OpenCV进行图像处理很方便，一般是做方框题，拿参数填就可以了
图像分类
二值图像（1/0）、灰度图像(纯黑 0-255 纯白)、RGB图像(RGB三原色 R0-255 | G0-255 | B0-255 即一个像素三个值)
opencv 里表示彩色图像顺序是BGR，与一般顺序是不一样的，可以转换成RGB再进行处理
1、图形读入（该颜色表示不是必须的）
retval = cv2.imread(完整文件名[,显示控制参数])
参数 cv.IMREAD_UNCHANGED(不改变)、cv.IMREAD_GRAYSCALE（以灰度形式显示）、cv.IMREAD_COLOR（以彩色形式显示）
img=cv2.imread("d:\\image.jpg")
2、显示图形
None = cv2.imshow(窗口名，图像名) (注意不要写中文，中文不显示)
cv2.imshow("demo",image)
retval = cv2.waitKey( [,delay])
delay: delay>0 等待delay毫秒，delay<0 等待键盘单击，delay=0,无限等待
cv2.waitKey(0)
cv2.destroyAllWindows() 删除所有窗口，从内存里清空，销毁数据
3、保存图像
retval = cv2.imwrite(文件地址,文件名)
cv2.imwrite('D:\\test.jpg',img)
4、读取像素
返回值=图像（位置参数）
灰度图像，返回灰度值
p=img[88,142] （返回第88行，142列那个像素）
print(p)
BGR图像，返回值为B、G、R的值
eg.（可以分别打印每个通道的值进行查看）
blue=img[78,125,0]
green=img[78,125,1]
red=img[78,125,2]
print(blue)（打印蓝色通道的值）
不指定通道会打印三个值
p=img[78,125]
print(p)
5、修改像素
像素=新值
灰度图像
img[88,99]=255
BGR图像
分通道赋值
img[88,99,0]=255
直接修改
img[88,99]=[255,255,255]
6、使用numpy进行像素处理，不用opencv
读取像素
返回值=图像.item(位置参数)
灰度图像
p=img.item(88,142)
print(p)
BGR图像，像素点上有三个值，分别取得三个通道的值，0通道为B，1通道为G，2通道为G
blue=img.item(78,125,0)
修改像素
图像名.itemset(位置，新值)
灰度图像
img.itemset((88,99),255)第88行99列的值改成255
BGR图像
img.itemset((88,99,0),255)修改特定的通道的值
7、获取图像属性
shape可以获取图像的形状，返回包含行数，列数，通道数的元组
灰度 返回行数，列数 | 彩色 返回行数，列数，通道数
import cv2
img1=cv2.imread('灰度图像/彩色图像')
print(img1.shape)
size可以获取图像的像素数目
灰度 行数*列数 | 彩色 行数*列数*通道数
import cv2
img1=cv2.imread('图像名')
print(img1.size)
dtype返回的是图像的数据类型
import cv2
img1=cv2.imread('图像名称')
print(img1.dtype)
##uint8
8、图像ROI
ROI(region of interest)，感兴趣区域
从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
可以通过各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。
import cv2
img1=cv2.imread('图像名称')
face=img1[200:400,200:400] 引用图像200行到400，和200列到400列部分区域，取名face
img1[200:400,600:800]=face 可以使用face，比如将另一部分区域等于face
9、通道的拆分
import cv2
img1=cv2.imread('图像名称')
b,g,r=cv2.split(img1)
cv2.imshow("blue",b)
cv2.imshow("green",g)
cv2.imshow("red",r)
只拆分一个通道，下标0,1,2分别表示B,G,R通道
b=cv2.split(a)[0]
10、通道的合并
m=cv2.merge([b,g,r]) 注意b,g,r的顺序
红色通道与都是0的另外两个通道合并，得到的图像是红色的
11、图像加法运算
参与运算的图像大小、类型必须一致
numpy加法，不太自然，多的叠加的部分是黑的
取模加法，运算方式：结果 = 图像1 + 图像2 ---> 像素值<=255 图像1+图像2 ---> 图像值>255 结果对255取模
100+58=158 255+58= （255+58）%255 = 58
二进制 十进制
0000 0000 0
0000 0001 1
...... ......
1111 1110 254
1111 1111 255
opencv加法，更自然，多的叠加的部分是白的
饱和运算，运算方式：结果 = cv2.add(图像1，图像2) ---> 像素值<=255 图像1+图像2 ---> 图像值>255 取值255
100+58=158 255+58= 255
12、图像融合
图像融合：结果图像=图像1*系数1+图像2*系数2+亮度调节量
img=img1*0.3+img2*0.7+18
图像相加相当于两个图像权重系数是一样的，都是1，亮度调节值是0
函数addWeighted
dst = cv.addWeighted(src1,alpha,src2,beta,gamma)
dst = src1*alpha + src2*beta + gamma; 运算公式 参数gamma（亮度调节值）不能省略
13、图像类型转换
OpenCV提供了200多种不同类型之间的转换
彩色转灰度
b = cv2.cvtColor(a,cv2.COLOR_BGR2GRAY) 第一个参数a是原图像，第二个参数是转换的具体类型
BGR转RGB
b = cv2.cvtColor(a,cv2.COLOR_BGR2RGB)
灰度转BGR
b = cv2.cvtColor(a,cv2.COLOR_GRAY2BGR)
14、图像缩放
语法格式
dst = cv2.resize(src ,dsize[ ,dst[ ,fx[ ,fy[ ,interpolation]]]])
src 原始图像 dsize 缩放大小 fx, fy 缩放大小 (一般没有dsize时使用，fx水平方向上的缩放，如果fx>1就是放大，fx<1缩小，=1表示不变)
b = cv2.resize(a,(200,122)) 200,122分别表示图像的列 和 行
b = cv2.resize(a,None,fx=0.5,fy=0.7)
b = cv2.resize(a, (round(cols*0.5), round(rows*1.2))) 列乘以比例后不一定是整数，但是我们说多少列，列肯定是整数，所以对进行计算的列四舍五入round，让其是整数的列
15、图像翻转
dst = cv2.flip(src, flipCode) src原图像 ，flipCode以哪种模式进行翻转
三种翻转方式， 其一左翻右 ，即以y轴为对称轴进行左右翻转 flipCode>0 ，另一种以x为对称轴进行上下翻转 flipCode=0，还有一种，翻转两次，先以x轴为对称轴上下翻转，再以y轴为对称轴左右翻转 flipCode<0
dst = cv2.flip( src , 1)
16、阈值分割
二进制阈值化 Threshold Binary
先要选定一个特定的阈值量，比如：127
新的阈值产生规则为：大于等于127的像素点的灰度值设定为最大值（如8位灰度值最大为255）
灰度值小于127的像素点的灰度值设定为0，即最小值
dst ( x, y ) = ｛ maxVal if src( x, y ) > thresh
0 otherwise
反二进制阈值化 Threshold Binary,Inverted
与二进制阈值化相反，得到的是其反色的图
大于阈值的设定为0，小于该阈值的设定为255
dst ( x, y ) = ｛ 0 if src( x, y ) > thresh
maxVal otherwise
截断阈值化 Truncate
把比阈值大的像素都处理成阈值，小于该阈值的保持不变。不存在比阈值大的像素值了
dst ( x, y ) = { threshold if src( x, y ) > thresh
src( x, y ) otherwise
反 阈值化为0 Threshold to Zero, Inverted
大于等于阈值的像素处理为0，小于该阈值的像素点值保持不变
dst ( x, y ) = { 0 if src( x, y ) > thresh
src( x, y ) otherwise
阈值化为0 Threshold to Zero
某像素点的值比阈值大，保持不变，如果比阈值小或等于阈值，则处理为0
dst ( x, y ) = { src( x, y ) if src( x, y ) > thresh
0 otherwise
17、函数 threshold 及实现
retval, dst = cv2.threshold( src ,thresh ,maxval ,type)
retval, 阈值（与threshold是一致的） dst, 处理结果图像 src 源图像 threshold 阈值（一般是128） maxval 最大值（1也可以255） type 类型
二进制阈值化 cv2.THRESH_BINARY 把亮的处理为白色，暗的处理为黑色
r, b = cv2.threshold(a ,127 ,255 ,cv2.THRESH_BINARY)
反二进制阈值化 cv2.THRESH_BINARY_INV 把亮的处理为黑色，暗的处理为白色，与二进制阈值化是反色的
截断阈值化 cv2.THRESH_TRUNC 把比较亮的都处理为阈值，整体暗了
反阈值化为0 cv2.THRESH_TOZERO_INV 把比较亮的处理为0，暗一些的像素点不变
阈值化为0 cv2.THRESH_TOZERO 把比较暗的像素点处理为0，比较亮的不变
18、图像平滑，均值滤波
任意一点的像素值，都是周围N*N个像素值的均值
5行5列中心点的像素新值=该5行5列像素值之和除25
核 进行均值滤波时要指定的参数，
针对原始图像内的像素点，逐个采用核进行处理，得到结果图像
上述5行5列的核是 5行5列个1/25
1 1 1 1 1
1 1 1 1 1 1
K = — [ 1 1 1 1 1 ]
25 1 1 1 1 1
1 1 1 1 1
函数 blur
处理结果 = cv2.blur(原始图像，核大小)
核大小：以（宽度，高度）形式表示的元组，上面核大小：(5, 5)
核大小：(3, 3) 表示3行3列，对应如下
1 1 1 1
K = — [ 1 1 1 ]
9 1 1 1
r=cv2.blur(o, (5, 5) )
能平滑椒盐攻击，每个点都是周围值的均值
19、图像平滑，方框滤波
函数boxFilter
处理结果=cv2.boxFilter(原始图像，目标图像深度，核大小，normalize属性）
目标图像深度：Int类型的目标图像深度。通常使用“-1”表示与原始图像一致。
normalize属性（归一化属性）：是否对目标图像进行归一化处理。
1 1 ... 1
K = — [ ... ... ... ]
a 1 ... 1
a = { 1/(width * height) normalize = true 与均值滤波相同
1 normalize = false 实际上是求和，很容易发生溢出
r = cv2.boxFilter( o, -1, (5, 5), normalize=1) 等于1表示要进行归一化处理，与均值滤波相同
r = cv2.boxFilter( o, -1, (5, 5)) 省略掉相当于true，进行归一化处理
r = cv2.boxFilter( o, -1, (5, 5), normalize=0) 相当于false，表示不进行归一化处理，求和，目标图像变成白色的
20、图像平滑，高斯滤波
让临近的像素具有更高的重要度。对周围像素计算加权平均值，较近的像素具有较大的权重值。与均值滤波不同之处是，离中心点越近权重越大，离中心点越远，权重越小。
函数 GaussianBlur
dst = cv2.GaussianBlur( src, ksize, sigmaX)
src,原始图像，要处理的源图像
ksize,核大小，必须是奇数（N,N）
sigmaX,X方向方差，控制权重
sigmaX=0时，
---网易云课堂