图像处理是图像识别过程中重要一环，一张图像可能包括海量的不明确的信息，图像处理的目的是消除图像中无关的信息，恢复有用的真实信息，增强有效信息的可检测性，最大限度地简化数据。
参考知乎文章链接：https://zhuanlan.zhihu.com/p/547096645
主要学习图像处理的一些手段和方法
1、图像灰度化
图像灰度化指以黑色为基准色，用不同亮度的黑色来显示图像，通常为从0%(白色)到100%(黑色)的亮度值。图像灰度化可以将彩色图转换为灰度图。
在RGB模型中，R=G=B时表示为灰度颜色，其中R=G=B的值叫灰度值。在下图中，立方体中的虚线即为R=G=B时的灰度颜色。R=G=B=0时，灰度值为0，颜色为黑色；R=G=B=255时，灰度值为255，颜色为白色。
2、图像二值化
图像二值化是一种特殊的灰度化，就是将灰度值设置为0或255，也就是整个图像非黑即白。图像二值化的目的是尽可能的去除干扰信息，获取目标信息。一般会先将图片灰度化，再进行二值化。
图像二值化最常使用的方法是设定一个全局的阈值 T ，用 T 将图像分割为两类像素：大于 T 的像素群和小于 T 的像素群，然后将两类像素群分别设定为白色或黑色。这种方法称为固定阈值法。
3、图像的按位逻辑运算
图像的按位逻辑运算就是将两幅图的每个像素进行按位逻辑运算，简称位运算。
常见的位运算有4种：按位与、按位或、按位异或、按位取反 具体介绍可参考：https://www.cnblogs.com/Zhouce/p/17859435.html
（1）按位与运算，用 and 表示按位与运算，1表示真，0表示假。
将任何数值N（范围0-255）与数值0（二进制为0000 0000）进行按位与运算，都会得到数值0。
将任何数值N（范围0-255）与数值255（二进制为1111 1111）进行按位与运算，都会得到数值本身。
（2）按位或运算，用 or 表示按位或运算，两个逻辑值只要有一个为真时，结果就为真。
（3）按位非运算，用 not 表示按位非运算，当输入为真时，结果为假；当输入为假时，结果为真。
（4）按位异或运算，用 xor 表示按位异或运算，两个逻辑值相反时，结果才为真。
| 像素 | 十进制值 | 二进制值 |
| 像素1-R | 0 | 0000 0000 |
| 像素1-G | 198 | 1100 0110 |
| 像素1-B | 219 | 1101 1011 |
| 像素1-R | 198 | 1100 0110 |
| 像素1-G | 219 | 1101 1011 |
| 像素1-B | 1 | 0000 0001 |
需要注意的是，必须是尺寸一致的图像才能进行位运算。如果两张图片尺寸不一致，可以先剪裁成同一尺寸，再做位运算。
4、图像掩膜
简单来说，掩膜是用一幅二值化图片对另外一幅图片进行局部的遮挡，一般将二值化图称为掩模图像。
比如下图中，用左边的二值化图对中间的彩图进行掩模，掩模的结果如右图所示。
5、在Opencv中图像的按位逻辑运算
常见的4种图像按位逻辑运算在opencv库中可分别通过“cv2.bitwise_and()”、“cv2.bitwise_or()”、“cv2.bitwise_xor()”、“cv2.bitwise_not()”四个函数来实现。
以按位与运算为例：
1 color = np.zeros((320, 240, 3),dtype=np.uint8) # 创建一个三维零矩阵,类型为uint8
2 color[:,:,0] = 12 # B # 遍历所有行,遍历所有列，赋值蓝色通道的值为12
3 color[:,:,1] = 12 # G # 遍历所有行,遍历所有列，赋值蓝色通道的值为12
4 color[:,:,2] = 12 # R # 遍历所有行,遍历所有列，赋值蓝色通道的值为12
5 mask = cv2.inRange(hsv, lower, upper) # 色彩阈值化所得图
6 B2 = cv2. bitwise_and(color,color, mask=mask) # 按位与运算
其中，“color”指的是原图，“mask”是另一张图，B2是先将两张原图进行与运算，再将得到的图与mask图进行与运算，最终得到的图。