1.灰度图和HSV
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#cv2.cvtColor()函数2.图像阈值
图像阈值
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（二值）： 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
3.图像平滑
img = cv2.imread('lenaNoise.png')
# 均值滤波，简单的平均卷积操作
blur = cv2.blur(img, (3, 3))#每3*3矩阵求均值
# 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)
# 方框滤波，基本和均值一样，可以选择归一化,容易越界
box = cv2.boxFilter(img,-1,(3,3), normalize=False)
# 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
aussian = cv2.GaussianBlur(img, (5, 5), 1)
# 中值滤波，相当于用中值代替
median = cv2.medianBlur(img, 5)
#展示所有的图像处理结果
res = np.hstack((blur,aussian,median))
4.腐蚀操作
img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
erosion_image = cv2.erode(img,kernel,iterations = 1)
#腐蚀核越大、迭代次数越多腐蚀效果越明显
5.膨胀操作
kernel = np.ones((3,3),np.uint8)
dige_img = cv2.dilate(img,kernel,iterations = 1)
#膨胀核越大、迭代次数越多腐蚀效果越明显?
?