对于主攻计算机视觉的我们来说，对图片处理几乎时时刻刻都在进行。但在复现了几个网络后，我开始对整个网络过程中，图片到底是怎么变换的产生好奇。因此，在实验室中借阅了本相关的书籍（《Opencv算法精解-基于Python与C++》），通过一段时间的学习，整理。总算大致了解了图片在计算机上的各种转换过程。尤其在学习完之后，原来如此之情油然而生。因此，在这里，希望研究本方向的其他同学(特指入门者，资深学者请忽略）能先了解图片的原理之后，再开始入门深度学习。为方便大家，我在此做了一些总结，可以省去大部分时间，以及有些书籍中的opencv版本过低，某些算法已经改变。希望本篇博客能给大家带来帮助，也欢迎大家指出问题。
前面我们已经知道了，图像就是由无数个灰度值组成的，那么图像上是否清晰，其实就转变成了灰度值之间的据对峙大小的程度，相差越大，则图像越清晰。
接下来看个基本例子：
横坐标为256个灰度值，纵坐标为该数值下的灰度值个数，接下来让我们做一下基本变化
变换原理 图像就是矩阵，这样的话，我们直接通过矩阵的运算改变其灰度值。 前面的变换，其实都是基于坐标，而不改变灰度值，而这里的变化，则是改变的灰度值，并没有改变坐标，也就是进行初等变换，乘除加减等
基本变换
线性变换：设置一个线性函数，从而改变灰度值 正规化：通过将 输入图像的灰度值最大距离 与 输出图像的最大距离 的比值作为系数（k），当前的灰度值与最小灰度值的差作为变量(x)，再将输出图像的最小灰度值作为变化范围(b) ,通过图像本身决定系数，而不再是人为设置 正规化函数：normalize(),里面可选择img的范数，从而改变系数的不同。（1-范数（绝对值的和），2-范数（平方和的开方）等）
非线性变换：
伽马变换：将灰度值归一化（除以255），之后进行幂运算。指数小于1时：增加对比度（暗区域感兴趣），指数大于1时，降低对比度（亮区间感兴趣）。 均衡化：计算直方图后，对直方图累加求和得到累加直方图，根据累加直方图找到关系。 限制对比度的自适应直方图均衡化：通过划分为不同区域块，然后分别均衡化，如果有噪声超过限制值，则裁剪，并且将多处的部分分配给其他块。
现在我们已经知道了变换的原理，但我们改变的都是整体，所以需要我们找到一个阈值，从而增加对比度，所以最主要的问题是如何找到阈值。简单来说，就是不同的灰度值，对应不同的变换，首先想到的就是函数
最简单的：
Img=img*2为什么×2之后，会出现某些灰度值出现0?其实回想原理，图像的储存使uint8，也就是说，超过256后，会通过取模而得到小于255的值。如：244*2=488，（按规定，不能超过255）则488%5=233，但是我们改变类型的话，则不会出现这种情况，如：float
改变类型之后的灰度值 仔细看横坐标的变换，不再是原来的255，这就说明此时的图像类型已经改变，不再是uint8，此时已经变成float类型，也就是前面说过的32bit等，此时的色阶更细致
分段变换 设置一个阈值，从而进行不同的操作
正规化 其他例子就不一一展示了，可以去自己尝试。不过对图像的对比度提升效果显著，不过也可能也会造成一定的噪声，如何去除，会在后面的图像平滑补充。
去除由灰度值随机变化而造成的噪点
常用方式 边界补充常数，通常为0 重复边界的值进行补充 卷绕输入矩阵，矩阵的平铺 镜像处理
函数： Cv2.copyMakeBorder(img,top,bottom,left,right,borderType,value) borderType: BORDER_REPLICATE：边界复制 BORDER_CONSTANT：常数补充 BORDER_REFLECT：反射补充 BORDER_REFLECT_101：边界为中心补充 BORDER_WRAP：平铺补充
卷积的过程 Convoluted2d(img,kernel,mode = ‘full’,boundary=‘fill’,fillvalue=0) Mode :卷积类型，full,vaild,same Boundary :边界补充方式
卷积前 卷积后
可分离卷积 通过分离卷积，将其变成分别为垂直，水平方向的卷积，从而进行运算
所谓的二值化，灰度值只有0，1
注：因为为二值图，因此可以做逻辑运算。
