OpenCV相关函数

一、二值化函数（threshold）

功能：将灰度图像转换为二值图像，通常用于图像分割。通过设置阈值，把图像中低于阈值的像素设为0，高于阈值的像素设为1。

参数：

src：输入图像。

thresh：阈值，决定哪些像素值将被设置为白色（1）或黑色（0）。

max_val：最大值，当像素值大于阈值时，赋予的值。

type：二值化的类型，常用的有cv2.THRESH_BINARY（标准二值化）或cv2.THRESH_BINARY_INV（反向二值化）。

返回值：二值化后的图像。

应用:

import cv2
import numpy as np

# 读取彩色图
img = cv2.imread("./flower.png")

# 调整图片大小为400x400像素
img = cv2.resize(img, (400,400))

# 先转换成灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

img_binary = np.zeros_like(img_gray)

# 设置一个阈值
thresh = 150

# 遍历灰度图的每一个像素点
for i in range(img_gray.shape[0]):
    for j in range(img_gray.shape[1]):
        if img_gray[i][j] <= thresh:
            img_binary[i, j] = 0
        else:
            img_binary[i, j] = 255

cv2.imshow('image', img)
cv2.imshow('image_gray', img_gray)
cv2.imshow('image_binary', img_binary)
cv2.waitKey(0)

二、自适应二值化函数（adaptiveThreshold）

功能：将灰度图像转换为二值图像，通常用于图像分割。通过设置阈值，把图像中低于阈值的像素设为0，高于阈值的像素设为1。

参数：

src：输入图像。

thresh：阈值，决定哪些像素值将被设置为白色（1）或黑色（0）。

max_val：最大值，当像素值大于阈值时，赋予的值。

type：二值化的类型，常用的有cv2.THRESH_BINARY（标准二值化）或cv2.THRESH_BINARY_INV（反向二值化）。

返回值：二值化后的图像。

应用:

# 导入OpenCV库，用于图像处理
import cv2

# 读取本地的图像文件
img = cv2.imread("lena.png")

# 调整图片大小为400x400像素
img = cv2.resize(img, (400,400))


# 将图像从BGR颜色空间转换为灰度图像
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化
# 对灰度图像进行自适应二值化处理，以增强图像处理效果
img_adaptive_binary = cv2.adaptiveThreshold(img_gray,      # 参数1：img_gray 输入的灰度图像
                                            255,  # 参数2：255 二值化处理后的最大值
                                            cv2.ADAPTIVE_THRESH_MEAN_C,     # 参数3：cv2.ADAPTIVE_THRESH_MEAN_C 使用局部均值作为阈值计算方法
                                            cv2.THRESH_BINARY,        # 参数4：cv2.THRESH_BINARY 使用二值化阈值处理方式
                                            555,           # 参数5： 邻域大小，用于计算阈值的区域范围
                                            5)    # 参数6： 常数C，计算阈值时从均值中减去的值

# 显示原始图像
cv2.imshow('image', img)
# 显示灰度图像
cv2.imshow('image_gray', img_gray)
# 显示二值图像
cv2.imshow('image_binary', img_adaptive_binary)
# 等待用户按键，这里作为代码执行的暂停点
cv2.waitKey(0)

三、腐蚀函数（erode）

功能：腐蚀操作是一种形态学变换，作用是使图像中的白色区域（前景）缩小。通过最小值滤波器操作，白色区域会被黑色像素“腐蚀”。

参数：

src：输入图像。

kernel：结构元素（卷积核），定义腐蚀操作的范围和形状。

iterations：腐蚀操作的次数。

返回值：腐蚀后的图像。

应用：

# 导入OpenCV库，用于图像处理
import cv2

# 读取二值图像文件，准备进行形态学处理
img_binary = cv2.imread("./morph.png")

# 创建一个3x3的椭圆形结构元素，用于形态学操作
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))

# 对二值图像进行侵蚀操作，iterations参数指定侵蚀的次数
# 侵蚀操作可以用于减少图像中白色区域的大小，这里是5次
img_erode = cv2.erode(img_binary,kernel,iterations=5)

# 显示原始二值图像，用于对比处理效果
cv2.imshow("img_binary",img_binary)
# 显示经过侵蚀操作后的图像
cv2.imshow("img_erode",img_erode)
# 等待用户按键，这里用于保持窗口显示，直到用户按下任意键
cv2.waitKey(0)

四、膨胀函数（dilate）

功能：膨胀操作是一种形态学变换，作用是使图像中的白色区域（前景）扩展。通过最大值滤波器操作，白色区域会向周围黑色像素扩展。

参数：

src：输入图像。

kernel：结构元素（卷积核），定义膨胀操作的范围和形状。

iterations：膨胀操作的次数。

返回值：膨胀后的图像。

应用：

import cv2

# 读取图像
img = cv2.imread("./lena.png")

# 调整图片大小为400x400像素
img = cv2.resize(img, (400,400))

# 将图像从BGR颜色空间转换为灰度图像
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化
# 对灰度图像进行自适应二值化处理，以增强图像处理效果
img_adaptive_binary = cv2.adaptiveThreshold(img_gray,      # 参数1：输入的灰度图像
                                            255,  # 参数2： 二值化处理后的最大值
                                            cv2.ADAPTIVE_THRESH_GAUSSIAN_C,     # 参数3： 使用局部均值作为阈值计算方法
                                            cv2.THRESH_BINARY_INV,        # 参数4： 使用二值化阈值处理方式
                                            7,           # 参数5： 邻域大小，用于计算阈值的区域范围
                                            5)    # 参数6： 常数C，计算阈值时从均值中减去的值

# 创建椭圆形结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
# 腐蚀图像
img_erode = cv2.erode(img_adaptive_binary,kernel)
# 先腐蚀后膨胀图像
img_erode_dilate = cv2.dilate(img_erode,kernel)

# 显示腐蚀后的图像
cv2.imshow("img_erode",img_erode)
# 显示自适应二值化后的图像
cv2.imshow("img_adaptive_binary",img_adaptive_binary)
# 显示先腐蚀后膨胀的图像
cv2.imshow("img_erode_dilate",img_erode_dilate)
# 等待按键按下
cv2.waitKey(0)

五、仿射变换函数（warpAffine）

功能：仿射变换是一种保持图像平行线不变的几何变换，包括平移、旋转、缩放和剪切。通过仿射矩阵对图像进行变换。

参数：

src：输入图像。

M：2x3的仿射变换矩阵，用于定义变换的内容（平移、旋转等）。

dsize：输出图像的尺寸。

flags：插值方法，常见的有cv2.INTER_LINEAR、cv2.INTER_NEAREST等。

borderMode：边界模式，定义如何处理图像边界的像素值。

返回值：变换后的图像。

应用：

import cv2

# 读取图像文件
img = cv2.imread('./lena.png')

# 调整图像大小到400x400像素
img = cv2.resize(img,(400,400))

# 计算图像旋转的变换矩阵，围绕图像中心旋转45度，缩放因子为1
M = cv2.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), 45, 1)

# 应用仿射变换，旋转图像
img_warp = cv2.warpAffine(img,  # 要旋转的图像
                          M,    # 变换矩阵
                          (img.shape[1], img.shape[0]), # 输出图像的大小
                          flags=cv2.INTER_LINEAR,   # 插值方式
                          borderMode=cv2.BORDER_WRAP   # 边缘填充方式，默认是常数填充显示为黑色
                          )

# 显示原图像
cv2.imshow('img', img)
# 显示变换后的图像
cv2.imshow('img_warp', img_warp)
# 等待按键按下后关闭所有窗口
cv2.waitKey(0)

六、透视变换函数（warpPerspective）

功能：透视变换是一种更复杂的几何变换，主要用于图像的视角转换，可以模拟拍摄角度的变化。与仿射变换不同，透视变换不保持平行线平行。

参数：

src：输入图像。

M：3x3的透视变换矩阵，通常通过四个点对应来计算（如cv2.getPerspectiveTransform）。

dsize：输出图像的尺寸。

flags：插值方法，常见的有cv2.INTER_LINEAR、cv2.INTER_CUBIC等。

borderMode：边界模式，定义如何处理图像边界的像素值。

返回值：透视变换后的图像。

应用：

import cv2
import numpy as np

# 读取图片文件
img = cv2.imread("./card.png")

# 定义原始图像中的四个角点
points1 = np.array([[200,100],[700,150],[140,400],[650,460]], dtype=np.float32)

# 定义目标图像中的四个角点，用于进行透视变换
points2 = np.array([ [0,0], [img.shape[1],0], [0,img.shape[0]], [img.shape[1], img.shape[0]]], dtype=np.float32)

# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(points1, points2)

# 应用透视变换矩阵到原始图像，获得变换后的图像
img_warp = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))

# 显示原始图像
cv2.imshow("img", img)
# 显示透视变换后的图像
cv2.imshow("img_warp", img_warp)
# 等待按键按下，然后关闭所有窗口
cv2.waitKey(0)