目录
一、图像梯度计算
图像梯度-sobal算子：
Scharr：权重变化更大（线条更加丰富，比Sobel更加细致捕捉更多梯度信息）
Laplacian算子：对噪音点敏感（可以和其他一起结合使用）
二、边缘检测：
Canny边缘检测：
编辑
三、图像金字塔：
高斯金字塔：
拉普拉斯金字塔
四、图像轮廓：
cv2.findContours(img, mode, method)
一、图像梯度计算
图像梯度-sobal算子：
为什么两边✖️2？ ——因为我们关注的就是P5左右两边的梯度差，p6p4离得近，权重大
| Gx | 右-左 |
| Gy | 下-上 |
dst2 = cv2.Sobel(src,ddepth,dx,dy,ksize)
-ddepth:图像的深度
-dx和dy：水平竖直方向
-kszie：是Sobel算子的大小
-不建议dxdy直接设置1，1；分开计算求和效果好
pie= cv2.imread('pie.png')
#结果有正负，只关系差异，正负取绝对值，现在看水平的，显示有梯度的地方，边界部分
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,kszie=3)
cv_show(sobelx,'sobelx')
#白->黑是正数；黑->白是负数，所有负数截断为0，所以要取绝对值
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,kszie=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,kszie=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')
#xy求和
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5)
cv_show(sobelxy,'sobelxy')
Scharr：权重变化更大（线条更加丰富，比Sobel更加细致捕捉更多梯度信息）
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5)
Laplacian算子：对噪音点敏感（可以和其他一起结合使用）
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)二、边缘检测：
Canny边缘检测：
1）使用高斯滤波器，以平滑图像，滤除噪声。（中间点比较大）
2）计算图像中每个像素点的梯度强度和方向。
3）应用非极大值抑制（NMSNon-Maximum Suppression），抑制以消除边缘检测带来的杂散响应。（体现最明显的）
A方法：c,g1,g2,g3,g4,想求两个交点梯度，用线性插值法用权重；如果C比两个交点梯度都大，才保留下来
B方法：
A与BC比较，A>BC,保存边界
4）应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘，只保留最真实的。
C与A边界连接，暂且保留；B不与边界连接，不保留
5）通过抑制孤立的弱边缘最终完成边缘检测
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
#参数是minmaxvalue
v1 = cv2.Canny(img,80,150)#比较大，边缘信息较小
v2 = cv2.Canny(img,50,100)#比较小，边缘信息更多，有可能有噪音
res = np.hstack((v1,v2))
cv_show(res,'res')
三、图像金字塔：
高斯金字塔：
向下采样（缩小）（往塔尖）
向上采样（放大）（往塔底）
img = cv2.imread('AM.PNG')
cv_show(img,'img')
print(img.shape)
#放大
up = cv2.pyrUp(img)
cv_show(up,'up')
print(up.shape)
#变小
down = cv2.pyrDown(img)
cv_show(down,'down')
print(down.shape)拉普拉斯金字塔
#第一层
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l=img-down_up
cv_show(l,'l')四、图像轮廓：
背景：之前的边缘可能包含一些线段，不能叫做轮廓，得是一个整体，才能是轮廓
cv2.findContours(img, mode, method)
mode: 轮廓检索模式
RETR_EXTERNAL：只检测最外层的轮廓；
RETR_LIST：检测所有轮廓，并将它们保存到同一层级中；
RETR_CCOMP：检测所有轮廓，并将它们组织为两层：顶层是外部边界，第二层是空洞边界；
RETR_TREE：检测所有轮廓，并建立一个完整的轮廓层级结构（树形层次）--常用
method: 轮廓逼近方法
CHAIN_APPROX_NONE：保留所有的轮廓点（不做压缩），输出完整多边形的顶点序列；
CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线方向上的冗余点，仅保留端点；（边缘简单化，进行压缩得到精简结果）
- 为了准确性，使用二值图像：
- 传入二值，检测轮廓
- 绘画轮廓
img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
#二值处理，小的是0白，大的255黑
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
#检测函数，传入二值图像，检测所有轮廓
#第一个值，二值结果
#第二个值：轮廓信息
#第三个值：层级
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#绘制轮廓,需要copy，不然会覆盖
draw_img = img.copy()
#第三个参数，轮廓画第几个，-1是所有
#倒数第二个参数BGR格式
#2:线条宽度
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')轮廓特征
#需要先取出轮廓
cnt = contours[0]
#面积
cv2.contourArea(cnt)
#周长
cv2.arcLength(cnt,True)轮廓近似：
img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
#二值处理，小的是0白，大的255黑
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')
#周长*0.1，值越小和轮廓越贴合，越大远离轮廓
epsilon = 0.1*cv2.arcLength(cnt,True)
#周长做阈值
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')边界矩形：
img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
x,y,w,h = cv2.boundingRect(cnt)
#外接矩形面积
rect_area = w*h
#轮廓与边界矩形面积比
extent = float(area)/rect_area
