python opencv3

三、图像预处理2

1、图像滤波

为图像滤波通过滤波器得到另一个图像。也就是加深图像之间的间隙，增强视觉效果；也可以模糊化间隙，造成图像的噪点被抹平。

2、卷积核

在深度学习中，卷积核越大，看到的信息越多，提取的特征越好，同时计算量越大。

卷积核一般为奇数，为了保证锚点处于中间。

3、图像平滑处理

‌图像噪声‌是指存在于图像数据中的不必要的或多余的干扰信息。它妨碍了人们通过视觉器官对接收信息的理解。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此，将图像噪声看成是多维随机过程是合适的，描述噪声的方法可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。

3.1、高斯滤波

高斯滤波是图像处理中常用的一种平滑滤波方法，其主要作用是去除图像中的噪声，并减少图像细节，以实现图像的平滑处理。

cv2.GaussianBlur(src, ksize, sigmaX) ：ksize：高斯核的大小，通常以元组 (width, height) 形式指定；sigmaX：高斯核在 x 方向上的标准差。

ksize = (11, 11)
sigma = 1
blurrred_image = cv2.GaussianBlur(img, ksize, sigma)

3.2、双边滤波

通过考虑像素点的空间距离和灰度差异，实现了对图像进行平滑的同时，尽量保留图像的边缘细节。

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace) ：d：滤波器的直径，用于指定在每个像素周围考虑的像素邻域大小，一般为正奇数；sigmaColor：颜色空间的标准差，用于控制滤波过程中颜色相似性的权重（较大时，在更大范围内进行平滑处理，导致图像细节的丢失较多）；sigmaSpace：坐标空间的标准差，用于控制滤波过程中空间相似性的权重（较大时，在更大的空间范围内进行平滑处理，导致图像的局部细节被进一步平滑）。

c = 19
color = 3
space = 17
b_img = cv2.bilateralFilter(img, c, space, color)

3.3、中值滤波

因为椒盐噪声或脉冲噪声的灰度值通常远远偏离周围像素的灰度值，通过中值滤波可以有效地将这些异常值去除，从而使图像变得更加平滑。

cv2.medianBlur(src, ksize) ：ksize 是用于中值滤波的孔径大小，必须是大于1的奇数。

c = 5
m_img = cv2.medianBlur(img, c)

4、图像边缘检测

Canny边缘检测

cv2.Canny(image, threshold1, threshold2)：threshold1: 第一个阈值，用于边缘检测的低阈值；threshold2: 第二个阈值，用于边缘检测的高阈值；返回检测到的边缘图像，边缘部分为白色，其他部分为黑色。

import cv2
image = cv2.imread("images/car.png")
# 从BGR到灰度图像
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Canny
edges = cv2.Canny(image, 200, 300)
cv2.imshow('边缘检测', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

5、图像形态学操作

主要用于提取图像中的有用特征，如边界检测、噪声去除等；常见的形态学操作包括腐蚀、膨胀、开运算、闭运算、梯度、顶帽和黑帽等

5.1、腐蚀

减少图像中白色区域的大小，常用于消除小的白色噪声点。

eroded = cv2.erode(src, kernel, dst,iterations=1)：kernel: 结构元素，用于定义腐蚀操作的方式，是一个矩阵结构数据；dst (可选): 输出图像，默认自动创建一个新的图像；iterations (可选): 腐蚀操作的迭代次数，默认为1。