图像矩阵：
数字图像数据可以用矩阵来表示，因此可以采用矩阵理论和矩阵算法对数字图像进行分析和处理。由于数字图像可以表示为矩阵的形式，所以在计算机数字图像处理程序中，通常用二维数组来存放图像数据。
算法描述：
将当前像素与邻接的下部和又不的图像进行比较，如果相似，则将当前像素设为白色，否则设置为黑色。采用欧氏距离算法，将一个像素的3个色彩分量；映射在三维空间中，如果2个像素点的欧式距离小于某个常数的阀值，就认为他们相似。
欧式距离计算：
def getEuclideanDistance(x,y):
myx = np.array(x)
myy = np.array(y)
return np.sqrt(np.sum( (myx - myy) * (myx - myy) ))
完整代码：
import cv2
import numpy as np
fn = ‘001.png‘
def getEuclideanDistance(x,y):
myx = np.array(x)
myy = np.array(y)
return np.sqrt(np.sum( (myx - myy) * (myx - myy) ))
if __name__ == ‘__main__‘:
myimg1 = cv2.imread(fn)
w = myimg1.shape[1]
h = myimg1.shape[0]
#创建空白图像
myimg2 = np.zeros((h,w,3), np.uint8)
#对比产生线条
black = np.array([0,0,0])
white = np.array([255,255,255])
centercolor = np.array([125,125,125])
for y in range(0,h-1):
for x in range(0,w-1):
mydown = myimg1[y+1,x,:]
myright = myimg1[y,x+1,:]
myhere = myimg1[y,x:]
lmyhere = myhere
lmyright = myright
lmydown = mydown
if getEuclideanDistance(lmyhere,lmydown)>5 and getEuclideanDistance(lmyhere,lmyright)>5:
myimg2[y,x,:] = black
elif getEuclideanDistance(lmyhere,lmydown)<=5 and getEuclideanDistance(lmyhere,lmyright)<=5:
myimg2[y,x,:] = white
else:
myimg2[y,x,:] = centercolor
# cv2.namedWindow(‘img2‘)
cv2.imshow(‘img‘, myimg2)
cv2.waitKey()
cv2.destroyAllWindows()
值越小越分的清楚。
原文：https://www.cnblogs.com/superSmall/p/12489778.html