opencv-python函式(三)影象處理
1.顏色空間轉換
常用到的就兩種：BGR↔Gray 和 BGR↔HSV
要用到的函式是：cv2.cvtColor(input_image ，flag)，其中 flag就是轉換型別。
對於 BGR↔Gray 的轉換，我們要使用的 flag 就是 cv2.COLOR_BGR2GRAY。
同樣對於 BGR↔HSV 的轉換，我們用的 flag 就是 cv2.COLOR_BGR2HSV。
mask = cv2.inRange(hsv, lower_red, upper_red)函式設閾值，去除背景部分
引數有三個
第一個引數：hsv指的是原圖
第二個引數：lower_red指的是影象中低於這個lower_red的值，影象值變為0
第三個引數：upper_red指的是影象中高於這個upper_red的值，影象值變為0
而在lower_red～upper_red之間的值變成255
2.擴充套件縮放
cv2.resize()可以實現這個功能。影象的尺寸可以自己手動設定，你也可以指定縮放因子。我們可以選擇使用不同的插值方法。
cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst
引數:
src是原圖
dsize是目標影象大小
fx - 水平軸上的比例因子
fy - 垂直軸上的比例因子
interpolation - 插值方法。共有5種：
１）INTER_NEAREST - 最近鄰插值法
２）INTER_LINEAR - 雙線性插值法（預設）
３）INTER_AREA - 基於區域性畫素的重取樣（resampling using pixel area relation）。對於影象抽取（image decimation）來說，這可能是一個更好的方法。但如果是放大影象時，它和最近鄰法的效果類似。
４）INTER_CUBIC - 基於4x4畫素鄰域的3次插值法
５）INTER_LANCZOS4 - 基於8x8畫素鄰域的Lanczos插值
如果想要收縮影象，那麼使用重取樣差值法效果最好；如果想要放大影象，那麼最好使用3次差值法
例：
# 下面的 None 本應該是輸出影象的尺寸，但是因為後邊我們設定了縮放因子
# 因此這裡為 None
res=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
# 這裡呢，我們直接設定輸出影象的尺寸，所以不用設定縮放因子
height,width=img.shape[:2]
res=cv2.resize(img,(2*width,2*height),interpolation=cv2.INTER_CUBIC)3.平移
平移就是將物件換一個位置。如果你要沿（x，y）方向移動，移動的距離是（t x ，t y ），你可以以下面的方式構建移動矩陣：
可使用 Numpy 陣列構建這個矩陣（資料型別是 np.float32），然後把它傳給函式 cv2.warpAffine()。看看下面這個例子吧，它被移動了（100,50）個畫素。
import cv2
import numpy as np
img = cv2.imread('messi5.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]]) #x移動100，y移動50
dst = cv2.warpAffine(img,M,(cols,rows)) #進行變換，img是原影象，M變換矩陣，(cols,rows)是輸出影象大小
cv2.imshow('img',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()4. 旋轉
構建旋轉矩陣，OpenCV 提供了一個函式：cv2.getRotationMatrix2D。這個函式需要三個引數，旋轉中心，旋轉角度，旋轉後圖像的縮放比例。
例：
import cv2
import numpy as np
img=cv2.imread('messi5.jpg',0)
rows,cols=img.shape
# 這裡的第一個引數為旋轉中心，第二個為旋轉角度，第三個為旋轉後的縮放因子
# 可以通過設定旋轉中心，縮放因子，以及視窗大小來防止旋轉後超出邊界的問題
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,0.6)#旋轉中心為影象的中間位置，旋轉45度，縮放比例0.6，返回一個2x3的矩陣
# 第三個引數是輸出影象的尺寸中心
dst=cv2.warpAffine(img,M,(2*cols,2*rows))
cv2.imshow('img',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
5.影象閾值
簡單閾值
這種方法非常簡單。但畫素值高於閾值時，我們給這個畫素賦予一個新值（可能是白色），否則我們給它賦予另外一種顏色（也許是黑色）。這個函式就是 cv2.threshhold()。這個函式的第一個引數就是原影象，原影象應該是灰度圖。第二個引數就是用來對畫素值進行分類的閾值。第三個引數就是當畫素值高於（有時是小於）閾值時應該被賦予的新的畫素值。OpenCV提供了多種不同的閾值方法，這是有第四個引數來決定的。這些方法包括：
• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV
自適應閾值
在前面的部分我們使用是全域性閾值，整幅影象採用同一個數作為閾值。當時這種方法並不適應與所有情況，尤其是當同一幅影象上的不同部分的具有不同亮度時。這種情況下我們需要採用自適應閾值。此時的閾值是根據影象上的每一個小區域計算與其對應的閾值。因此在同一幅影象上的不同區域採用的是不同的閾值，從而使我們能在亮度不同的情況下得到更好的結果。
函式為：cv2.adaptiveThreshold（）
該函式需要填6個引數：
- 第一個原始影象
- 第二個畫素值上限
- 第三個自適應方法Adaptive Method:
— cv2.ADAPTIVE_THRESH_MEAN_C ：領域內均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領域內畫素點加權和，權重為一個高斯視窗 - 第四個值的賦值方法：只有cv2.THRESH_BINARY(大於為畫素上限) 和cv2.THRESH_BINARY_INV(小於為畫素上限)
- 第五個Block size:規定領域大小（一個正方形的領域）
- 第六個常數C，閾值等於均值或者加權值減去這個常數（為0相當於閾值 就是求得領域內均值或者加權值）
這種方法理論上得到的效果更好，相當於在動態自適應的調整屬於自己畫素點的閾值，而不是整幅影象都用一個閾值.。
Otsu’ ’s 二值化
在使用全域性閾值時，我們就是隨便給了一個數來做閾值，那我們怎麼知道我們選取的這個數的好壞呢？答案就是不停的嘗試。如果是一副雙峰影象（簡單來說雙峰影象是指影象直方圖中存在兩個峰）呢？我們豈不是應該在兩個峰之間的峰谷選一個值作為閾值？這就是 Otsu 二值化要做的。簡單來說就是對一副雙峰影象自動根據其直方圖計算出一個閾值。（對於非雙峰影象，這種方法得到的結果可能會不理想）。
這裡用到到的函式還是 cv2.threshold()，但是需要多傳入一個引數（flag）：cv2.THRESH_OTSU。這時要把閾值設為 0。然後演算法會找到最優閾值，這個最優閾值就是返回值 retVal。如果不使用 Otsu 二值化，返回的retVal 值與設定的閾值相等。
例：
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)