1、图像阈值

ret,dst=cv2.threshold(src,thresh,maxval,type)

src:输入图，只能是单通道图，也就是灰度图。

thresh:阈值。

maxval:当像素超过了阈值，所赋予的值。

type:二值化操作的类型，包括binary，binary_iny,trunc,tozero,tozero_iny。

binary——超过阈值部分取maxval，否则取0

binary_iny——和binary相反

trunc——大于阈值部分设为阈值，否则不变

tozero——大于阈值部分不改变，否则为0

tozero_iny——与tozero相反

ret,thresh1=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INY)
ret,thresh3=cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INY)
titles=["Original Image","BINARY","BINARY_INY","TRUNC","TOZERO","TOZERO_INY"]
images=[image,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],"gray")
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

2、图像平滑处理

步骤1：输入图像

img=cv2.imread("lenaNoise.png")
cv2.imshow("img",img)
cv2.waitkey(0)
cv2.destroyALLWindows()

步骤2：均值滤波

图像滤波后大小：result=[(src+2*P-K)/S]+1

其中src：表示源图像尺寸；

P：指有无填充，一般为全零填充，P=K-1

K：表示滤波尺寸

S：滤波步长

result：滤波后的图像尺寸

blur=cv2.blur(img,(3,3))
cv2.imshow("blur",blur)
cv2.waitkey(0)
cv2.destroyALLWindows()

步骤3：方框滤波

当有归一化时，就需要进行归一化，保证其不会超过255，即求均值，和均值滤波相同

无归一化时，则就将滤波器数值相加，超过255的则取255

box=cv2.boxFilter(img,-1,(3,3),normalize=True)#-1表示滤波后的颜色通道和源图像颜色通道保持一致，第三个参数表示是否需要进行归一化处理，保证滤波后不会越界
cv2.imshow("blur",blur)
cv2.waitkey(0)
cv2.destroyALLWindows()

3、高斯滤波

步骤1：高斯操作

如上述滤波模板所示，中间值为标准值，距离中间值越近的权重越大，模板中数值代表权值。

步骤2：高斯滤波

gausssian=cv2.GaussianBlur(img,(5,5),1)
cv2.imshow("gaussian",gaussian)
cv2.waitkey(0)
cv2.destroyALLWindows()

步骤3：中值滤波

将滤波器模板的数值从小到大进行排列，取中间的值

median=cv2.medianBlur(img,5)
cv2.imshow("median",median)
cv2.waitkey(0)
cv2.destroyALLWindows()

在去除椒盐噪音点时，利用中值滤波的效果比上述滤波更好。

综合对比中值滤波和其他均值滤波的效果：

res=np.hstack(blur,gaussian,median))
print(res)
cv.imshow("median vs average",res)
cv2.waitkey(0)
cv2.destroyALLWindows()

上图中从左到右依次是均值滤波、高斯滤波、中值滤波的效果，可以看出中值滤波的噪音明显少于均值滤波和高斯滤波。