OpenCV中提供了非常多处理图片的强大函数，能够对非常多格式的图片 加特效。有点实现Photoshop里的工具的感觉。 以下先介绍一些简单和常见的特效。
二值化（Image Threshold）
參考这里：Image Processing
二值化仅仅能处理灰度图。而所谓的灰度图。就是一幅仅仅用 0-255 这个范围来表示每个像素点的图像。灰度图没有色彩信息，看起来灰萌灰萌哒；可是又不全然仅仅有黑白两种颜色。
二值化，顾名思义，就是把灰度图的0-255的范围，映射到 0 和 1 两个值上。最简单的做法，便是先设置一个阈值（threshold），比方叫 t 好了。当灰度图完毕了的像素值 g < t。则赋值为 1，否则为 0. 这样就完毕了二值化。
二值化的效果，是能够将物体和背景切割出来，原理是让物体和背景的像素间方差最大。
AdaptiveThreshold函数
前面的全局二值化函数，用的阈值仅仅有一个。可是这样往往效果不是非常好，所以有了自适应的局部二值化算法。
adaptive = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2)參数
- img 要处理的灰度图
- 255 大于阈值后要赋的值
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C 要用的自适应二值化方法
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C
高斯法- cv2.ADAPTIVE_THRESH_MEAN_C
平均法- cv2.THRESH_BINARY 表示阈值类型。仅仅能取以下两种
- cv2.THRESH_BINARY
- cv2.THRESH_BINARY_INV
- 11 是blocksize。奇数
- 2 常数C。用于从平均值或带权重的平均值中减去这个值
返回值
- adaptive 返回二值化后的图片
模糊和平滑（Blur & Smoothing）
中文官方解释见这里：【图像平滑】
在图片的自适应局部二值化之前，一般先要进行图片的平滑处理，以过滤掉那些 噪点 。原理是让待处理图片和一个低通滤波器的 核（low-pass filter kernel）。事实上就是一个矩阵，做卷积运算。
所谓滤波。就是过滤掉信号中，高频或者低频，或者中间（即带通滤波）的部分。而低通的效果是 模糊，高通的效果是 锐化。
CSDN博主【<a href="https://img.zhankr.net/xeibrr4qdcu265241.jpg')# 方框滤波
boxBlur = cv2.boxblur(img, -1, (5, 5))# 均值滤波
blur = cv2.blur(img, (5, 5))# 高斯滤波，（5,5）是Kernel的大小
gBlur = cv2.GaussianBlur(img, (5, 5), 0)# 中值滤波
mBlur = cv2.medianBlur(img, 5) # 双边滤波
bBlur = cv2.bilateralFilter(img, 9, 75, 75)
前面的方框滤波，均值滤波，高斯滤波，都是属于 线性滤波， 而中值滤波和双边滤波都是非线性的。非线性的滤波。效果一般好一点，可是也相对会速度较慢。
对了，均值滤波事实上就是归一化的方框滤波，即
blur = cv2.boxblur(img, -1, (5, 5), True)
blur2 = blur(img, (5, 5))两行代码事实上是一样的。
滑动条
一般我们用一些OpenCV中的函数，常常要动态地调一个參数。有了滑动条就会方便非常多，直接拖动就改变对应的參数，就像手机上放大音量那样简单。
比起前面。滑动条的响应函数要自定义。
def refresh(x):
print xcv2.createTrackbar("value: ", "window title", 0, 255, refresh)參数
- “value: ” 滑动条上的显示字符串
- “window title”，要显示在的窗体名
- 0 默认值
- 255 最大值
- 响应函数名
注意：
1. 这里的refresh函数中。变量x是必须的，否则取不了值
2. 创建滑动条。要在创建窗体代码的后面
样例和完整代码
综合上面讲的函数，我们写一个完整的样例，依次展示：原图，灰度图，高斯平滑，二值化，自适应高斯二值化五张图片。
import cv2title_ori = "binary"
title_ada = "adaptive"
title_trackbar = "threshold value"# when value changed, refresh the picture
def refresh(x):
ret, thres = cv2.threshold(blur, x, 255, cv2.THRESH_BINARY)
cv2.imshow(title_ori, thres)img = cv2.imread("./lena.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)# create window
cv2.namedWindow("img", cv2.WINDOW_NORMAL)
cv2.namedWindow("gray", cv2.WINDOW_NORMAL)
cv2.namedWindow("blur", cv2.WINDOW_NORMAL)# show origin image, gray image and blur image
cv2.imshow("img", img)
cv2.imshow("gray", gray)
cv2.imshow("blur", blur)# create window and trackbar for binary image
cv2.namedWindow(title_ori, cv2.WINDOW_NORMAL)
cv2.createTrackbar(title_trackbar, title_ori, 0, 255, refresh)
cv2.imshow(title_ori, img)# create and show adaptive threshold
adaptive = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
cv2.namedWindow(title_ada, cv2.WINDOW_NORMAL)
cv2.imshow(title_ada, adaptive)cv2.waitKey(0)
cv2.destroyAllWindows()
