• 二值化

两种方法，全局固定阈值二值化和局部自适应阈值二值化

全局固定阈值很容易理解，就是对整幅图像都是用一个统一的阈值来进行二值化；

局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。

• 离散傅里叶变换

图像高频部分代表了图像的细节、纹理信息；低频代表了图像的轮廓信息。

• 低通-》模糊
• 高通-》锐化
• 腐蚀和膨胀是针对白色部分（高亮部分）而言的。膨胀就是对图像高亮部分进行“领域扩张”，效果图拥有比原图更大的高亮区域；腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。
• 开运算：先腐蚀再膨胀，用来消除小物体
• 闭运算：先膨胀再腐蚀，用于排除小型黑洞
• 形态学梯度：就是膨胀图与俯视图之差，用于保留物体的边缘轮廓。
• 顶帽：原图像与开运算图之差，用于分离比邻近点亮一些的斑块。
• 黑帽：闭运算与原图像之差，用于分离比邻近点暗一些的斑块。

opencv里有一个很好的函数getStructuringElement，我们只要往这个函数传相应的处理参数，就可以进行相应的操作了，使用起来非常方便。

下面列举一下相应的操作宏定义。

• 直方图均衡化

均衡化后的图片对比度变高了，变得更加明亮

• 滤波处理

分为两大类：线性滤波和非线性滤波。OpenCV里有这些滤波的函数，使用起来非常方便，现在简单介绍其使用方法。

线性滤波：方框滤波boxFilter、均值滤波Blur、高斯滤波GaussianBlur

非线性滤波：中值滤波、双边滤波

中值滤波在去除脉冲噪声、椒盐噪声的同时又能保留图像的细节（不会出现边缘模糊的情况）

双边滤波的最大特点就是做边缘保存

• 边缘检测（canny、sobel、laplacian）

边缘检测的一般步骤：

1. 滤波——消除噪声
2. 增强——使边界轮廓更加明显
3. 检测——选出边缘点

Canny算法

Canny边缘检测算法被很多人推崇为当今最优秀的边缘检测算法。

Sobel算法

Laplacian算法

• 霍夫变换

如何在图像中快速识别出其中的圆和直线？一个非常有效的方法就是霍夫变换，它是图像中识别各种几何形状的基本算法之一。

霍夫线变换

霍夫线变换是一种在图像中寻找直线的方法。OpenCV中支持三种霍夫线变换，分别是标准霍夫线变换、多尺度霍夫线变换、累计概率霍夫线变换。

在OpenCV中可以调用函数HoughLines来调用标准霍夫线变换和多尺度霍夫线变换。HoughLinesP函数用于调用累积概率霍夫线变换。

我们都知道笛卡尔直角坐标，二维坐标轴上表示一条直线的方程式y = a*x + b，我们想求出一条直线就得想方设法求出其中的a和b的值。如果用极坐标来表示就是

theta就是直线与水平线所成的角度，而rho就是圆的半径（也可以理解为原点到直线的距离），同样地，这两个参数也是表征一条直线的重要参数，确定他们俩了，也就确定一条直线了。正如下图所示。

• 重映射与仿射变换

重映射就是把一幅图像中某个位置的像素放置到另一个图片中指定位置的过程。

在OpenCV中，用的是remap函数实现重映射。

仿射变换

仿射变换指的是一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间的过程。

图像进行仿射变换后，有以下几个特点：
二维图形之间的相对位置关系保持不变，平行线依旧是平行线，且直线上的点的位置顺序保持不变。

一个任意的仿射变换都可以表示为乘以一个矩阵（线性变换）接着再加上一个向量（平移）的形式。

三种常见形式：

• 旋转，rotation（线性变换）
• 平移，translation（向量加）
• 缩放，scale（线性变换）

仿射变换本质是一个2* 3的矩阵M乘上原图的每个坐标，得到目标图的对应点坐标。2*3矩阵M中的2表示目标点坐标的x与y，3中的第三维是平移分量。因此需要做的就是找到矩阵M，OpenCV提供 getAffineTransform 求出仿射变换， getRotationMatrix2D 来获得旋转矩阵。

这里简单说说仿射变换是怎么做到的。

现在有两幅图像（如下图），图像二是图像一经过放射变化得来的。那问题来了，我们怎么从这两个图像信息里挖掘出两图之间的映射关系？

很简单，只要在图像一种拿出三个点（1,2,3），图像二也拿出对应的三个点（1,2,3），就可以求出两图间的映射关系！

OpenCV通过两个函数的组合使用来实现仿射变换：

• 使用warpAffine来实现简单重映射
• 使用getRotationMatrix2D来获得旋转矩阵

• 图像修复技术

OpenCV中就是利用inpaint()这个函数来实现修复功能的