图像去噪可以分为固定阈值去噪和自适应阈值去噪
固定阈值去噪
opencv函数（python）：
cv2.threshold（src, x, y, Methods）
第一个参数src: 指原图像，原图像应该是灰度图。
第二个参数x: 指用来对像素值进行分类的阈值。
第三个参数y: 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
第四个参数Methods: 指不同的阈值方法，这些方法包括：
•cv2.THRESH_BINARY
•cv2.THRESH_BINARY_INV
•cv2.THRESH_TRUNC：像素点的灰度值小于阈值不改变，大于阈值的灰度值的像素点就设定为该阈值
•cv2.THRESH_TOZERO：像素点的灰度值小于该阈值的不进行任何改变，而大于该阈值的部分，其灰度值全部变为0
•cv2.THRESH_TOZERO_INV：像素点的灰度值大于该阈值的不进行任何改变，像素点的灰度值小于该阈值的，其灰度值全部变为0。
可以实现双阈值二值化方法：
// 小阈值对源灰度图像进行阈值化操作
cv::threshold( srcGray, dstTempImage1, low_threshold, maxVal, cv::THRESH_BINARY );
// 大阈值对源灰度图像进行阈值化操作
cv::threshold( srcGray, dstTempImage2, high_threshold, maxVal,cv::THRESH_BINARY_INV );
// 矩阵与运算得到二值化结果
cv::bitwise_and( dstTempImage1, dstTempImage2, dstImage );
//dstImage ==>双阈值二值化结果
四位运算
掩膜mask一般与与运算bitwise_and连接
bitwise_and、bitwise_or、bitwise_xor、bitwise_not这四个按位操作函数。
void bitwise_and(InputArray src1, InputArray src2,OutputArray dst, InputArray mask=noArray());//dst = src1 & src2
void bitwise_or(InputArray src1, InputArray src2,OutputArray dst, InputArray mask=noArray());//dst = src1 | src2
void bitwise_xor(InputArray src1, InputArray src2,OutputArray dst, InputArray mask=noArray());//dst = src1 ^ src2
void bitwise_not(InputArray src, OutputArray dst,InputArray mask=noArray());//dst = ~src
基础数学运算
void add(InputArray src1, InputArray src2, OutputArray dst,InputArray mask=noArray(), int dtype=-1);//dst = src1 + src2
void subtract(InputArray src1, InputArray src2, OutputArray dst,InputArray mask=noArray(), int dtype=-1);//dst = src1 - src2
void multiply(InputArray src1, InputArray src2,OutputArray dst, double scale=1, int dtype=-1);//dst = scale*src1*src2
void divide(InputArray src1, InputArray src2, OutputArray dst,double scale=1, int dtype=-1);//dst = scale*src1/src2
void divide(double scale, InputArray src2,OutputArray dst, int dtype=-1);//dst = scale/src2
void scaleAdd(InputArray src1, double alpha, InputArray src2, OutputArray dst);//dst = alpha*src1 + src2
void addWeighted(InputArray src1, double alpha, InputArray src2,double beta, double gamma, OutputArray dst, int dtype=-1);//dst = alpha*src1 + beta*src2 + gamma
void sqrt(InputArray src, OutputArray dst);//计算每个矩阵元素的平方根
void pow(InputArray src, double power, OutputArray dst);//src的power次幂
void exp(InputArray src, OutputArray dst);//dst = e**src（**表示指数的意思）
void log(InputArray src, OutputArray dst);//dst = log(abs(src))
自适应阈值去噪
opencv函数（python）：
cv2.adaptiveThreshold（src, x, y, adaptive_method, threshold_type, block_size, param1）
第一个参数src: 指原图像，原图像应该是灰度图。
第二个参数x: 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
第三个参数adaptive_method: CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
第四个参数threshold_type指取阈值类型: 必须是下者之一
• CV_THRESH_BINARY,
• CV_THRESH_BINARY_INV
第五个参数block_size: 指用来计算阈值的象素邻域大小: 3, 5, 7, ...
第六个参数param1指与方法有关的参数。
对方法CV_ADAPTIVE_THRESH_MEAN_C 和CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常数, 尽管它可以是负数。(选取对应领域（33）求其均值，然后减去参数param1的值为自适应阈值。测试时求得均值为小数时，貌似进行四舍五入之后再减去参数param1)
自定义：
优点：对光照比较鲁棒，opencv的自适应方法平滑部分有麻点，固定阈值方法光照暗的会变黑
参考链接
def bin_fun(im_gray, rate=0.9):
img_h = im_gray.shape[0]
img_w = im_gray.shape[1]
height = math.sqrt(img_h/img_w*(img_h+img_w))
width = img_w/img_h*height
mat = np.zeros([img_h, img_w])
for i in range(img_h):
for j in range(img_w):
h1 = i - math.floor(height/2)
h2 = i + math.floor(height/2)
w1 = j - math.floor(width/2)
w2 = j + math.floor(width/2)
if h1 < 0:
h1 = 0
if w1 < 1:
w1 = 1
if h2 > img_h:
h2 = img_h
if w2 > img_w:
w2 = img_w
mat[i, j] = im_gray[h1:h2, w1:w2].mean()
mat[im_gray >= mat*rate] = 255
mat[mat != 255] = 0
mat = mat.astype(np.uint8)
return mat
优化：
def kernel_binary(im_gray, rate=0.9):
img_h = im_gray.shape[0]
img_w = im_gray.shape[1]
height = math.floor(math.sqrt(img_h / img_w * (img_h + img_w)))
width = math.floor(img_w / img_h * height)
kernel = np.ones([height + 1, width + 1])/((width + 1) * (height + 1))
img_binary = cv2.filter2D(im_gray, -1, kernel)
img_binary[im_gray >= img_binary * rate] = 255
img_binary[img_binary != 255] = 0
return img_binary
