guling code细节

detect_hand.py 

分水岭算法：    

　　任何一幅灰度图像都可以被看成拓扑平面，灰度值高的区域可以被看成是山峰，灰度值低的区域可以被看成是山谷。我们向每一个山谷中灌不同颜色的水，随着水的位的升高，不同山谷的水就会相遇汇合，为了防止不同山谷的水汇合，我们需要在水汇合的地方构建起堤坝。不停的灌水，不停的构建堤坝直到所有的山峰都被水淹没。我们构建好的堤坝就是对图像的分割。这就是分水岭算法的背后哲理。
  但是这种方法通常都会得到过度分割的结果，这是由噪声或者图像中其他不规律的因素造成的。为了减少这种影响， OpenCV 采用了基于掩模的分水岭算法，在这种算法中我们要设置哪些山谷点会汇合，哪些不会，这是一种交互式的图像分割。我们要做的就是给我们已知的对象打上不同的标签。如果某个 区域肯定是前景或对象，就使用某个颜色（或灰度值）标签标记它。如果某个区域肯定不是对象而是背景就使用另外一个颜色标签标记。而剩下的不能确定是前景还是背景的区域就用 0 标记。这就是我们的标签。然后实施分水岭算法。每一次灌水，我们的标签就会被更新，当两个不同颜色的标签相遇时就构建堤坝，直到将所有山峰淹没，最后我们得到的边界对象（堤坝）的值为 -1。

要去除图像中的所有的白噪声,这就需要使用形态学中的开运算。

为了去除对象上小的空洞我们需要使用形态学闭运算。

提取肯定是硬币的区域-----腐蚀操作可以去除边缘像素。剩下就可以肯定是硬币了。当硬币之间没有接触时，这种操作是有效的。但是由于硬币之间是相互接触的，我们就有了另外一个更好的选择：距离变换再加上合适的阈值。

找到肯定不是硬币的区域-----这是就需要进行膨胀操作了。膨胀可以将对象的边界延伸到背景中去。这样由于边界区域被去处理，我们就可以知道那些区域肯定是前景，那些肯定是背景。

剩下的区域就是我们不知道该如何区分-----这就是分水岭算法要做的。这些区域通常是前景与背景的交界处（或者两个前景的交界）。我们称之为边界。从肯定是不是背景的区域中减去肯定是前景的区域就得到了边界区域。

key1:http://blog.csdn.net/gaoranfighting/article/details/34877549

cv2.findContours函数:

cv2.fillPoly:
官方文档：The function fillPoly fills an area bounded by several polygonal contours. The function can fill complex areas, for example, areas with holes, contours with self-intersections (some of their parts), and so forth.
使用方法：

cv2.fillPoly(a, [triangle], 1)

key2:http://blog.csdn.net/sunny2038/article/details/9097989

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist 

key3:

 

closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
#显示腐蚀后的图像
cv2.imshow("Close",closed);

#开运算
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

key4:   http://blog.csdn.net/u010682375/article/details/72765064

sure_bg = cv2.morphologyEx(sure_fg, cv2.MORPH_DILATE, kernel, iterations=11)

参数2--腐蚀

（有些情况下你可能只需要对前景进行分割，而不需要将紧挨在一起的对象分开，此时就没有必要使用距离变换了，腐蚀就足够了当然腐蚀也可以用来提取肯定是前景的区域。）

ret,markers1 = cv2.connectedComponents(sure_fg)如果背景标记为 0，那分水岭算法就会把它当成未知区域了。所以我们想使用不同的整数标记它们。而对不确定的区域（函数cv2.connectedComponents 输出的结果中使用 unknown 定义未知区域）标记为 0。

markers3 = cv2.watershed(img, markers)实施分水岭算法了。标签图像将会被修改，边界区域的标记将变为 -1.

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 颜色空间转换

cv2.threshold(src,thresh,maxval,type[,dst])->retval,dst 
作用：用于获取二元值的灰度图像   
thresh:阈值，maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
返回值retval其实就是阈值   type:使用的阈值类型 


key5：

   Otsu’s Binarization是一种基于直方图的二值化方法，它需要和threshold函数配合使用。

Otsu过程： 

1. 计算图像直方图； 

2. 设定一阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组； 

3. 分别计算两组内的偏移数，并把偏移数相加； 

4. 把0~255依照顺序多为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为结果阈值

最大类间方差法(大津法OTSU)

# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

improve_OTSU_threshold = OTSU_threshold - 25

cv2.fillPoly(hand_mask, [largest_contour], 255)

hand_img = hand_mask / 255 * img


prepare_data.py 

key1: https://www.2cto.com/kf/201603/492898.html
img = Image.open(path).convert("L")

   模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。在PIL中，从模式“RGB”转换为“L”模式是按照下面的公式转换的：L = R * 299/1000 + G * 587/1000+ B * 114/1000

key2: http://www.jb51.net/article/91492.htm

resize函数也支持链式调用。先通过resize((size, size), Image.ANTIALIAS)指定大小与质量


key3: https://www.2cto.com/kf/201406/311743.html

img = np.asarray(img)
 

mask[mask > 0.5] = 1
mask[mask <= 0.5] = 0