type
status
date
slug
summary
tags
category
icon
password
一、 颜色空间转换与灰度化
在处理图像时，我们常常不需要处理完整的 BGR（蓝绿红）三通道颜色信息。将图像转换为灰度图可以简化计算、降低复杂度，是许多高级算法的预处理步骤。
1.1 OpenCV 内置函数 cvtColor
这是最常用、最高效的颜色空间转换方法。
cv.cvtColor() 函数可以实现多种颜色空间之间的转换。- 目的：将 BGR 彩色图转换为灰度图（GRAY）或 HSV 图等。
- 核心原理：调用 OpenCV 底层优化过的算法进行快速转换。
1.2 手动实现灰度化：理解底层原理
为了更好地理解灰度化的本质，我们可以手动实现它。这主要有三种经典算法：
1.2.1 加权均值法 (Weighted Average)
- 背景：人眼对绿色的敏感度最高，其次是红色，对蓝色最不敏感。因此，赋予三个通道不同的权重，可以得到更符合人眼视觉感知的灰度图。
- 公式：
Gray = R*0.299 + G*0.587 + B*0.114
1.2.2 平均值法 (Simple Average)
- 背景：最简单的灰度化方法，直接取 BGR 三个通道的平均值。
- 公式：
Gray = (R + G + B) / 3
1.2.3 最大值法 (Max Value)
- 背景：取 BGR 三个通道中的最大值作为灰度值。
- 公式：
Gray = max(R, G, B)
二、 图像阈值化：分离前景与背景
阈值化（Thresholding）是图像分割的一种简单而有效的方法。通过设定一个阈值，我们可以将图像中的像素点分为两类：高于阈值的和低于阈值的，从而实现前景和背景的分离。
1.全局阈值法 cv.threshold
该函数使用一个固定的阈值对整个灰度图像进行处理。
- 核心函数：
cv.threshold(src, thresh, maxval, type) src: 输入的灰度图像。thresh: 设定的阈值。maxval: 当像素值超过阈值时要赋予的新值。type: 阈值处理的类型，如二值化、反二值化等。
下面是各种阈值类型的实践代码：
- 要点总结：
THRESH_BINARY：大于阈值为maxval，否则为 0。THRESH_BINARY_INV：与THRESH_BINARY相反。THRESH_TRUNC：大于阈值部分设为阈值，其余不变。THRESH_TOZERO：小于阈值部分设为 0，其余不变。THRESH_TOZERO_INV：大于阈值部分设为 0，其余不变。THRESH_OTSU：自动阈值法，它会忽略你设置的thresh参数，自动计算出一个最佳阈值，非常适用于光照不均但前景和背景差异明显的图像。
2.自适应阈值法 cv.adaptiveThreshold
- 核心函数：
cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) src：输入的灰度图像。maxValue：二值化后符合条件的像素要赋予的最大值（一般取 255）。adaptiveMethod：自适应阈值算法，可选cv.ADAPTIVE_THRESH_MEAN_C：区域内像素算术均值cv.ADAPTIVE_THRESH_GAUSSIAN_C：区域内像素按高斯加权平均thresholdType：阈值化类型，常用cv.THRESH_BINARYcv.THRESH_BINARY_INVblockSize：计算局部阈值时的邻域大小，必须为奇数且 ≥3（如 11、15、21…）。C：从计算得到的局部阈值中减去的常数，用于微调分割灵敏度（可正可负）。
注意：
高斯（Gaussian）本质上是一种以正态分布为基础的平滑函数，其一维形式为
其中 μ 通常取在核的中心、σ 控制“宽度”，并在计算后归一化使所有权重和为 1；要得到图像处理中的二维高斯核，就利用其可分离性，将一维核向量 G 通过外积（outer product）生成一个矩阵
这样矩阵中每个元素
中心权重最大、向外逐渐减小，既能平滑噪声又能保留边缘信息。
三、 几何变换：移动、缩放与旋转
几何变换可以改变图像的位置、大小和角度，而不会改变其内容。
3.1 图像翻转 cv.flip
最简单的几何变换，可以实现水平、垂直或双向翻转。
- 核心函数：
cv.flip(src, flipCode)
flipCode参数说明：0: 垂直翻转（沿 x 轴）。> 0(通常用1): 水平翻转（沿 y 轴）。< 0(通常用-1): 水平和垂直同时翻转。
3.2 仿射变换 cv.warpAffine
仿射变换是一种更通用的二维线性变换，平移、缩放、旋转都是它的特例。它需要一个 2x3 的变换矩阵
M。- 核心函数：
cv.warpAffine(src, M, dsize) src: 输入图像。M: 2x3 的变换矩阵。dsize: 输出图像的尺寸(width, height)。
1. 平移 (Translation)
- 变换矩阵
M：[[1, 0, tx], [0, 1, ty]]，其中tx是水平平移距离，ty是垂直平移距离。
2. 缩放 (Scaling)
- 变换矩阵
M：[[fx, 0, 0], [0, fy, 0]]，其中fx是水平缩放因子，fy是垂直缩放因子。
这里的输出尺寸 dsize 仍然是 (700, 500)，所以缩放后的图像（350x250）会显示在左上角，其余部分为黑色。可以调整 dsize 来改变画布大小。
注意：
缩小时，输出像素映射到原图更大范围，只取样（或插值汇总）部分原像素；放大时，则对原图像素进行复制或插值，填充到多个目标像素
3. 旋转 (Rotation)
- 获取旋转矩阵：手动计算旋转矩阵很复杂，OpenCV 提供了便利函数
cv.getRotationMatrix2D(center, angle, scale)。 center: 旋转中心点坐标。angle: 旋转角度（正值为逆时针）。scale: 缩放因子。
四、 图像的算术运算
我们可以对图像进行加法运算，实现图像融合或调整亮度等效果。
4.1 颜色加法：cv.add vs +
OpenCV 的加法和 NumPy 的加法在处理像素值溢出时有本质区别，这一点非常重要！
cv.add()(饱和运算)：当像素值相加超过 255 时，结果被“截断”为 255。例如250 + 10 = 255。这种方式能防止颜色“回卷”，更符合视觉直觉。
+(取模运算)：当像素值相加超过 255 时，会对 256 取模。例如250 + 10 = 260 % 256 = 4。这会导致亮区突然变成暗区。
4.2 图像加权融合 cv.addWeighted
这个函数可以实现两张图像按不同权重进行混合，常用于制作半透明融合效果。
- 公式：
dst = α * img1 + β * img2 + γ
- 核心函数：
cv.addWeighted(img1, alpha, img2, beta, gamma) - 通常，我们让
alpha + beta = 1来实现平滑的融合。 gamma是一个加到总和上的标量，可以用来调整整体亮度。
如上述代码中最后一部分所示，
cao_pig3 就是将两张图以 7:3 的权重混合的结果。五、每日一题
题目：1717. 删除子字符串的最大得分
给你一个字符串
s 和两个整数 x 和 y 。你可以执行下面两种操作任意次。- 删除子字符串
"ab"并得到x分。 - 比方说，从
"cabxbae"删除ab，得到"cxbae"。
- 删除子字符串
"ba"并得到y分。 - 比方说，从
"cabxbae"删除ba，得到"cabxe"。
请返回对
s 字符串执行上面操作若干次能得到的最大得分。示例 1：
示例 2：
解题：
1.看到题目意识到是要查找字符串中的ab和ba，而且还有优先级，首先是想到遍历两遍字符串，第一次遍历先删除优先级高的，第二次遍历删除优先级低的
- 发现问题所在，忘记了
str是不可变的，我根本不能用pop进行删除，而且s[i]也是非空，会进入死循环。
2.考虑到把s改为列表，并更改
while循环退出条件为列表长度判断- 还是有问题，当我不知道怎么回事，询问了一下AI，被自己蠢笑了，
pop(i)删除了以后，后面的数字就补上了了，我只需要连续删除两次i就可以了
3.修改
pop- 运行正确是正确了，但是时长高得离谱
4.优化时长
- 修改两个
pop为del s[i:i+2]，少遍历了一次
- 只使用一次
len(s)，可以节约一点时间
- 最终结果，改不动了
- 作者:sisui
- 链接:https://www.sisui.me//article/py-opencv-core-operations-for-beginners-leetcode1717
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
