使用Opencv对图片处理的各种原理-从图片的储存形式到各种处理过程(必看)（下）

简介

对于主攻计算机视觉的我们来说，对图片处理几乎时时刻刻都在进行。但在复现了几个网络后，我开始对整个网络过程中，图片到底是怎么变换的产生好奇。因此，在实验室中借阅了本相关的书籍（《Opencv算法精解-基于Python与C++》），通过一段时间的学习，整理。总算大致了解了图片在计算机上的各种转换过程。尤其在学习完之后，原来如此之情油然而生。因此，在这里，希望研究本方向的其他同学(特指入门者，资深学者请忽略）能先了解图片的原理之后，再开始入门深度学习。为方便大家，我在此做了一些总结，可以省去大部分时间，以及有些书籍中的opencv版本过低，某些算法已经改变。希望本篇博客能给大家带来帮助，也欢迎大家指出问题。

目录

• Opencv简介
• 图像数值化
• 几何变化
• 对比度增强
• 图像平滑
• 阈值分割
• 形态学处理

对比度增强

简介

前面我们已经知道了，图像就是由无数个灰度值组成的，那么图像上是否清晰，其实就转变成了灰度值之间的据对峙大小的程度，相差越大，则图像越清晰。

接下来看个基本例子：

灰度直方图

横坐标为256个灰度值，纵坐标为该数值下的灰度值个数，接下来让我们做一下基本变化

变换原理
图像就是矩阵，这样的话，我们直接通过矩阵的运算改变其灰度值。

前面的变换，其实都是基于坐标，而不改变灰度值，而这里的变化，则是改变的灰度值，并没有改变坐标，也就是进行初等变换，乘除加减等

基本变换

• 线性变换：设置一个线性函数，从而改变灰度值
  正规化：通过将 输入图像的灰度值最大距离 与 输出图像的最大距离 的比值作为系数（k），当前的灰度值与最小灰度值的差作为变量(x)，再将输出图像的最小灰度值作为变化范围(b) ,通过图像本身决定系数，而不再是人为设置
  正规化函数：normalize(),里面可选择img的范数，从而改变系数的不同。（1-范数（绝对值的和），2-范数（平方和的开方）等）

• 非线性变换：

伽马变换：将灰度值归一化（除以255），之后进行幂运算。指数小于1时：增加对比度（暗区域感兴趣），指数大于1时，降低对比度（亮区间感兴趣）。
均衡化：计算直方图后，对直方图累加求和得到累加直方图，根据累加直方图找到关系。
限制对比度的自适应直方图均衡化：通过划分为不同区域块，然后分别均衡化，如果有噪声超过限制值，则裁剪，并且将多处的部分分配给其他块。

现在我们已经知道了变换的原理，但我们改变的都是整体，所以需要我们找到一个阈值，从而增加对比度，所以最主要的问题是如何找到阈值。简单来说，就是不同的灰度值，对应不同的变换，首先想到的就是函数

最简单的：

Img=img*2

为什么×2之后，会出现某些灰度值出现0?其实回想原理，图像的储存使uint8，也就是说，超过256后，会通过取模而得到小于255的值。如：244*2=488，（按规定，不能超过255）则488%255=233，但是我们改变类型的话，则不会出现这种情况，如：float

改变类型之后的灰度值


仔细看横坐标的变换，不再是原来的255，这就说明此时的图像类型已经改变，不再是uint8，此时已经变成float类型，也就是前面说过的32bit等，此时的色阶更细致

分段变换

设置一个阈值，从而进行不同的操作

正规化

其他例子就不一一展示了，可以去自己尝试。不过对图像的对比度提升效果显著，不过也可能也会造成一定的噪声，如何去除，会在后面的图像平滑补充。

图像平滑

简介

去除由灰度值随机变化而造成的噪点

二维离散卷积

• Full卷积：无论边界，对每一个值进行卷积，（边界外取0），（处理后，图像变大）
• Vaild卷积：对边界处的值无运算，只运算包含在填充了卷积的值 （处理后，变小）
• Same卷积：通过定义锚点，进行运算 （处理后，保持原大小）

边界补充

常用方式
边界补充常数，通常为0
重复边界的值进行补充
卷绕输入矩阵，矩阵的平铺
镜像处理

函数：
Cv2.copyMakeBorder(img,top,bottom,left,right,borderType,value)
borderType:
BORDER_REPLICATE：边界复制
BORDER_CONSTANT：常数补充
BORDER_REFLECT：反射补充
BORDER_REFLECT_101：边界为中心补充
BORDER_WRAP：平铺补充

卷积的过程
Convoluted2d(img,kernel,mode = ‘full’,boundary=‘fill’,fillvalue=0)
Mode :卷积类型，full,vaild,same
Boundary :边界补充方式

卷积前

卷积后

可分离卷积
通过分离卷积，将其变成分别为垂直，水平方向的卷积，从而进行运算

图像平滑，除噪

• 高斯平滑：通过高斯卷积算子进行运算。Cv2.getGaussianKernel(ksize,sigma,ktype)
• 均值平滑：构造全为1的卷积，之后除以元素总个数
• 快速均值平滑：通过该点领域的和除以该点领域的面积。面积可由图像的积分计算（左上角的所有和）
• 中值平滑：对领域的值进行排序，取中间值。medianBlur(img,ksize)

阈值分割

简介

所谓的二值化，灰度值只有0，1

方法概述

• 全局阈值分割：设置阈值，全局划分。Cv2.threshold(img,thresh,maxval,type)
• 局部阈值分割：对应每一个坐标的值阈值不同

阈值选取

• 直方图技术：通过查找波谷，确定阈值
  Otsu阈值
• 自适应阈值：利用平滑结果的矩阵作为阈值：cv2.adaptiveThreshold(img,255,adaptiveMethod(平滑类型），thresholdType,blockSize,c)

注：因为为二值图，因此可以做逻辑运算。

Otsu

自适应阈值

逻辑“非”

形态学处理

简介

• 腐蚀：卷积内取最小值
• 膨胀：卷积内取最大值
• 开：先腐蚀再膨胀，去除亮点
• 闭：先膨胀再腐蚀，去除暗点
• 顶帽：图像减去开结果，得到暗图
• 底帽：图像减去闭结果，得到亮图
• 形态学梯度：膨胀减去腐蚀，得到边缘