小知识，大挑战！本文正在参与「程序员必备小知识」创作活动
本文已参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金。
Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 44 篇。
基础知识铺垫
今天再去回顾上一篇写二值化操作的博客，内容还是稚嫩了一些，果然第一遍的学习只是掌握了一丢丢的皮毛，还有很多细节的知识点需要补充。
二值化学习迭代
首先还是对 cv2.theshold 函数进行学习，函数原型与参数基础部分，翻阅上篇博客即可，重点补充如下内容。
函数原型还是先参考一下：
retval, dst = cv2.threshold(src, thresh, maxval, type[, dst])
重点要说明的参数是 type，先回顾一下基本函数的基本使用代码，毕竟有代码才方便回顾内容：
import cv2 as cv
import numpy as np
src = cv.imread("./test.png")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
retval, dst = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
image = np.hstack((gray, dst))
cv.imshow("image", image)
cv.waitKey()
运行结果如下：
最后一个 type 参数是复习到的重点知识，它的取值影响了最终二值图的结果。
在看一下 type 取值常见的有如下 5 个，这 5 个还可以分为三组，分别是
THRESH_BINARY与THRESH_BINARY_INV；THRESH_TRUNC；THRESH_TOZERO与THRESH_TOZERO_INV。
第一组中的两个取值和第三组的两个含义相同，都是相反的关系，因此看一个参数值即可。
THRESH_BINARY 最常用的，表示当像素点的值大于阈值 thresh 就取 maxval 设置的颜色，一般将 thresh 设置为 127，将 maxval 设置为 255，那 THRESH_BINARY 就会把所有灰度值大于 127 的都设置为 255。这里注意二值化操作的是灰度图像，虽然传递彩色图像也起作用，但是做二值化的时候，一定要提前把彩色图像转换为二值图像才可。
THRESH_TOZERO 超过阈值的像素无变化，不大于的像素设置为 0，具体其实你进行一下简单尝试即可。
import cv2 as cv
import numpy as np
cv.namedWindow("image",cv.WINDOW_FREERATIO)
src = cv.imread("./test.png")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
retval2, dst2 = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)
image = np.hstack((dst1,dst2))
cv.imshow("image", image)
cv.waitKey()
使用该办法，明显会看到有些地方的灰度值得到了保留，注意 THRESH_TOZERO 是超过阈值的像素无变化，未超过的设置为 0 。
与 THRESH_BINARY 对比之后得到的结论就是，黑的地方一起黑，白的地方你更白。
所以在使用 THRESH_TOZERO 的时候，写成下面这个样子也没有什么问题。
retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO)
THRESH_TRUNC 截断阈值化，大于阈值部分设置为阈值，否则不变，测试代码如下：
retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO)
retval3, dst3 = cv.threshold(gray, 127, 0, cv.THRESH_TRUNC)
image = np.hstack((dst1,dst2,dst3))
对比之后，立马就能明白，THRESH_TRUNC 会把图片的灰度值上限设置成一个具体值，例如本案例中的 127。
图像平滑处理学习迭代
平滑处理即卷积操作，在 这篇博客 前后都有所涉及，再次学习的时候，我们将其进行一下补充。
在对图像进行去噪处理的时候，可以使用均值滤波，它是简单的平均卷积操作，关于卷积数学相关的之后，在稍微后放 10 几天的时间，在进行补充，因为接下来的内容很多地方都会有卷积，多学一些应用层的之后，再去复盘数学基础，就事半功倍了。
虽然不涉及数学原理，但是咱还需要对底层实现进行一下基本的认知的，为了方便实现，我采用一张手动生成的灰度图进行演示。
生成一张灰度图的代码：
import cv2 as cv
import numpy as np
# 生成一个10*10的灰度图片
src = np.random.randint(256,size=(10, 10),dtype=np.uint8)
print(src)
cv.imshow("src",src)
因为是随机生成的，输出的代码如下：
[[ 90 134 192 243 116 2 172 143 22 218]
[192 145 171 125 175 138 64 232 90 160]
[ 61 20 231 37 77 27 141 182 71 194]
[136 86 10 239 196 137 192 243 47 40]
[220 167 3 50 227 70 135 227 225 218]
[207 10 213 134 249 157 179 112 58 78]
[107 33 68 143 124 215 175 167 108 195]
[ 32 227 43 249 61 168 230 180 82 47]
[ 89 211 253 141 199 140 34 185 179 32]
[ 18 98 109 92 37 13 200 102 97 218]]
均值滤波默认会选择一个 3x3 的卷积核，然后进行从左到右，从上到下的卷积操作。
上图红色的 137，就是进行均值滤波之后的结果，计算中心数字 145 周围的 9 个数字之和，然后再除以 9，得到 137，替换掉 145 。
但是该操作你也会发现一个问题，就是边缘是无法凑到卷积核
3x3 的，这里橡皮擦也查阅了相关资料，存在的解释就是边缘填充，也就是前几篇博客学习的内容，不过我进行尝试之后，发现结果并不理想，抽时间还是要查阅一下 OpenCV 的源码，核对一下到底是什么计算方式，不过核心的思路已经比较清楚了，均值就是计算平均值。
由于它是该卷积核取九个值的平均值代替中间像素值，所以最终的效果是平滑的，将其应用到具体图像上，呈现如下效果。
import cv2 as cv
import numpy as np
cv.namedWindow("image",cv.WINDOW_FREERATIO)
src = cv.imread("./t1.jpg")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
dst = cv.blur(gray,(3,3))
image = np.hstack((gray,dst))
cv.imshow("image", image)
cv.waitKey()
卷积核大小设置成任意都是可以的，只不过建议设置为
3x3、5x5 这些奇数。
方框滤波
在之前的博客中貌似没有涉及方框滤波的内容，这里在进行一下补充，与均值滤波用法基本一致，函数原型如下：
dst = cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])
可以选择是否进行归一化操作，具体代码可以运行下述内容：
# 归一化
dst = cv.boxFilter(gray,-1,(3,3),normalize=True)
# 不做归一化
dst = cv.boxFilter(gray,-1,(3,3),normalize=False)
简单说，不做归一化操作，在使用 3x3 卷积核进行计算之后，不除以 9，像素越界，默认保留成 255，也就大白了。
高斯滤波就是增加了高斯分布相关的知识，或者增加了空间距离相关的概念，说白了就是像素周边的像素权重不同了。相比于均值滤波，高斯滤波有着更好的平滑效果。
中值滤波就是把卷积核覆盖的矩阵进行从小到大排序，然后取中值为目标图像的像素值。
橡皮擦的小节
希望今天的 1 个小时你有所收获，我们下篇博客见~
