为(width,height)。

 

3. 图像旋转

旋转图像可以将图像绕着某个点旋转一定的角度。

cv2.getRotationMatrix2D()函数

  • 获取旋转矩阵

    cv2.getRotationMatrix2D(center,angle,scale)

    • center：旋转中心点的坐标，格式为(x,y)。

    • angle：旋转角度，单位为度，正值表示逆时针旋转负值表示顺时针旋转。

    • scale：缩放比例，若设为1，则不缩放。

    • 返回值：M，2x3的旋转矩阵。

import cv2 as cvcat = cv.imread("../images/cat1.png")
cat = cv.resize(cat, (520, 520))# 获取旋转矩阵 cv2.getRotationMatrix2D(旋转中心center，旋转角度angle，缩放因子scale)
matrix = cv.getRotationMatrix2D((260, 260), -45, 1)# 仿射变换 cv2.warpAffine(src, M, dsize)  (w, h)
result = cv.warpAffine(cat, matrix, (520, 520))
cv.imshow("result", result)cv.waitKey(0)
cv.destroyAllWindows()

4. 图像平移

移操作可以将图像中的每个点沿着某个方向移动一定的距离。

  • 假设我们有一个点 P(x,y)，希望将其沿x轴方向平移t_x*个单位，沿y轴方向平移t_y个单位到新的位置P′(x′,y′)，那么平移公式如下：

    x′=x+tx

    y′=y+ty

    在矩阵形式下，该变换可以表示为：

 这里的t_x和t_y分别代表在x轴和y轴上的平移量。 

import cv2 as cv
import numpy as npcat = cv.imread("../images/cat1.png")
cat = cv.resize(cat, (520, 520))# 定义平移量
tx = 80
ty = 120# 定义平移矩阵
M = np.float32([[1, 0, tx], [0, 1, ty]])
# 仿射变换
dst = cv.warpAffine(cat, M, (400, 400))
cv.imshow("result", dst)
cv.waitKey(0)
cv.destroyAllWindows()


5. 图像缩放

缩放操作可以改变图片的大小。

  • 假设要把图像的宽高分别缩放为0.5和0.8，那么对应的缩放因子sx=0.5，sy=0.8。

  • 点P(x,y)对应到新的位置P'(x',y')，缩放公式为：

    在矩阵形式下，该变换可以表示为

 相较于图像旋转中只能等比例的缩放，图像缩放更加灵活，可以在指定方向上进行缩放。 

sx和sy分别表示在x轴和y轴方向上的缩放因子。 

import cv2 as cv
import numpy as npcat = cv.imread("../images/cat1.png")
cat = cv.resize(cat, (520, 520))# 缩小量
sx = 0.5
sy = 0.5# 定义平移矩阵
M = np.float32([[sx, 0, 0], [0, sy, 0]])# 仿射变换
dst = cv.warpAffine(cat, M, (400, 400))
cv.imshow("result", dst)
cv.waitKey(0)
cv.destroyAllWindows()

总结

        今天内容有点多，我觉得重要的地方是理解公式的含义，只要知道方法，大多内容都通了，图像变换操作部分，主要理解矩阵里面每个数字代表的含义和矩阵是如何运算的，多数的问题就都能理解了，今天依旧努力学习/.

http://www.lryc.cn/news/596862.html

相关文章：

  • 基于Trae IDE与MCP实现网页自动化测试的最佳实践
  • 神经网络和机器学习的一些基本概念
  • CLI 与 IDE 编码代理比较：提升开发效率的两种路径
  • PDF转Word的简单方法
  • Fluent许可与硬件绑定的解决方法
  • 2027.7.23深搜算法复习总结
  • Semantic Kernel实现调用Kernel Memory
  • 多模态Embedding技术
  • 视觉BPE统一多模态理解-北大
  • 动态路由协议基础：从原理到应用场景全解析
  • 使用LLaMA-Factory对大模型进行微调
  • 希尔排序cc
  • js面试题 高频(1-11题)
  • 初识opencv02——图像预处理1
  • 论文笔记：On the Biology of a Large Language Model
  • 如何使用内部逻辑分析仪来验证通用边缘图像处理应用程序
  • 渗透测试实战 | docker复杂环境下的内网打点
  • 【图像处理基石】如何实现一个车辆检测算法？
  • opencv学习（图像处理）
  • Go 语言学习之 reflect
  • Spring--事务传播行为(REQUIRED / REQUIRES_NEW / NESTED)
  • 【图像处理基石】如何对遥感图像进行目标检测？
  • 【Linux | 网络】应用层（HTTPS）
  • 【数据结构初阶】--树和二叉树先导篇
  • 床上肢体康复机器人的机械结构设计cad【7张】三维图＋设计说明书
  • #Linux内存管理# 在一个播放系统中同时打开几十个不同的高清视频文件，发现播放有些卡顿，打开视频文件是用mmap函数，请简单分析原因。
  • GEMINUS 和 Move to Understand a 3D Scene
  • 基于 XGBoost 与 SHAP 的医疗自动化办公与可视化系统（下）
  • 【计算机三级网络】——选择题高频考点(第一篇)
  • SQL基础⑧ | 表格篇