图像处理的概念与基本操作
图像：由RGB 像素组成图像的基本要素
常见的图片格式有：jpg、png、gif、psd、tiff、bmp等
不同格式所表示的内容相同，总体上说都是利用像素的变化和区别来表达和传递信息。

像素
分辨率
JPG与PNG格式的区别
JPG和PNG都是生活中较为常见和使用的两种图像，但是二者实际上是有区别的。
JPG所包含的信息第RGB三通道，而PNG格式的通道是RGBA四通道的；
而A(alpha）通道所表示的为图像的透明图。
因此，PNG格式的图片可以保存透明边缘的图片。

图像处理常用的库函数
对于图像处理经常使用的库函数有如： OpenCV、PIL

使用OpenCV加载并保存图片
OpenCV的是一个非常经典的图像处理库，中间封装了很多常见的图像处理函数，用于读取图像并做出识别

最基本的图像处理的命令：加载图片，显示图片，保存图片
对应到 OpenCV函数： cv2.imread(), cv2.imshow(), cv2.imwrite()

显示图片形状：
cv.shape 函数
可以显示图像的大小 如：(350, 350, 3)
注意：第一个是指列数，第二个是指行数，第三个是指通道数

灰度图的读取与显示
在显示灰度图时，要记得在函数中加入 ：‘gray’
否则图像会默认为RGB图像，从而按照“GBR”读取成奇奇怪怪的颜色（如下图所示）

 

四通道图片的读取与显示
同样的问题在四通道的PNG图片上也应该得到注意，因为四通道在转义时alpha通道会自动丢失，入伙此时还用传统方法读取，就有问题了。

 

OpenCV库进阶操作
ROI：Region of Interest，感兴趣区域
可以理解为图像的截取，即从图像上选择感兴趣的区域

# 截取猫脸ROI
face = img[0:740, 400:1000]
plt.imshow(face)

提取时直接按照像素的坐标提取希望获得的像素区间即可

通道的分割与合并
彩色图的BGR三个通道是可以分开单独访问的，也可以将单独的三个通道合并成一副图像。分别使用cv2.split()和cv2.merge()：

# 创建一副图片
img = cv2.imread('lena.jpg')
# 通道分割
b, g, r = cv2.split(img)
# 通道合并
img = cv2.merge((b, g, r))

颜色空间转换
颜色空间转换事实上可以理解成图像RGB通道值的调整
即通过对于RGB通道值的调整来调整图片的颜色空间（如色调等）

最常用的颜色空间转换如下：

RGB或BGR到灰度（COLOR_RGB2GRAY，COLOR_BGR2GRAY）
RGB或BGR到YcrCb（或YCC）（COLOR_RGB2YCrCb，COLOR_BGR2YCrCb）
RGB或BGR到HSV（COLOR_RGB2HSV，COLOR_BGR2HSV）
RGB或BGR到Luv（COLOR_RGB2Luv，COLOR_BGR2Luv）
灰度到RGB或BGR（COLOR_GRAY2RGB，COLOR_GRAY2BGR）

需要对图像进行转化时，调用上述函数即可，如：

img = cv2.imread('lena.jpg')
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 保存灰度图
cv2.imwrite('img_gray.jpg', img_gray)
import numpy as np

import matplotlib.pyplot as plt

from PIL import Image,ImageEnhance

path = "baidu_bear.png" # 图片路径

image = Image.open(path) #读取图片

image_raw = image

image = np.array(image)

image_h = np.array(Image.open(path).convert('L'))

#在下面补充相关代码

img1 = ~image

mg1 = Image.fromarray(img1)

img2 = 255-image_h

img2 = Image.fromarray(img2.astype('uint8'))

img3 = ~(255-image_h)

img3 = Image.fromarray(img3.astype('uint8'))

color_enhancer = ImageEnhance.Color(image_raw)

img4 = color_enhancer.enhance(1.5)

newname1 = "./4-1.png"

newname2 = "./4-2.png"

newname3 = "./4-3.png"

newname4 = "./4-4.png"

img1.save(newname1)

img2.save(newname2)

img3.save(newname3)

mg4.save(newname4)

此作业是将小熊进行图像色调的处理，我感觉这个是作业里面蛮烦的一个
特定颜色物体追踪
最早期的图像处理概念：通过一些函数，对于特定频道范围内的RGB数值进行一些调整和处理，从而让图像更符合人类需求的操作。

如：除了RGB图像表示方法外，还有很多图像的表示方法，如RGB、HSV和HSL等，可以从下面连接中获取详细知识：

RGB、HSV和HSL颜色空间

HSV:色调、饱和度、明度
色调H范围为[0,179]，饱和度S是[0,255]，明度V是[0,255]
HSV是一个常用于颜色识别的模型，相比BGR更易区分颜色，转换模式用COLOR_BGR2HSV表示。阈值分割
使用固定阈值、自适应阈值和Otsu阈值法"二值化"图像
OpenCV函数：cv2.threshold(), cv2.adaptiveThreshold()

固定阈值分割
固定阈值分割很直接，一句话说就是像素点值大于阈值变成一类值，小于阈值变成另一类值。

cv2.threshold()用来实现阈值分割，ret是return value缩写，代表当前的阈值。函数有4个参数：

参数1：要处理的原图，一般是灰度图
参数2：设定的阈值
参数3：最大阈值，一般为255
参数4：阈值的方式，主要有5种，详情：ThresholdTypes
0: THRESH_BINARY 当前点值大于阈值时，取Maxval,也就是第四个参数，否则设置为0
1: THRESH_BINARY_INV 当前点值大于阈值时，设置为0，否则设置为Maxval
2: THRESH_TRUNC 当前点值大于阈值时，设置为阈值，否则不改变
3: THRESH_TOZERO 当前点值大于阈值时，不改变，否则设置为0
4:THRESH_TOZERO_INV 当前点值大于阈值时，设置为0，否则不改变

 

自适应阈值
看得出来固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图片。 cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值，这样图片不同区域的阈值就不尽相同。它有5个参数，其实很好理解，先看下效果：

参数1：要处理的原图
参数2：最大阈值，一般为255
参数3：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
参数4：阈值方式（跟前面讲的那5种相同）
参数5：小区域的面积，如11就是11*11的小块
参数6：最终阈值等于小区域计算出的阈值再减去此值

Otsu阈值
在前面固定阈值中，我们是随便选了一个阈值如127，那如何知道我们选的这个阈值效果好不好呢？答案是：不断尝试，所以这种方法在很多文献中都被称为经验阈值。Otsu阈值法就提供了一种自动高效的二值化方法。

图像几何变换
图像常见的几何变换形式：旋转、平移和缩放图片
对应OpenCV函数：cv2.resize(), cv2.flip(), cv2.warpAffine()

缩放图片
缩放就是调整图片的大小，使用cv2.resize()函数实现缩放。可以按照比例缩放，也可以按照指定的大小缩放： 我们也可以指定缩放方法interpolation，更专业点叫插值方法，默认是INTER_LINEAR，全部可以参考：InterpolationFlags

缩放过程中有五种插值方式：

cv2.INTER_NEAREST 最近邻插值
cv2.INTER_LINEAR 线性插值
cv2.INTER_AREA 基于局部像素的重采样，区域插值
cv2.INTER_CUBIC 基于邻域4x4像素的三次插值
cv2.INTER_LANCZOS4 基于8x8像素邻域的Lanczos插值

翻转图片
镜像翻转图片，可以用cv2.flip()函数： 其中，参数2 = 0：垂直翻转(沿x轴)，参数2 > 0: 水平翻转(沿y轴)，参数2 < 0: 水平垂直翻转。

完成作业样例

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image

path = "baidu_bear.png" # 图片路径

image = Image.open(path)

#image = np.array(image) #在下面补充相关代码

img1 = image.transpose(Image.FLIP_LEFT_RIGHT)

img2 = image.transpose(Image.FLIP_TOP_BOTTOM)

newname1 = "./1-1.png"

newname2 = "./1-2.png"

img1.save(newname1)

mg2.save(newname2)

将作业中的小熊翻转，感觉弄起来稍微有点麻烦，因为基础不太好

平移图片
要平移图片，我们需要定义下面这样一个矩阵，tx,ty是向x和y方向平移的距离：

平移是用仿射变换函数cv2.warpAffine()实现的

绘图功能
绘制各种几何形状、添加文字
OpenCV函数：cv2.line(), cv2.circle(), cv2.rectangle(), cv2.ellipse(), cv2.putText()
绘制形状的函数有一些共同的参数，提前在此说明一下：

img： 要绘制形状的图片
color： 绘制的颜色
彩色图就传入BGR的一组值，如蓝色就是(255,0,0)
灰度图，传入一个灰度值就行
thickness： 线宽，默认为1；对于矩形/圆之类的封闭形状而言，传入-1表示填充形状
lineType： 线的类型。默认情况下，它是8连接的。cv2.LINE_AA 是适合曲线的抗锯齿线。

图像间数学运算
图片间的数学运算，如相加、按位运算等
OpenCV函数：cv2.add(), cv2.addWeighted(), cv2.bitwise_and()

平滑图像
模糊/平滑图片来消除图片噪声
OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

关于滤波和模糊：

它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）
低通滤波器是模糊，高通滤波器是锐化
低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。

边缘检测
Canny边缘检测的简单概念
OpenCV函数：cv2.Canny()
Canny边缘检测方法常被誉为边缘检测的最优方法：

cv2.Canny() 进行边缘检测，参数2、3表示最低、高阈值，下面来解释下具体原理。

之前我们用低通滤波的方式模糊了图片，那反过来，想得到物体的边缘，就需要用到高通滤波。

腐蚀与膨胀
了解形态学操作的概念
学习膨胀、腐蚀、开运算和闭运算等形态学操作
OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

形态学操作其实就是改变物体的形状，比如腐蚀就是"变瘦"，膨胀就是"变胖"。

形态学操作一般作用于二值化图，来连接相邻的元素或分离成独立的元素。腐蚀和膨胀是针对图片中的白色部分！