opencv图片处理基础

计算机中图片构成红绿蓝

图片由像素点构成，每个像素点有三个通道，分别是RGB，对应红绿蓝颜色，映射到计算机可以处理的数值是：每个通道取值0~255，0表示最暗、255最亮。通过调节每个通道占比，可以实现不同颜色的控制。

但是需要注意的是cv中通道顺序是BGR，要与其他包的区分开

边界填充

    img = cv2.imread(img_address)
    top_,bottom_,left_,right_ = (50,50,50,50)
    # 其实就是一个函数，最后面选择的模式不一样
    # BORDER_REPLICATE:复制法，也就是复制最边缘像素。
    # ·BORDER_REFLECT:反射法，对感兴趣的图像中的像素在两边进行复制 fedcba | abcdefgh | hgfedcb
    # BORDER_REFLECT101，上一种方法的优化版，去掉了边界 cdefgh|abcdefgh|abcdefg
    # BORDER_WRAP: 外包装法cdefgh|abcdefgh|abcdefg
    # BORDER_CONSTANT:常量法，常数值填充
    replicate = cv2.copyMakeBorder(img,top_,bottom_,left_,right_,cv2.BORDER_REPLICATE)
    reflect = cv2.copyMakeBorder(img,top_,bottom_,left_,right_,cv2.BORDER_REFLECT)
    reflect101 = cv2.copyMakeBorder(img,top_,bottom_,left_,right_,cv2.BORDER_REFLECT101)
    wrap = cv2.copyMakeBorder(img,top_,bottom_,left_,right_,cv2.BORDER_WRAP)
    const = cv2.copyMakeBorder(img,top_,bottom_,left_,right_,cv2.BORDER_CONSTANT,value=0)
    cv2.imshow('1',replicate)

    cv2.imshow('2',reflect)

    cv2.imshow('3',reflect101)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

色彩图片转二值图

彩色图片转二值图步骤是 ： 色彩 ——> 灰度 ——> 二值
彩色图片通常有多个通道，灰度、二值仅有一个。
灰度图像是单通道图像，该通道叫啥名不知道，而彩色图片的通道叫R、G、B，该通道内灰度图像取值为0到255，而二值图像是非0即255，很明显具有一层一层的关系，所以是这个步骤
另外一般是先将彩色图化为灰度，再二值，当然也可以直接彩色图二值，但是这样的跳跃会造成颜色信息的损失，所以最好按照这个步骤。
实现代码：

效果：

腐蚀操作

对于二值图像，取一个一定体积的卷积盒（n*n像素区域），把图像中每个区域框起来，如果框起来的里面即有黑又有白，则此区域被腐蚀，以此达到细化图片、文字，除去细小杂点

具体函数cv2.erode，参数： 读取后的图片（数组），卷积盒大小，迭代次数：腐蚀多少次
但是以我的了解腐蚀操作好像只能腐蚀黑底白字，如果是另一种颜色就会导致相反的结果，所以想到了二值反转

效果大概这样，又白底黑字转黑底白字

sobel算子

该算子功能是计算某点梯度，可以看到算子矩阵中元素有数值差距，其实就是用这种方法表示离取的这个点的距离，然后与像素矩阵做内积就得到一个标量，这个标量就作为这么一点的像素，所以图片又被处理了。

实际上我们想象矩阵是p1~p9，然后内积就是对应元素做乘积，所以就变成了右边像素-左边像素（如下图），但是不一定是正值，所以要绝对值处理，要不然变成负号就截断为0了

实操：
ksize：很明显这里的算子是3x3的

滤波

高斯

中值

图像阈值函数

可用于生成二值图片

边缘检测

这一次边缘检测把前面知识融合起来了，一套组合拳处理出一个很完美的边界

1）高斯滤波器：其实也就和sobel有点像，一个算子内积于像素矩阵，得到的值就是该点的滤波结果，可以很好消除噪音点

2）计算梯度这个可以用到sobel算子，方向计算只要x、y的梯度值得到，方向就直接反三角函数就行
在这里插入图片描述

3）非极大值抑制
由梯度计算出来的图像边缘很模糊（或者说比较混杂），在其边缘有很多梯度点，我们力求用一条清晰苗条的边缘线来画出这个边缘，我们引出一个方法叫非极大值抑制
4）双阈值检测

这个算法是先计算每一点的梯度，然后设置两个阈值，小于舍弃，大于保留且处理为边界，在之间如果有点（梯度不为0点，这时候已经经过前面很多步的处理，这时梯度不为0点不多）连接边界像素点，则保留视为边缘点

轮廓检测

边缘检测并不是轮廓检测，这个要区分开，边缘检测关注的是图像中亮度或颜色的变化，轮廓检测的关注的是物体的形状信息。

源码及解释：得到轮廓信息不要在灰度或二值图像上画出，因为不明显，可以copy一下在原img中显示

轮廓特征与轮廓近似

轮廓特征

轮廓特征是指用findcontours函数得到的返回值轮廓信息（contours）具有的一些特征，因为画出的轮廓不止一个，可以用取下标的方式访问每个轮廓，并进行操作
注意：要操作返回的轮廓信息，只能访问一个轮廓，不要一股脑把返回的轮廓信息全部传进去
特征1：轮廓面积值
特征2：轮廓周长

轮廓近似

轮廓近似（Contour Approximation）是指将连续曲线或轮廓抽象为一系列更简单的曲线或线段的过程，可用于轮廓提取
轮廓近似可以用这个函数直接自动绘制适应的轮廓，也可以直接画自己想要的框。