多用于边缘
图像梯度
sobel
先把矩阵展成一维，再进行点积，不知道是什么运算
CV64F是什么
img = cv2. imread('pie. png', cv2. IMREAD_GRAYSCALE)
cv2.imshow("img",img)
cv2.waitKey
cv2.destroyAllWindows()
####dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
#ddepth:图像的深度
#·dx和dy分别表示水平和竖直方向
####·ksize是Sobel算子的大小
def cv_show(img, name):
cv2.imshow(name,img)
cv2. waitKey()
cv2. destroyAllWindows()
sobelx = cv2. Sobel(img, cv2. CV_64F,1,0, ksize=3)
#只关心边缘（梯度）在哪里，并不关心边缘是黑->白的边缘还是白->黑的边缘
cv_show(sobelx,'sobelx')这样会导致一个白圆只出现左半部分
#白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值
sobelx = cv2. Sobel(img, cv2. CV_64F, 1,0, ksize=3)
sobelx = cv2. convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2. Sobel(img, cv2. CV_64F,0, 1, ksize=3)
sobely = cv2. convertScaleAbs(sobely)
cv_show(sobely,'sobely')
#分别计算x和y,再求和
sobelxy = cv2. addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
#不建议直接计算
sobelxy=cv2. Sobel(img, cv2. CV_64F,1,1,ksize=3)
sobelxy = cv2. convertScaleAbs(sobelxy)
cv_show(sobelxy,'sobelxy')
img = cv2.imread('lena. jpg', cv2. IMREAD_GRAYSCALE)
cv_show(img,'img')
#推荐
img = cv2. imread('lena. jpg', cv2. IMREAD_GRAYSCALE)
sobelx = cv2. Sobel(img, cv2. CV_64F, 1,0, ksize=3)
sobelx = cv2. convertScaleAbs(sobelx)
sobely = cv2. Sobel(img, cv2. CV_64F, 0,1, ksize=3)
sobely = cv2. convertScaleAbs(sobely)
sobelxy = cv2. addWeighted(sobelx,0.5, sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
#模糊重影
img = cv2. imread('lena. jpg', cv2. IMREAD_GRAYSCALE)
sobelxy=cv2. Sobel(img,cv2. CV_64F,1,1,ksize=3)
sobelxy = cv2. convertScaleAbs(sobelxy)
cv_show(sobelxy,'sobelxy')Scharr
Scharr算子Gy写错了，第三行应该全是正数
调整ksize可以获得老师那种效果，本质两种算子很相似
iaplacian
噪点敏感
#不同算子的差异
img = cv2. imread('lena. jpg', cv2. IMREAD_GRAYSCALE)
sobelx = cv2. Sobel(img, cv2. CV_64F,1, 0, ksize=3)
sobely = cv2. Sobel(img, cv2. CV_64F,0, 1, ksize=3)
sobelx = cv2. convertScaleAbs(sobelx)
sobely = cv2. convertScaleAbs(sobely)
sobelxy = cv2. addWeighted(sobelx,0.5, sobely,0.5,0)
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,0.5,0)
laplacian = cv2.Laplacian(img, cv2. CV_64F)
laplacian = cv2. convertScaleAbs(laplacian)
res = np. hstack(sobelxy, scharrxy, laplacian))
cv_show(res,'res')
Canny边缘检测
完成一个平滑处理
检测流程
非极大值抑制
双阈值检测
设置阈值是为了找出有效边界。有些地方是极点，但可能这个极点并不明显、差别很小（不在阈值里），那它就不是我们想要的边界 边界是垂直于差值连线的，如果旁边有类似差值较大的，但他本身差值不大，有可能也是边界 梯度其实就是差值，有差值两像素连线，差值到一定程度就视为边界 这里的梯度应该是使用sobel内核对平滑后的图像进行滤波得到的图像的像素点
这里的梯度称之为邻近像素的差值或许更为恰当
img=cv2. imread("lena. jpg", cv2. IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np. hstack(v1, v2))
cv_show(res,'res')
img=cv2. imread("car. png", cv2. IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np. hstack((v1,v2))
cv_show(res,'res')图像金字塔
maxpooling FPN
这是图像金字塔，FPN是特征金字塔，提现的是特征深度的叠加
高斯金字塔
图中应为1/256
跟resize不一样的，resize像素点信息不变
img=cv2.imread("AM.png")
cv_show(img,'img')
print(img. shape)
(442,340,3)
up=cv2.pyrUp(img)
cv_show(up,'up')
print (up. shape)
(884,680.3)
down=cv2. pyrDown(img)
cv_show(down,'down')
print(down. shape)
(221,170,3)
up2=cv2.pyrUp(up)
cv_show(up2,'up2')
print (up2. shape)
(1768,1360,3)
up=cv2. pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show(up_down,'up_down')
cv_show(np. hstack((img, up_down),'up_down')
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show(img-up_down,'img-up_down')
#第47是原图减去先上采样再下采样的结果拉普拉斯金字塔
这个是像素的缺失 应用：制作电子包浆（doge）
尺寸报错的原图缩短一行或者一列就可以了，这个要求行和列都是偶数 直接相减不行，因为大小不一样，要用到cv2.resize处理
#如果因为图像是奇数而导致大小不一样的，可以换个顺序，先变大再变小
down=cv2. pyrDown(img)
down_up=cv2. pyrUp(down)
1_1=img-down_up
cv_show(1_1,'1_1')轮廓检测方法
cv_show('thresh',thresh)是什么
边缘是零散的点，轮廓是个整体
做科研的，以前一直用的RA写的code做图像处理，现在终于看懂了耶
cv2.findContours(img,mode,method)
mode:轮廓检索模式
• RETR_EXTERNAL :只检索最外面的轮廓；
• RETR_LIST:检索所有的轮廓，并将其保存到一条链表当中；
• RETR_CCOMP:检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
• RETR_TREE:检索所有的轮廓，并也构嵌套轮廓的整个层次：
method:轮廓逼近方法 ^
• CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓，所有其他方法输出多边形(顶点的序列)。
• CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。img = cv2. imread('car. png')#数据
gray = cv2. cvtColor(img, cv2. C0L0R_BGR2GRAY)#灰度
ret, thresh = cy2. threshold(gray, 127, 255, cv2. THRESH_BIXARY)#转换
cv_show(thresh.' thresh')
binary, contours, hierarchy = cv2. findContours(thresh, cv2.RETR_TREE,cv2.CHAIX_APPROX_NOXE)4.6.0无binary,findContours只输出两个参数
旧版本返回三个值，新版本返回两个值，把binary删掉就OK
cv_show(img,'img')
#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
#注意需要copy,要不原图会变。。。python中都是对象 直接赋值的话就是同一个对象 np中的copy是深拷贝，深拷贝会创建一个新的对象 和img对象的内容一致
draw_img = img. copy ()
res = cv2. drawContours(img, contours,-1,(0,0,255), 2)
#图像 是什么轮廓 第几个轮廓 bgr 线条宽度
#最新版本的话，第一个参数就是contours
#如果这步报错，可能是OPENCV版本高的原因，前面值只留下contours,hierarchy 两值
cv_show (res,'res')
draw_img = img. copy()
res = cv2. drawContours(draw_img, contours, 0,(0,0, 255),2)
cv_show(res,'res')待完工
待完工
待完工
待完工
待完工
待完工
待完工
待完工
待完工
待完工
