灰度化

定义

灰度图像是只含亮度信息，不含色彩信息的图像。灰度化处理是把彩色图像转换为灰度图像的过程，是图像处理中的基本操作。OpenCV 中彩色图像使用 BGR 格式。灰度图像中用 8bit 数字 0～255 表示灰度，如：0 表示纯黑，255 表示纯白。

函数讲解

1. 使用 cvtColor 函数将图像转换为灰度图像：

import cv2
img = cv2.imread('image.jpg')
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 使用 cv2.imread 函数读取图像，并使用 cv2.cvtColor 函数将图像转换为灰度图像：

import cv2
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('Gray Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

二值化

定义

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。其实图像二值化的方法有不下二十种。一般分为Global和Local两类，区别就是寻找那个阈值的时候使用到了哪里的信息。

但是单一的图像二值化方法（指基于直方图的二值化）往往比不过其他的方法，因为，毕竟你信息丢了太多。但是二值化快啊……你可以进行一百次不同的二值化，然后再得到一个更好的结果……

全局阈值法

简单阈值是选取一个全局阈值，然后把整幅图像分成非黑即白的二值图像，灰度值大于阈值就赋为255反之为0。

特点：对整幅图像都是用一个统一的阈值来进行二值化，方法简单易于实现。但是对光照不均匀的图像容易出现错误的二值分割。

cv::threshold(graySrc,dst, threshold_value, threshold_max,THRESH_BINARY);

自适应阈值法

cv.adaptiveThreshold(src,dst,maxValue,adaptiveMethod,blockvalue,C)

OTSU二值化(最大类间方差法)

cv::threshold(gray, img_Thr_O, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU); 
// *第一个参数：待二值化的图像，图像只能是CV_8U和CV_32F两种类型。对于
// 图像通道数目的要求与选择二值化的方法有关。
// *第二个参数：二值化后的图像
// *第三个参数：二值化阈值
// *第四个参数：二值化过程的最大值，它只在THRESH_BINARY和THRESH_BINARY_INV
// 两种方法中才使用。

边缘检测

定义

边缘检测是图像处理中非常重要的一项任务，它的目标是找到图像中亮度变化明显的区域，这些区域通常对应物理世界中的物体边缘。边缘检测常用于图像分割和特征提取。

图像的边缘检测大幅度减少数据量，并剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。

• 基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。
• 基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，代表算法是Laplacian算子。

备注:sobel算子时基于图像的空间强度变化，对应在水平和垂直方向的差异性，即像素的强度在边缘地方有显著变化。
Sobel算子的一种形式在水平方向(dx)的核是这样的：

-1  0  1
-2  0  2
-1  0  1

这个核的设计是为了计算图像在水平方向上的梯度，并提取出边缘。核中的每一个元素对应一个权重，用于对其覆盖的像素区域加权求和。
中间的列（0, 0, 0）给予了原始位置的像素0的权重，这意味着原始位置的像素对结果没有影响。
左边和右边的列(-1, -2, -1)和(1, 2, 1)则对原始像素的左右两旁的像素赋予了权重，左边是负数，右边是正数。这代表我们希望检测从暗到亮（左到右）的边缘。

轮廓检测

定义

轮廓可以简单认为成将连续的点(连着边界)连在一起的曲线，具有相同的颜色或灰度，提取轮廓就是提取这些具有相同颜色或者灰度的曲线，或者说是连通域，轮廓在形状分析和物体检测和识别中非常有用。

函数讲解

cv2.findContours() 是一个在OpenCV库中的函数，它用于从二值图像中检测轮廓。
函数的定义如下：

参数说明：
cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

• image: 必须是8位单通道二值图像。在运行此函数后，原图像将被修改。注意通常需要使用阈值处理或边缘检测之后的结果图像。
• mode: 此参数定义了轮廓检测模式。例如，cv2.RETR_TREE会检测所有轮廓并创建完整的轮廓层级系列。 cv2.RETR_EXTERNAL则只检测最外面的轮廓。
• method: 此参数定义了轮廓的近似方法。例如，cv2.CHAIN_APPROX_SIMPLE将存储轮廓线段的结束点，而cv2.CHAIN_APPROX_NONE则存储轮廓上的所有点。

函数返回值：

• contours: 这是一个Python列表，其中存储了图像中所有轮廓。每一条轮廓都是一个包含轮廓上各点(x, y)坐标的NumPy数组。
• hierarchy: (仅当mode参数为cv2.RETR_CCOMP或cv2.RETR_TREE时存在) 它是一个包含有关图像拓扑信息的NumPy数组。

例子代码

以下python代码会找到并画出图像中的所有外部轮廓：

import cv2
import numpy as np# 加载图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 二值化图像
_, thresholded = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 寻找轮廓
contours, _ = cv2.findContours(thresholded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 在原图上画出轮廓
cv2.drawContours(image, contours, -1, (0,255,0), 3)cv2.imshow("Contours", image)
cv2.waitKey(0)
cv2.destroyAllWindows()