1 不同色彩空间的转换

opencv 中有数百种关于不同色彩空间的转换方法，但常用的有三种色彩空间：灰度、BRG、HSV(Hue-Saturation-Value)

• 灰度 - 灰度色彩空间是通过去除彩色信息来将其转换成灰阶，灰度色彩空间对中间处理特别有效，比如人脸检测
• BGR - 蓝-绿-红 彩色空间，每个像素点都由一个三元数组来表示，分别代表蓝-绿-红三种颜色。
• HSV，Hue 表示色调，Saturation 表示饱和度，Value 表示黑暗的程度。

2 傅里叶变换

傅里叶变换的概念是许多常见的图像处理操作的基础，比如边缘检测或线段和形状检测。

2.1 高通滤波器

高通滤波器（HPF）是检测图像的某个区域，然后根据像素与周围像素的亮度差值来提升（boost）该像素的亮度的滤波器。

高通滤波器在边缘检测非常有效，它会采用一种称为高频提升滤波器（high boost filter）的高通滤波器。

首先给出一个例子

import cv2
import numpy as np
from scipy import ndimage

kernel_3 = np.array([
    [-1, -1, -1],
    [-1, 8, -1],
    [-1, -1, -1]
    ])

kernel_5 = np.array([
    [-1, -1, -1, -1, -1],
    [-1,  1,  2,  1, -1],
    [-1,  2,  4,  2, -1],
    [-1,  1,  2,  1, -1],
    [-1, -1, -1, -1, -1]
    ])

img = cv2.imread(‘small.jpg‘, 0)
print(help(cv2.imread))

k3 = ndimage.convolve(img, kernel_3)
k5 = ndimage.convolve(img, kernel_5)

blurred = cv2.GaussianBlur(img, (11, 11), 0)
g_hpf = img - blurred

cv2.imshow(‘3*3‘, k3)
cv2.imshow(‘5*5‘, k5)
cv2.imshow(‘g_hpf‘, g_hpf)
cv2.waitKey()
cv2.destroyAllWindows()

运行可以得到如下图：

代码分析：

1）导入模块后，定义了核。

核，是指一组权重的积核，将它应用在源图像的一个区域，并由此生成目标图像的一个像素。

2）在cv2.imread()中的参数 0 。主要是将其转换为单通道灰度图像。详见 OpenCV 学习笔记 02 处理文件、摄像头和图形用户界面

cv2.IMREAD_GRAYSCALE = 0    如果设置，则始终将图像转换为单通道灰度图像。

3）对于给定核与图像的“ 卷积 convole ” 而言，numpy 在多维数组卷积运算时较为复杂（一维数组完成可以胜任），scipy 的 convolve() 函数可解决完美地解决该问题。

4）最后一种高通滤波器的实现方法有两步；第一步对图像应用低通滤波器，第二步再对与原始图像计算差值。

5）不难发现，第三种效果最好。

2.2 低通滤波器

高通滤波器是根据像素与临近像素的亮度差值来提升该像素的亮度；

低通滤波器（Low Pass Filter， LPF）的实现原理是在像素与周围像素的亮度差值小于一个特定值时，平滑该像素的亮度。该法主要应用于去噪和模糊化；其中，高斯模糊是最常用的模糊滤波器（平滑滤波器）之一，它是一个削弱高频信号强度的低通滤波器。

OpenCV 学习笔记 02 使用opencv处理图像

原文：https://www.cnblogs.com/gengyi/p/10226862.html