一、图像色彩空间转换

1.1 RGB颜色空间

RGB颜色模型基于笛卡尔坐标系，如下图所示，RGB原色值位于3个角上，二次色青色、红色和黄色位于另外三个角上，黑色位于原点处，白色位于离原点最远的角上。因为黑色在RGB三通道中表现为（0，0，0），所以映射到这里就是原点；而白色是（255，255，255），所以映射到这里就是三个坐标为最大值的点。

注意：在OpenCV中，颜色是以BGR的方式进行存储的，而不是RGB

1.2 颜色加法

使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像

OpenCV加法和Numpy加法之间存在差异。OpenCV的加法是饱和操作，而Numpy添加是模运算。

import cv2 as cv
import numpy as np

cao = cv.imread('../images/cao.png')
pig= cv.imread('../images/pig.png')

# 饱和操作 cv.add(img1,img2)
dst1 = cv.add(cao,pig)
cv.imshow('dst1',dst1)

# numpy直接相加 取模运算 对256取模 250+10=4
dst2 = cao+pig
cv.imshow('dst2',dst2)

1.2.1 颜色加权加法

cv2.addWeighted(src1,alpha,src2,beta,gamma)

• src1、src2:输入图像。

• alpha、beta：两张图象权重。

• gamma：亮度调整值。

  • gamma > 0，图像会变亮。

  • gamma < 0，图像会变暗。

  • gamma = 0，则没有额外的亮度调整。

# 颜色加权加法
dst3 = cv.addWeighted(pig,0.7,cao,0.3,0)
cv.imshow('dst3',dst3)

1.3 HSV颜色空间

HSV颜色空间指的是HSV颜色模型，这是一种与RGB颜色模型并列的颜色空间表示法。RGB颜色模型使用红、绿、蓝三原色的强度来表示颜色，是一种加色法模型，即颜色的混合是添加三原色的强度。而HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色，色调H表示颜色的种类，如红色、绿色、蓝色等；饱和度表示颜色的纯度或强度，如红色越纯，饱和度就越高；亮度表示颜色的明暗程度，如黑色比白色亮度低。

HSV颜色模型是一种六角锥体模型，如下图所示：

1.4 颜色转换

cv2.cvtColor(img,code)

1.4.1 RGB转Gray（灰度）

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

1.4.2 RGB转HSV

hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)

二、灰度化

2.1最大值法

对于彩色图像的每个像素，它会从R、G、B三个通道的值中选出最大的一个，并将其作为灰度图像中对应位置的像素值。

# 最大值灰度化
for i in range(img_shape[0]):  # 按行读取图片的像素bgr
     for j in range(img_shape[1]):  # 对每一行按照列进行每一个像素格子进行读取
         image_np_gray[i, j] = max(image_np[i, j, 0], image_np[i, j, 1], image_np[i,j,2])# 求灰度值

2.2 平均值法

对于彩色图像的每个像素，它会将R、G、B三个通道的像素值全部加起来，然后再除以三，得到的平均值就是灰度图像中对应位置的像素值。

# 平均灰度化
for i in range(img_shape[0]):
        for j in range(img_shape[1]):
            image_np_gray[i, j] = (int(image_np[i, j, 0]) + int(image_np[i, j, 1]) + int(image_np[i, j, 2])) / 3#如果不转成int  会以uint8的数据进行加法计算 最后的结果超过255的时候会取模

2.3 加权均值法

对于彩色图像的每个像素，它会按照一定的权重去乘以每个通道的像素值，并将其相加，得到最后的值就是灰度图像中对应位置的像素值。

wb, wg, wr = 0.114, 0.587, 0.299
# 循环遍历每一行
for i in range(shape[0]):
    for j in range(shape[1]):
        img[i, j] = round(wb*pig[i, j, 0]+ wg*pig[i, j, 1]+ wr*pig[i, j, 2])

三、图像二值化处理

一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。由于每一像素（矩阵中每一元素）取值仅有0、1两种可能，所以计算机中二值图像的数据类型通常为1个二进制位。二值图像通常用于文字、线条图的扫描识别（OCR）和掩膜图像的存储。

3.1 阈值法

阈值法就是通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（通常代表背景），大于阈值的像素就被设置为maxval（通常代表前景）。对于我们的8位图像(0~255)来说，通常是设置为255。

#image要二值化的灰度图 127代表阈值  255最大值超过就取它  cv2.THRESH_BINARY二值化的类型(简单的二值化)
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

3.2 反阈值法

与阈值法相反。反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图的像素值小于等于阈值时，该像素值将会变成maxval。

#image要二值化的灰度图 127代表阈值超过就取0  255最大值  cv2.THRESH_BINARY_INV二值化的类型
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow('Binary Image', binary)

3.3 截断阈值法

截断阈值法，指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变。换句话说，经过截断阈值法处理过的二值化图中的最大像素值就是阈值。

#image要二值化的灰度图 127代表阈值超过就取127  255最大值  cv2.THRESH_BINARY_INV二值化的类型
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_TRUNC)

3.4 低阈值零处理

低阈值零处理，字面意思，就是像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。

#image要二值化的灰度图 127代表阈值不超过就取0  255最大值  cv2.THRESH_TOZERO二值化的类型
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_TOZERO)

3.5 超阈值零处理

超阈值零处理就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

#image要二值化的灰度图 127代表阈值超过就取0  255最大值  cv2.THRESH_BINARY_INV二值化的类型
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_TOZERO_INV)

3.6 OTSU阈值法

OTSU阈值法 默认结合cv.THRESH_BINARY 

cv.THRESH_OTSU = cv.THRESH_OTSU + cv.THRESH_BINARY

注意：使用OTSU算法计算阈值时，组件中的thresh参数将不再有任何作用。

_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_OTSU)

3.7 自适应二值化

与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化。

自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息。

3.7.1 取均值

cv2.adaptiveThreshold(image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

其中各个参数的含义如下：

maxval：最大阈值，一般为255

adaptiveMethod：小区域阈值的计算方式：

ADAPTIVE_THRESH_MEAN_C：小区域内取均值

ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

blockSize：选取的小区域的面积，如7就是7*7的小块。

c：最终阈值等于小区域计算出的阈值再减去此值

image_np_adaptive = cv2.adaptiveThreshold(image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)  # 自适应二值化

3.7.2 加权求和

image_np_adaptive = cv2.adaptiveThreshold(image_np_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 7, 10)  # 自适应二值化

四、图像翻转(图像镜像旋转)

在OpenCV中，图片的镜像旋转是以图像的中心为原点进行镜像翻转的。

• cv2.flip(img,flipcode)

• 参数

  • im 要翻转的图像

  • flipcode: 指定翻转类型的标志

    • flipcode=0: 垂直翻转，图片像素点沿x轴翻转

    • flipcode>0: 水平翻转，图片像素点沿y轴翻转

    • flipcode<0: 水平垂直翻转,水平翻转和垂直翻转的结合

face = cv.imread('../images/face.png')
# 翻转 镜像旋转 以图像中心为原点cv.flip(img, flipcode)
# flipcode = 0 垂直翻转 沿x轴 上下翻转
flip_0 = cv.flip(face,0)
cv.imshow('flip_0',flip_0)
# flipcode = 1 水平翻转 沿y轴 左右翻转
flip_1 = cv.flip(face,1)
cv.imshow('flip_1',flip_1)
# flipcode = -1 垂直+水平
flip = cv.flip(face,-1)
cv.imshow('flip',flip)

五、仿射变换

5.1 图像旋转

cv2.getRotationMatrix2D()函数

• 获取旋转矩阵

  cv2.getRotationMatrix2D(center,angle,scale)

  • center：旋转中心点的坐标，格式为(x,y)。

  • angle：旋转角度，单位为度，正值表示逆时针旋转负值表示顺时针旋转。

  • scale：缩放比例，若设为1，则不缩放。

  • 返回值：M，2x3的旋转矩阵。

# 获取旋转矩阵 cv.getRotationMatrix2D(center, angle, scale)
M = cv.getRotationMatrix2D((250, 250), 90, 1)
# 仿射变换函数 cv2.warpAffine(img, M, dsize)(w,h)
dst = cv.warpAffine(cat, M, (cat.shape[1], cat.shape[0]))

5.2 图像平移

移操作可以将图像中的每个点沿着某个方向移动一定的距离。

• 假设我们有一个点 P(x,y)，希望将其沿x轴方向平移t_x*个单位，沿y轴方向平移t_y个单位到新的位置P′(x′,y′)，那么平移公式如下：

  x′=x+tx

  y′=y+ty

  在矩阵形式下，该变换可以表示为：

这里的tx和ty分别代表在x轴和y轴上的平移量。

tx = 80
ty = 120
# 定义平移矩阵
M = np.float32([[1, 0, tx], [0, 1, ty]])
# 仿射变换
dst = cv.warpAffine(cat,M,(500,500))

5.3 图像缩放

缩放操作可以改变图片的大小。

• 假设要把图像的宽高分别缩放为0.5和0.8，那么对应的缩放因子sx=0.5，sy=0.8。

• 点P(x,y)对应到新的位置P'(x',y')，缩放公式为：

  x′=s_x*x

  y′=s_y*y

  在矩阵形式下，该变换可以表示为：

相较于图像旋转中只能等比例的缩放，图像缩放更加灵活，可以在指定方向上进行缩放。

sx和sy分别表示在x轴和y轴方向上的缩放因子。

# 定义缩放量
sx = 0.6
sy = 0.5
# 定义缩放矩阵
M = np.float32([[sx,0,0], [0,sy,0]])
# 仿射变换
dst = cv.warpAffine(cat,M,(500,500))