cv2.threshold(src, thresh, maxval, type[, dst]) #進(jìn)行閾值處理0-255，0表示黑，255表示白
1 src：表示的是圖片源
2 thresh：表示的是閾值（起始值）
3 maxval：表示的是最大值
4 type：表示的是這里劃分的時(shí)候使用的是什么類型的算法，常用值為0（cv2.THRESH_BINARY）
它一般返回兩個(gè)值，第一個(gè)值是輸入的閾值，第二個(gè)值是處理后的圖像
一般的（BINARY）效果是：
將一個(gè)灰色的圖片，變成要么是白色要么就是黑色。（大于規(guī)定thresh值就是設(shè)置的最大值（常為255，也就是白色））
cv2.cvtColor(p1,p2) 是顏色空間轉(zhuǎn)換函數(shù)，p1是需要轉(zhuǎn)換的圖片，p2是轉(zhuǎn)換成何種格式。
cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)
第一個(gè)參數(shù)是指明在哪幅圖像上繪制輪廓；image為三通道才能顯示輪廓
第二個(gè)參數(shù)是輪廓本身，在Python中是一個(gè)list;
第三個(gè)參數(shù)指定繪制輪廓list中的哪條輪廓，一般默認(rèn)是-1，則繪制其中的所有輪廓。后面的參數(shù)很簡(jiǎn)單。其中thickness表明輪廓線的寬度，如果是-1（cv2.FILLED），則為填充模式。
輪廓特征
cv2.contourArea(cnt， True)?# 計(jì)算輪廓的面積
?cnt：輸入的單個(gè)輪廓值
輪廓近似
cv2.approxPolyDP( InputArray curve,OutputArray approxCurve,double epsilon, bool closed )
InputArray curve：輸入曲線，數(shù)據(jù)類型可以為vector<Point>。
OutputArray approxCurve：輸出折線，數(shù)據(jù)類型可以為vector<Point>。
double epsilon：判斷點(diǎn)到相對(duì)應(yīng)的line segment 的距離的閾值。（距離大于此閾值則舍棄，小于此閾值則保留，epsilon越小，折線的形狀越“接近”曲線。）
bool closed：曲線是否閉合的標(biāo)志位。
邊界矩形
cv2.boundingRect(img) #img是個(gè)二值圖，就是它的參數(shù)；返回4個(gè)? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?值，分別是x，y，z，w；x,y是矩陣左上點(diǎn)? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?的高，w，h是矩陣的寬和高然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2) 畫(huà)出矩行
外接圓
center, radius = cv.minEnclosingCircle( points )
center：返回值，圓的中心
radius：返回值，半徑
points：目標(biāo)物體的點(diǎn)
模板匹配
模板匹配和卷積原理很像，模板在原圖像上從原點(diǎn)開(kāi)始滑動(dòng)，計(jì)算模板與（圖像被模板覆蓋的地方）的差別程度。這個(gè)差別程度的計(jì)算方法在opencv中有6中，然后將每次計(jì)算的結(jié)果放入一個(gè)矩陣?yán)?，作為結(jié)果輸出。假如原圖形是AxB,而模板是axb大小，則輸出的結(jié)果是矩陣（A-a+1）x（B-b+1）
圖像特征-harris角點(diǎn)檢測(cè)
基本原理
R>0，是角點(diǎn)
R近似=0，平坦
R<0，是邊界
cv2.cornerHarris()
img:數(shù)據(jù)類型為float32的入圖像
blockSize:角點(diǎn)檢測(cè)中指定區(qū)域的大小
ksize：Sobel求導(dǎo)中使用的窗口大小
k：取值參數(shù)[0.04,0.06]
Scale Invariant Feature Transform(SIFT)——平移不變性圖像特征變換
一 圖像尺度空間
在一定的范圍內(nèi)，無(wú)論物體是大還是小，人眼都可以分辨出來(lái)，然而計(jì)算機(jī)要有相同的能力很難。所以要讓機(jī)器能夠?qū)ξ矬w在不同尺度下有一個(gè)統(tǒng)一的認(rèn)知，就需要考慮圖像在不同尺度下都存在的特點(diǎn)
尺度空間的獲取通常使用高斯模糊來(lái)實(shí)現(xiàn)
我們并不希望高斯模板一成不變，而是希望它可以通過(guò)一些參數(shù)進(jìn)行調(diào)整以適應(yīng)不同的情況，故我們不采用標(biāo)準(zhǔn)正態(tài)分布來(lái)計(jì)算模板，而是保留σ的可變性，用于調(diào)整模板的頻帶寬度進(jìn)而影響圖像被處理后的平滑（模糊）程度。
多分辨圖像金字塔
高斯差分金字塔
關(guān)鍵點(diǎn)的精確定位
這些候選關(guān)鍵點(diǎn)是DOG空間的局部極值點(diǎn)，而且這些極值點(diǎn)均為離散的點(diǎn)，精確定位極值點(diǎn)是一種方法是，對(duì)尺度空間DOG函數(shù)進(jìn)行曲線擬合，計(jì)算其極值點(diǎn)，從而實(shí)現(xiàn)關(guān)鍵點(diǎn)的精確定位
消除邊界響應(yīng)
特征點(diǎn)的主方向
每個(gè)特征點(diǎn)都可以得到三個(gè)信息（x,y,z,
生成特征描述
在完成關(guān)鍵點(diǎn)的梯度計(jì)算后，使用直方圖統(tǒng)計(jì)鄰域內(nèi)像素的梯度和方向
為了保證特征矢量的旋轉(zhuǎn)不變性，要以特征點(diǎn)為中心，在附近鄰域內(nèi)將坐標(biāo)軸旋轉(zhuǎn)
角度，即將坐標(biāo)軸旋轉(zhuǎn)為特征點(diǎn)的主方向。
旋轉(zhuǎn)之后的主方向?yàn)橹行娜?x8的窗口，求每個(gè)像素的梯度幅值和方向，箭頭方向代表梯度方向，長(zhǎng)度代表梯度幅值，然后利用高斯窗口對(duì)其進(jìn)行加權(quán)運(yùn)算，最后在每個(gè)4x4的小塊上繪制8個(gè)方向的梯度直方圖，計(jì)算每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn)，即每個(gè)特征的由4個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向的向量信息。
建議對(duì)每個(gè)關(guān)鍵點(diǎn)使用4x4共16個(gè)種子點(diǎn)來(lái)描述，這樣一個(gè)關(guān)鍵點(diǎn)就會(huì)產(chǎn)生128維的SIFT特征圖像
圖像平滑處理
cv2.blur(img,ksize)
img：原圖像
ksize：核大小
原理：它只取內(nèi)核區(qū)域下所有像素的平均值并替換中心元素。3x3標(biāo)準(zhǔn)化的盒式過(guò)濾器如下所示：
特征：核中區(qū)域貢獻(xiàn)率相同。
作用：對(duì)于椒鹽噪聲的濾除效果比較好。
?cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示進(jìn)行方框?yàn)V波，參數(shù)說(shuō)明當(dāng)normalize=True時(shí)，與均值濾波結(jié)果相同， normalize=False，表示對(duì)加和后的結(jié)果不進(jìn)行平均操作，大于255的使用255表示
cv2.Guassianblur(img, (3, 3), 1) 表示進(jìn)行高斯濾波，?
參數(shù)說(shuō)明: 1表示σ， x表示與當(dāng)前值得距離，計(jì)算出的G(x)表示權(quán)重值
距離中心點(diǎn)越近，權(quán)值越高。
cv2.medianBlur(img, 3) #中值濾波，相當(dāng)于將9個(gè)值進(jìn)行排序，取中值作為當(dāng)前值
參數(shù)說(shuō)明：img表示當(dāng)前的圖片，3表示當(dāng)前的方框尺寸
形態(tài)學(xué)-腐蝕操作
cv2.erode(pie,kernel,iterations = 1)
參數(shù)：原圖、核、迭代次數(shù)，次數(shù)越多，腐蝕的越厲害
#在原圖的每一個(gè)小區(qū)域里取最小值，由于是二值化圖像，只要有一個(gè)點(diǎn)為0，則都為0，來(lái)達(dá)到瘦身的目的。因此在下面的例子中，我們就可以使用腐蝕來(lái)將圖片中的一些毛刺或者說(shuō)很細(xì)小的東西給去掉。
形態(tài)學(xué)-膨脹操作
cv2.dilate(dige_erosion,kernel,iterations = 1
開(kāi)運(yùn)算與閉運(yùn)算
cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel) #開(kāi)運(yùn)算，先腐蝕，再膨脹
cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)#閉運(yùn)算，先膨脹，再腐蝕
梯度運(yùn)算
cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel) #腐蝕-膨脹
禮帽與黑帽
????禮帽=原始輸入-開(kāi)運(yùn)算結(jié)果?
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
????黑帽=閉運(yùn)算-原始輸入
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
圖像梯度-Sobel算子
分別表示在水平方向和垂直方向上的梯度的變化，即用于邊緣的檢測(cè)
dst = cv2.Sobel(src,ddepth,dx,dy,ksize)
? ? ddepth:圖像的深度
? ? dx和dy分別表示水平和豎直方向
? ?ksize是sobel算子的大小
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
注意：從白到黑是整數(shù)，黑到白就是負(fù)數(shù)了，所有的負(fù)數(shù)會(huì)被截?cái)喑?，所以要取絕對(duì)值
cv2.convertScaleAbs(img)??
取絕對(duì)值，并將梯度圖像轉(zhuǎn)換成256色位圖，轉(zhuǎn)換為unit8類型
cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv2.addWeighted(圖像1src1,系數(shù)1,圖像2src2,系數(shù)2,修正系數(shù)gamma)
圖像梯度-Scharr算子
圖像梯度-laplacian算子
scharr算子對(duì)邊界更敏感?
