1、图像阈值

t图像阈值函数，就是需要判断一下像素值大于一个数应该怎么处理，小于一个数应该怎么处理 

ret, dst = cv2.threshold(src, thresh, maxval, type)

参数解析： 

• src： 原始输入图，只能输入单通道图像，通常来说为灰度图
• dst： 输出图
• thresh： 指定的阈值
• 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：超过阈值部分取maxval（最大值），否则取0
  • 如果阈值取150，超过150就会都变成255，否则变为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

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB# 读取图像为灰度图
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 五种参数都设置一遍
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
_, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
_, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
_, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
_, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)# 存到一个变量中
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]# 放到一起画出来
for i in range(6):plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])
plt.show()

这里（ret，thresh）我们基本上只需要第二个参数就行了，输出图：

• 第一张是原始图像
• 第二张，所有大于127的区域全部变成了白色
• 第三张，将第二张进行了翻转
• 第四张，所有大于127的全部等于127
• 第五张，小于127全部为0 ，大于127的不变 
• 第六张，第五张的反转

2、图像平滑 

 图像平滑处理就是对图像进行各种滤波操作，这个和卷积操作有一些相似

首先读取打印原始图像：

import cv2  # opencv读取的格式是BGR
import matplotlib.pyplot as plt  # Matplotlib是RGB
img = cv2.imread('lenaNoise.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印的图像： 

可以看到原始图像有很多白色斑点的噪音，接下来用几种不同滤波操作过滤这个噪音点

2.1 均值滤波

实际上是一个简单的平均卷积操作，如下图是一个图像的像素点的矩阵：

比如圈住的这个部分，是一个3*3的区域，对这3*3的9个像素值求出一个均值，然后将中间的204替换成这个均值，那么就完成了204的滤波操作，其他的像素点也是进行这样的操作。当然也可以是一个5*5的区域，只能是奇数。

实现这个操作很简单：

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果：

 可以发现白点被淡化了一些，但是还是存在

2.2 方框滤波

基本上和均值滤波一样：

# 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)  cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

这里可以选择normalize的取值，当选择和True的时候，和均值滤波没有任何区别。

但是选择False 的时候，容易发生越界的行为

2.3 高斯滤波

高斯滤波也可以叫做高斯均值滤波，它主要对目标像素点的周围的像素点就是加上了一些加权，离它近的就影响大远的就小。比如3*3中，上下左右都是0.8，斜对角的都是0.6的。

# 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)  cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果：

 噪音点看起来比之前的平滑了一些。

 2.4 中值滤波

 这个做法需要，把方框内的值进行从大到小进行排序，把排在中间那个值替换目标像素的值

# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5)  # 中值滤波cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果：

 这个效果非常好

2.5 对比

将所有结果放在一起：

# 展示所有的
res = np.hstack((blur,aussian,median))
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()