B亮度：亮度是光作用于人眼所引起的明亮程度的感覺，它與被觀察物體的發(fā)光強度有關(guān)。主要表現(xiàn)光的強和弱。
H色調(diào)：色調(diào)是當人眼看一種或多種波長的光時所產(chǎn)生的色彩感覺，它反映顏色的種類，是決定顏色的基本特征。
S飽和度：飽和度是指顏色的純度即摻入白光的程度，表示顏色深淺的程度。
一張圖片，比如身份證，里面的字本身是黑色的，但是在不同光線，明暗度拍照出來的結(jié)果，圖片會變的各種各樣的顏色值。簡單的說他們的灰度分布值是不一樣的。有時候一張圖片，某個地方是比較白，有些地方某些地方比較暗；
而要處理一張圖片的二值化，或者找出相對黑，然后加黑；變的沒有那么簡單；
1、既然想到不同區(qū)域影響比較大，于是想到做分塊處理；把一張圖片切成N等分；然后再處理；N=？，分塊的結(jié)果，應(yīng)該是到達均值化的要求。也是說每一塊圖片它的圖片明暗差別不大；理論上得去尋找均值化的B值，往x方向找均值B，一但發(fā)現(xiàn)一個點的B值與均值B相差很大，比如說10，則停止查找，然后找y的方向；這樣就切出一塊了；這種的話很可能效率比較低；這里提供一種簡單的切塊：切最大的平均正方形，一個長方形總可以切成多個都是正方形的圖形；
還有一種，是根據(jù)實際的場景來切分；
2、按經(jīng)驗；gray<128，比較黑；但是在已經(jīng)很暗的情況下就效果很差；在已經(jīng)很亮的情況下效果也比較差；
所以先去尋找均值化的gray值；為grayJ，grayJ<128；那么從新分布下gray<grayJ, 統(tǒng)計blackCount；blackGray；
whiteGray；whiteCount；計算出blackJ和whiteJ；則gray<blackJ 基本上設(shè)置gray=0；blackJ～grayJ 這里的值，則應(yīng)該根據(jù)B、S的值，gray相應(yīng)做處理；按道理應(yīng)該是線性關(guān)系。gray>whiteGray,則基本上為白；grayJ～whiteGray，則應(yīng)該根據(jù)B、S的值，gray相應(yīng)做處理。
grayJ>128;>198,說明圖片已經(jīng)很白了；這時候很可能黑的個數(shù)沒有幾個；如果調(diào)高了blackJ 這會把本來是白變成黑了；如果blackJ不夠高；則達不到加黑的效果；于是這時候想把圖片的灰度分布做分析；字比較黑的應(yīng)該有灰度分布比較集中，而且值比其他的值比較低；
3、尋找gray black的灰度分布；
圖片w、h （寬高）既有w*h個點；每個點都要一個gray值；如何分布；按道理值比較集中的為一個組；
這里就需要一個排序算法；于是想到了直方圖，從這個方向作為切入點；可以把圖片進行二值化操作；
-------------------------------------------------------------------------------------------------------------------
調(diào)整為灰度-調(diào)整色階
調(diào)整亮度（-150最小）和對比度（100最大） 這種算法比較靠譜
反相 算法
發(fā)現(xiàn)這幾種比較靠譜還是在于調(diào)整亮度與對比度
調(diào)整亮度：發(fā)現(xiàn)圖片識別率并不高
關(guān)照矯正top-hat效果不好改用MORPH_BLACKHAT
#include #include #include #includeint main(){cv::Mat srcImage = cv::imread("19.jpg");if (!srcImage.data)return 1;cv::Mat srcGray;cv::cvtColor(srcImage, srcGray, CV_RGB2GRAY);// 定義結(jié)構(gòu)元素cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(15, 15));cv::Mat topHatMat, blackHatMat;// 形態(tài)學(xué)Top-Hat 頂帽cv::morphologyEx(srcGray, topHatMat,cv::MORPH_TOPHAT, element);// 形態(tài)學(xué)Top-Hat 黑帽cv::morphologyEx(srcGray, blackHatMat,cv::MORPH_BLACKHAT, element);cv::imshow(" srcGray ", srcGray);cv::imshow(" topHatMat? ", topHatMat);cv::imshow(" blackHatMat ", blackHatMat);cv::waitKey();return 0;}
-------------------------------------------------------------------------------------------------------------------
關(guān)于圖片的二值化：
閾值化(thresholding)可以看作是削波的一個特例，我們用下圖說明閾值化的原理。
閾值化的原理
不難看出，只要令削波中的g1old=g2old就實現(xiàn)了閾值化。閾值就象個門檻，比它大就是白，比它小就是黑。經(jīng)過閾值化處理后的圖象變成了黑白二值圖，所以說閾值化是灰度圖轉(zhuǎn)二值圖的一種常用方法(我們以前介紹過圖案化和抖動的方法)。進行閾值化只需給出閾值點g1old即可。一般情況下，閾值的選取對程序執(zhí)行結(jié)果有很大的影響，在本程序中采取的是直方圖求門限，迭代法求最佳閾值的方法，這個方法在數(shù)學(xué)上已被證明當圖像像素概率分布逼近正態(tài)分布時是最佳的。閾值化處理后的結(jié)果，是一幅二值圖像
閾值化處理后的結(jié)果
在這里，閾值的選取是很重要的，閾值如果過高，就會產(chǎn)生將圖像主體誤認為是背景的情況；閾值如果過低，則會將背景部分誤認為是主體部分。因此，我們應(yīng)該仔細選擇閾值，我認為閾值不應(yīng)該是一個固定的值，它的值應(yīng)該隨著圖像的不同而不同。在本程序中，采取了動態(tài)求取閾值的方法。首先我們先求得被處理圖像的灰度直方圖，根據(jù)直方圖求得最大灰度與最小灰度。我們設(shè)置閾值的初值為最大灰度與最小灰度值之和的一半。然后求得小于閾值部分灰度的平均值iMean1Gray和大于閾值部分的平均值iMean2Gray，將閾值重新設(shè)為這兩個灰度均值 的一半，如此迭代，最后求得最佳閾值iThreshold。實驗結(jié)果證明該閾值是可信的，基本上可以把主體與背景區(qū)分開來。求閾值的代碼如下：
