四种图像平滑方式
均值滤波， 中值滤波， 高斯滤波， 方值滤波
均值滤波
原理： 将对应元素求和取平均值
命令： img2 = cv2.blur(原始图像，核大小)
img = cv2.blur(origin, (7,7))
方框滤波
原理： 对核中元素求和(求和一般会出现大于255情况，)或者求和取平均值
命令：img = cv2.boxFilter(原始图像，目标图像深度，核大小， normalize属性)
nomalize为0 表示求和， 为1 表示求平均值
img = cv2.boxFilter(img, -1, (2,2), normalize=1)
高斯滤波
原理： 在核中根据权重值的大小来求取像素值的比重，距离中心越大则比重越大， 反之越小
命令： dst = cv2.GaussianBlur(src, ksize, sigmaX)
img = cv2.GaussianBlur(img, (7,7),0)
4. 中值滤波
原理：核中像素值的中值作为图像像素值
命令：dst = cv2.medianBlur(src, ksize) # ksize不是能是元组，就是一个数字
img2 = cv2.medianBlur(img, 7)
图像的阈值化处理
先呈上一张图
这张图中，第一幅图表示原始图像，后面的五张表示五张不同的阈值方式：
第一种阈值：叫二进制阈值化，即将大于阈值的像素值变为255，小于阈值的像素值变为0
第二种阈值：叫反二进制阈值化，即将大于阈值的像素值变为0，小于阈值的像素值变为255
第三种阈值：叫截断阈值化，即将大于阈值的像素值变为阈值，小于阈值的像素值保持不变
第四种阈值：叫反阈值化为0，即将大于阈值的像素值变为0，小于阈值的像素值保持不变
第五种阈值：叫阈值为0，即将小于阈值的像素值变为0，大于阈值的像素值保持不变
命令：retval, dst = cv2.threshold(src, thresh, maxval, type)
retval：表示返回的阈值，跟输入的阈值一致
dst：表示返回的图像
src：输入图像
thresh：阈值
maxval：输出图像中像素最大值，一般为255
type：阈值方式：cv2.THRESH_BINARY，cv2.THRESH_BINARY_INV，cv2.THRESH_TRUNC，cv2.THRESH_TOZERO_INV，cv2.THRESH_TOZERO
r, img2 = cv2.threshold(img,100,255,cv2.THRESH_BINARY)
opencv图像处理基本操作
1、 导入opencv包
import cv22、读取图像
img = cv2.imread("图片路径", 读取方式)读取方式：cv2.IMREAD_UNCHANGED（不改变图像形式），cv2.IMREAD_GRAYSCALE（以灰度形式读取图像），cv2.IMREAD_COLOR（以彩色形式读取图像）
img = cv2.imread('images/cat_color.jpg', cv2.IMREAD_GRAYSCALE)3、显示图像
cv2.imshow('Lena', img)
cv2.waitKey(0)
cv2.destroyAllWindows()为了让图像一直显示而不一闪而过，要加上cv2.waitKey()，为了关掉窗口就清空内存，要加上cv2.destroyAllWindows()
4、 保存图像
命令：cv2.imwrite(‘图片路径’, img)
cv2.imwrite('images/cat.tif', img)5、 读取和修改像素
1）类似于numpy中的数组操作一样，访问或修改单个像素只需指定像素在数组中的位置即可，例如：pixel = [100, 100]；访问和修改一定区域内的多个像素只需指定数组范围就行，例如：pixels = [50:100, 50:100]
2）可以使用numpy中提供的item()，访问像素，例如：pixel = img.item(100, 100)；使用itemset()，修改像素值，例如：img.itemset((100, 100), 255)
pixel = img[100, 100]
pixels = img[50:100, 50:100]
pixel = img.item(100, 100)
img.itemset((100, 100), 255)6、 图像属性
1）图像宽度和高度：shape
2）图像像素数量：size
3）图像类型：dtype
m,n,_ = img.shape
# shape返回一个元组，如果图像是灰度图像，返回（宽度， 高度）
# 如果图像是彩色图像，返回（宽度，高度，3）
pixelSize = img.size
# 返回图像像素数量， size = m * n
pixelDtype = img.dtype
# 图像类型一般是uint87、 图像通道拆分与合并
1）拆分：cv2.split，一般的操作是将一副彩色图像的b, g, r三个通道分离开来，注意在opencv中，彩色图像的通道是b, g, r，而不是r, g, b，例如：b, g, r = cv2.split(img)
2）合并：cv2.merge，一般的操作是将三个通道合并成一个彩色图像，例如：img = cv2.merge([b, g, r])，合并中可以将彩色图像中的某一通道与两个零通道合并而得到蓝色，绿色，红色图像
b, g, r = cv2.split(img)
zeros = np.zeros((m,n), dtype=np.uint8)
img1 = cv2.merge([b, zeros, zeros])
img2 = cv2.merge([zeros, g, zeros])
img3 = cv2.merge([zeros, zeros, r])
8、 图像加法运算
1）使用img = cv2.add(img1, img2)，两副图像相加，很有可能出现像素值超过255的情况，cv2.add会自动将超过255的值变为255
2）使用numpy中的加法img = img1 + img2，这种加法不会像cv2.add中的那样，自动将超过255的像素值变为255，它进行的是一种取模运算，简单来讲就是因为图像类型一般是uint8类型，最大值不能超过255，对于超过255的值，该类型会进行取模运算，就是取除以255的余数；为了避免这种情况出现，我们一般在对图像进行运算之前（不仅仅是加法运算，还有其他的减法，小于0的情况，乘法等等），我们要先将图像的类型转换成int32或者float类型：img = img.astype(np.float)，加法结束后再对图像进行归一化处理，将图像像素范围调整到0到1之间（或者0到255之间的整数）
img1 = cv2.add(img, img)
img2 = img + img
img = img.astype(np.int32) # 对原始图像类型进行转换
img3 = img + img
# 归一化处理
def norm(img):
img = img - np.min(img)
img = img / np.max(img)
return img
img3 = norm(img3)
img3 = img3 * 255 # 必须将图像范围改到0到255后再使用np.uint8
img3 = img3.astype(np.uint8) # uint8 只是简单的
9、图像融合
img3 = cv2.addWeighted(img1, weight1, img2, weight2, light)， 将两张图像按一定的比例叠加在一起
assert img1.shape == img2.shape
img3 = cv2.addWeighted(img1, 0.8, img2, 0.2, 0)
# 0.8指img1占的比重，0.2指img2占的比重， 0指不改变图像亮度
10、图像类型转换
命令：img2 = cv2.cvtColor(img, 转换格式)
常用转换格式：cv2.COLOR_BGR2GRAY（彩色转灰度）, cv2.COLOR_BGR2RGB（BGR转RGB）, cv2.COLOR_GRAY2BGR（灰度转彩色）
img2 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)11、 图像缩放
命令：img2 = cv2.resize(img, （宽度，高度），fx=宽度缩放倍数，fy=高度缩放倍数)
img2 = cv2.resize(img, (200, 200))
img3 = cv2.resize(img, None, fx=1, fy=2)12、图像翻转
命令：img2 = cv2.flip(img, 翻转方式)
翻转方式：0：x轴翻转；> 0：y轴翻转；< 0：x，y均翻转一次，即对角线翻转
img2 = cv2.flip(img, -1)
