一、高斯平滑（模糊）
def gaussian_blur(image): # 設置ksize來確定模糊效果 img = cv.GaussianBlur(image, (5, 5), 0) cv.imshow('img', img) # 不通過ksize來設置高斯核大小，通過設置高斯分布公式中的sigma img2 = cv.GaussianBlur(image, (0, 0), 1) cv.imshow('img2', img2)
在高斯平滑中，高斯核中所有數字加起來應該為1，這樣才能保證圖片只發生平滑效果，而不影響亮度等其他效果。
例如3x3的高斯核如下所示：
二、邊緣保留濾波（EPF）
高斯雙邊模糊（美顏）：
def bi_blur(image): img = cv.bilateralFilter(image, 0, 100, 5) cv.imshow('img', img)
從效果可以看出，邊緣保留的還不錯，而非邊緣進行了模糊。雙邊模糊的效率比較低，特別是sigmaSpace比較大的時候。
cv.bilateralFilter()函數的參數：
src：原圖像
d：過濾過程中每個像素領域的直徑范圍，若非正數，則從sigmaSpace計算
sigmaColor：值越大，表示像素領域內有多寬的顏色（顏色范圍）會被混在一起
sigmaSpace：如果值較大，表示顏色相近的較遠像素（空間范圍）將互相影響，從而使更大區域足夠相似的顏色獲取相同的顏色。
三、腐蝕和膨脹
腐蝕操作：
# 腐蝕操作，用於去除一些細小的白色顆粒或線條 def erode_img(image): kernel = np.ones((5,5),np.uint8) # 當核尺寸越大時，每次腐蝕的程度越大，iter是操作中疊加幾次腐蝕 img = cv.erode(image,kernel,iterations = 1) cv.imshow('img',img)
膨脹操作：
膨脹可以說是腐蝕的反操作：
# 膨脹操作，用於去除一些細小的黑色漏洞 def dilate_img(image): kernel = np.ones((5, 5), np.uint8) img = cv.dilate(image, kernel, iterations=1) cv.imshow('img', img)
結合腐蝕和膨脹：
結合腐蝕和膨脹，可以消除一些細小的不需要的部分，然后再復原。
def combo_proc(image): kernel = np.ones((5, 5), np.uint8) img = cv.dilate(image, kernel, iterations=1) img2 = cv.erode(img, kernel, iterations=1) cv.imshow('img2', img2)
四、開運算和閉運算
# 開操作：先腐蝕再膨脹 def open_proc(image): kernel = np.ones((5, 5), np.uint8) opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel) cv.imshow('opening', opening) # 閉操作：先膨脹再腐蝕 def close_proc(image): kernel = np.ones((5, 5), np.uint8) closing = cv.morphologyEx(image, cv.MORPH_CLOSE, kernel) cv.imshow('closing', closing)
結合開閉運算：
# 先做開操作，再做閉操作 def open_close_proc(image): kernel = np.ones((5, 5), np.uint8) opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel) closing = cv.morphologyEx(opening, cv.MORPH_CLOSE, kernel) cv.imshow('closing', closing)
梯度運算：
# 梯度操作：膨脹 - 腐蝕 def gradient_proc(image): kernel = np.ones((3, 3), np.uint8) gradient = cv.morphologyEx(image, cv.MORPH_GRADIENT, kernel) cv.imshow('gradient', gradient)
五、禮帽和黑帽
禮帽是通過原圖片減去開操作后的圖像，得到其中的多於細小部分（字邊上的白色細線）。
黑帽是通過閉操作后的圖像減去原圖像，得到其中的細小泄漏部分（字中間的黑色細線）。
禮帽：tophat
# tophat 禮帽 def tophat_img(image): kernel = np.ones((3, 3), np.uint8) img = cv.morphologyEx(image, cv.MORPH_TOPHAT, kernel) cv.imshow('img', img)
黑帽：blackhat
# blackhat 黑帽 def blackhat_img(image): kernel = np.ones((3, 3), np.uint8) img = cv.morphologyEx(image, cv.MORPH_BLACKHAT, kernel) cv.imshow('img', img)
六、Sobel算子
def sobel_proc(image): # 這里的cv.CV_64F用來保存所有的梯度（不管正負），1,0是dx,dy表示計算橫向梯度 sobelx = cv.Sobel(image, cv.CV_64F, 1, 0, ksize=3) # 將所有梯度取絕對值 sobelx = cv.convertScaleAbs(sobelx) cv.imshow('sobelx', sobelx) # 計算y方向的梯度 sobely = cv.Sobel(image, cv.CV_64F, 0, 1, ksize=3) # 將所有梯度取絕對值 sobely = cv.convertScaleAbs(sobely) cv.imshow('sobely', sobely)
當計算X，Y方向的梯度時，Sobel算子分別為：
X方向是右邊像素減去左邊像素，Y方向是上面像素減去下面的像素。
將XY方向的梯度合並起來：
def sobel_proc(image): # 這里的cv.CV_64F用來保存所有的梯度（不管正負），1,0是dx,dy表示計算橫向梯度 sobelx = cv.Sobel(image, cv.CV_64F, 1, 0, ksize=3) # 將所有梯度取絕對值 sobelx = cv.convertScaleAbs(sobelx) # cv.imshow('sobelx', sobelx) # 計算y方向的梯度 sobely = cv.Sobel(image, cv.CV_64F, 0, 1, ksize=3) # 將所有梯度取絕對值 sobely = cv.convertScaleAbs(sobely) # cv.imshow('sobely', sobely) # 將x和y方向的梯度合並起來，類似於sobelx+sobely sobelxy = cv.addWeighted(sobelx, 1, sobely, 1, 0) cv.imshow('sobelxy', sobelxy) # 不建議使用這種方式，有問題 sobelxy2 = cv.Sobel(image, -1, 1, 1, ksize=3) cv.imshow('sobelxy2', sobelxy2)
建議使用addWeight()的方式進行合並，而不建議在一個Sobel計算中同時計算xy方向的梯度。
應用到圖片上：
彩色圖：
灰度圖：
七、其他算子介紹
Scharr算子：(讀/ʃɑr/)
scharr = cv.Scharr(image,cv.CV_64F, 1, 0)
scharr = cv.convertScaleAbs(scharr)
Scharr算子和Sobel算子類似，只是數值比Sobel大很多，這就導致Scharr算子靈敏度更高，噪聲影響較大。如下圖：
Laplacian算子：
拉普拉斯算子是圖像的離散二階導數，用於發現邊緣突變，但對於噪聲來說比較靈敏，一般配合其他技術一起使用。
laplacian = cv.Laplacian(image,cv.CV_64F)
laplacian = cv.convertScaleAbs(laplacian)
Laplacian算是和前面的兩種算子不同，前面的兩種算子都屬於一階導數，而Laplacian算子是用於計算二階導數的。體現的是邊緣的突變度，即梯度的變化度。效果如圖：
