opencv库可以对图像进行哪些处理
二值图像的中心怎么算？
二值图像的中心怎么算？
我建议还是不要利用矩阵来“硬计算”出其中心，可以用如下方法：【方法】利用OpenCV库提供的cvFindContours()先获得这个二值化图像的轮廓，然后用cvBoundingRect()计算出这个轮廓的“外接矩形”，例如这个矩形记为rect，那么这个矩形的位置和长宽分别为 rect.x rect.y rect.width rect.height，然后利用这四个数据即可轻松的计算出这个外接矩形的中心，这个中心也就是你的二值化图像的中心。
图像增强与图像恢复有何异同？
#图像数据增强#
我目前正在做图像数据增强的深度和有效性的研究。这项研究的目的是学习怎样增加只有有限或少量数据的数据集大小，增强训练的卷积网络模型的鲁棒性。
需要列出所有可以想到的图像增强的方法，并将这些方法进行组合，尝试和改善图像分类模型的性能。一些较简单的增强方法有翻转，平移，旋转，缩放，分离r，g，b颜色通道和添加噪声。更好一些的增强方法是生成对抗网络模型，有时交替使用遗传算法和生成对抗网络。 还有一些创造性的方法，比如将 Instagram 样式的高亮滤镜应用于图像，应用随机区域锐化滤镜，以及基于聚类技术添加平均图像。 本文将介绍怎样使用 NumPy 对图像进行扩充。
下面列出了一些扩充技术的说明，如果你能想到任何其他方法来增强图像，提高图像分类器的质量，请留言一起讨论。
原始图像：
增强
所有的代码都没有使用 OpenCV 库，只使用了 Numpy。
# 加载图像
from PIL import Image
import numpy as np
import as plt
img ()
img (img)
(img)
()
翻转（Flipping）
翻转图像是最流行的图像数据增强方法之一。这主要是由于翻转图像的代码比较简单，而且对于大多数问题而言，翻转图像会增强模型的性能。下面的模型可以被认为是看到左鞋而不是右鞋，因此通过这种数据增加，模型对于看到鞋的潜在变化变得更加有鲁棒性。
# 用 Numpy 翻转
flipped_img np.fliplr(img)
(flipped_img)
()
平移（Translations）
很容易想象使用目标检测的分类器进行平移可以增加它的性能。好像这个分类模型试图检测鞋子何时在图像中而不是是否在图像中。 平移操作将有助于它看不到整个鞋子的情况下检测出鞋子。
# 向左平移
for i in range(HEIGHT, 1, -1):
for j in range(WIDTH):
if (i lt HEIGHT-20):
img[j][i] img[j][i-20]
elif (i lt HEIGHT-1):
img[j][i] 0
(img)
()
# 向右平移
for j in range(WIDTH):
for i in range(HEIGHT):
if (i lt HEIGHT-20):
img[j][i] img[j][i 20]
(img)
()
# 向上平移
for j in range(WIDTH):
for i in range(HEIGHT):
if (j lt WIDTH - 20 and j gt 20):
img[j][i] img[j 20][i]
else:
img[j][i] 0
(img)
()
# 向下平移
for j in range(WIDTH, 1, -1):
for i in range(278):
if (j lt 144 and j gt 20):
img[j][i] img[j-20][i]
(img)
()
噪声（Noise）
噪声是一种有趣的增强技术，我开始对这类操作变得更加熟悉。我已经看过很多有趣的关于对抗网络训练的论文，将一些噪声加入到图像中，模型便无法正确分类。我仍然在寻找能产生比下图更好的添加噪声的方法。 添加噪声可能使畸变更明显，并使模型更加稳健。
# 添加噪声
noise np.random.randint(5, size (164,278, 4), dtype uint8)
for i in range(WIDTH):
for j in range(HEIGHT):
for k in range(DEPTH):
if (img[i][j][k] ! 255):
img[i][j][k] noise[i][j][k]
(img)
()
生成对抗网络（GAN）
我阅读过很多将生成对抗网络用于数据增强的文献，下面是我使用MNIST数据集生成的一些图像。
正如上图看到的那样，它们看起来确实像3，7和9。 我想扩展网络结构来支持的300x300x3尺寸的输出，而不是28x28x1 MNIST的数字，但是遇到了一些麻烦。 但是，我对这项研究感到非常兴奋，并期待继续这项研究！