目录
一.图片模糊、平滑
1.算模糊也算平滑，用的是平均+2D卷积
①2D卷积
②平均
2.高斯模糊
3.中值模糊
4.双边滤波
二.形态学处理
1.腐蚀
2.膨胀
3.开运算
4.闭运算
5.形态学梯度（提取轮廓）
6.礼帽
7.黑帽
一.图片模糊、平滑
1.算模糊也算平滑，用的是平均+2D卷积
图片平滑可以减少图片的毛刺。效果像这样
我们明显可以看出，它的毛刺少了很多。其核心算法为：取周围像素点的平均值。其中，周围点的大小范围叫做"核"
图示一个5x5的卷积核
官方给了两种算法，一种是2D卷积，一种是平均，我看着代码不一样，效果差不多.......
①2D卷积
按理说这是一种平滑
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('test.jpg',1)
kernel = np.ones((5,5),np.float32)/25
dst = cv2.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()②平均
按理说这是一种模糊
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('test.jpg')
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()2.高斯模糊
高斯模糊，只需要将滤波代码改为一下代码就行
何谓高斯模糊，就是如同前面的卷积矩阵一样，只不过不是平均的，而是中间权值大，周边权值小。形成一个凸出来的圆锥吧，大概。
blur = cv2.GaussianBlur(img,(5,5),0)3.中值模糊
意思是，用这些像素的中位值，而非平均值来滤波
blur = cv2.medianBlur(img,5)4.双边滤波
搞不懂，会用就行了，这是原话：
函数 cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪音。但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考虑一个像素是否位于边界。因此边界也会别模糊掉，而这正不是我们想要。
双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不会被模糊掉，因为边界处的灰度值变化比较大
#9 邻域直径，两个 75 分别是空间高斯函数标准差，灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img,9,75,75)双边滤波效果上来说，边界的清晰度比前面的方法要很好，但是就是处理速度会慢一点。
前面的滤波效果
双边滤波
仔细看头发和衣服的边界
二.形态学处理
这个代码很玄学，理论上是用于二值化的图片上的，但是其实我发现，它只对黑色敏感，也就是说，其他颜色的图也能用。
1.腐蚀
就是说，只有在一个点的单位核内所有的像素点都为黑，那么我们才能判断它为黑，否则，我们就把他变白。
代码如下：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('test.jpg')
kernel = np.ones((5,5),np.uint8)
dilation = cv2.dilate(img,kernel,iterations = 1)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dilation),plt.title('dilation')
plt.xticks([]), plt.yticks([])
plt.show()两种类型图片的效果
2.膨胀
与腐蚀相反，只要一个单位点附近有黑色，那么这个单位点就会变黑。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('test.bmp')
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('erosion')
plt.xticks([]), plt.yticks([])
plt.show()效果：就像被勾线了一样
3.开运算
先腐蚀，再膨胀。常用于滤波，除噪声。
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)效果：
4.闭运算
先膨胀，再腐蚀。常用于填充前景物体中的小洞，或者前景物体上的小黑点。
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)效果：
5.形态学梯度（提取轮廓）
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)效果：
6.礼帽
原始图像与进行开运算之后得到的图像的差。把核调大一点，不然不明显
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)9x9的核效果：
5x5的核效果：
7.黑帽
进行闭运算之后得到的图像与原始图像的差。
我觉得用黑帽提取轮廓比用形态学梯度牛逼。
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
