3.1 不同色彩空间的转换
计算机视觉中三种常用的色彩空间：灰度、BGR、HSV
3.2 傅里叶变换
3.2.1 高通滤波器(HPF)
高通滤波器(HPF)是检测图像的某个区域，然后根据像素与周围像素的亮度插值来提升该像素的亮度的滤波器
核：一组权重组合，滤波器中的所有值加起来为0
ndimage.convolve()实现图片与核的卷积操作
#(11, 11)表示高斯矩阵的长与宽都是11，标准差取0
blurred = cv2.GaussianBlur(img, (11, 11), 0) #高斯滤波
3.2.2 低通滤波器（LPF）
高通滤波器检测边缘时不仅会检测到噪声，而且还会强化它们，所以在高通滤波之前，需要先降噪。
低通滤器通常会取均值 不像高通过滤器取的是差值，因此低通过滤器的元素加起来应该为 1，这就能保留图像的亮度，确保图像不会变亮或变暗，但我们可以看到 这个核的元素加起来等于 9，所以我们需要进行归一化处理 也就是将核值总和除以 9
3.4 边缘检测
OpenCV提供的边缘检测滤波函数：
Laplacian()使用Laplacian之前，需要将图像转为灰度图
Sobel()
Scharr()
这些滤波函数都会将非边缘区域转化为黑色，将边缘区域转为白色或者其他饱和颜色
使用滤波函数之前要进行模糊处理，防止噪声的影响
OpenCV提供的模糊函数：
blur() 算术均值滤波
medinBlur() 中值滤波,去除数字化的视频噪声非常非常有效
GaussianBlur() 表示进行高斯滤波
滤波核的宽和高为奇数
通道分离 B,G,R 单通道图像
channels = cv2.split(src)
3.5 用定制内核做卷积
OpenCV提供了filter2D( )函数， 使用自定义内核对图像进行卷积
filter2D( )函数会对图像的每个通道使用相同的核，若要对每个通道使用不同的核，就必须先使用split( )函数，将通道分开，分别卷积过后，在使用merge( )函数，将卷积过后的合并
3.6 Canny边缘检测
cv2.Canny(img,200,300)) #image：源图像,threshold1：阈值1,threshold2：阈值2
多步骤组成：
step1：高斯平滑滤波:去除噪声(效果较好)step2： 计算梯度强度和方向
step3:非极大值抑制： 抑制那些梯度不够大的像素点，只保留最大的梯度，从而达到瘦边的目的， 经过非极大值抑制可以看出来图片的边缘明显变细
step4：用双阈值算法检测和连接边缘： 梯度值超过T1的称为强边缘，梯度值小于T1大于T2的称为弱边缘，梯度小于T2的不是边缘。
3.7 轮廓检测
cv2.threshold()函数
cv2.threshold(src, thresh, maxval, type[, dst]) → retval, dst
src：表示的是图片源
thresh：表示的是阈值（起始值）
maxval：表示的是最大值
type：表示的是这里划分的时候使用的是什么类型的算法，常用值为0（cv2.THRESH_BINARY）
ret,thresh = cv2.threshold(img,127,255,0)
该函数有两个返回值，第一个ret（得到的阈值值)，第二个就是阈值化后的图像。
查找轮廓：
image,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
三个输入参数：输入图像（二值图像），轮廓检索方式，轮廓近似方法,
两（三）个返回值：(图像)，轮廓，轮廓的层析结构
cv2.findContours( )函数会“原地”修改输入的图像,建议使用时将源图像拷贝
绘制轮廓：
img = cv2.drawContours(color,contours,-1,(255,0,255),-1)
‘’’:arg
第一个参数是指明在哪幅图像上绘制轮廓；image为三通道才能显示轮廓
第二个参数是轮廓本身，在Python中是一个list;
第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
第四个参数轮廓边缘线的颜色。
最后一个参数表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式
‘’’
3.9 边界框、最小矩形、最小闭圆的轮廓检测
cv2.pyrDown(src, dst=None, dstsize=None, borderType=None) 从一个高分辨率大尺寸的图像向上构建一个金字塔（尺寸变小，分辨率降低）
函数的作用：
对图像进行滤波然后进行下采样参数含义：
src：表示输入图像
dst：表示输出图像
dstsize：表示输出图像的大小
borderType：表示图像边界的处理方式
函数 cv2.pyrUp() 从一个低分辨率小尺寸的图像向下构建一个金子塔（尺寸变大，但分辨率不会)cv2.pyrUp(src, dst=None, dstsize=None, borderType=None)
cv2.boundingRect(img)这个函数很简单，img是一个二值图，也就是它的参数；返回四个值，分别是x，y，w，h；x，y是矩阵左上点的坐标，w，h是矩阵的宽和高
cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)画出矩行
第一个参数：img是原图
第二个参数：（x，y）是矩阵的左上点坐标
第三个参数：（x+w，y+h）是矩阵的右下点坐标
第四个参数：（0,255,0）是画线对应的rgb颜色
第五个参数：2是所画的线的宽度
rect = cv2.minAreaRect(Points)：其中points是点集，数据类型为ndarray，array((x1,y1),(x2,y2),…,(xn,yn))而minAreaRect就是求出在上述点集下的最小面积矩形
rect：（最小外接矩形的中心（x，y），（宽度，高度），旋转角度），但是要绘制这个矩形，我们需要矩形的4个顶点坐标box, 通过函数 cv2.BoxPoints() 获得，返回形式[ [x0,y0], [x1,y1], [x2,y2], [x3,y3] ]。
(x,y),radius = cv2.minEnclosingCircle©
#(x,y)圆心坐标组成的元组，radius为圆的半径值
画圆：cv2.circle(img,(60,60),30,(0,0,213),-1) #参数：图像，圆心坐标，半径，圆的颜色， 最后一个表实如果是正数，表示组成圆的线条的粗细程度。否则，-1表示圆是否被填充
3.10 凸轮廓与Douglas-Peucher算法
approx = cv2.approxPolyDP(cnt, epsilon, True)
cv2.approxPolyDP(轮廓,与近似多边形的差值(周长),多边形是否闭合的不二标记)
cv2.contourArea(cnt， True) # 计算轮廓的面积
参数说明：cnt为输入的单个轮廓值
cv2.arcLength(cnt， True) # 计算轮廓的周长
参数说明：cnt为输入的单个轮廓值
#获取轮廓凸包信息
hull = cv2.convexHull(cnt)
3.11 直线和圆检测
直线检测：
cv2.HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None)
image： 必须是二值图像，推荐使用canny边缘检测的结果图像；
rho: 线段以像素为单位的距离精度，double类型的，推荐用1.0
theta： 线段以弧度为单位的角度精度，推荐用numpy.pi/180
threshod: 累加平面的阈值参数，int类型，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少。根据情况推荐先用100试试
lines：这个参数的意义未知，发现不同的lines对结果没影响，但是不要忽略了它的存在
minLineLength：线段以像素为单位的最小长度，根据应用场景设置
maxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），超过了设定值，则把两条线段当成一条线段，值越大，允许线段上的断裂越大，越有可能检出潜在的直线段
圆检测：
cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius)
参数解析：
image为输入图像，需要灰度图
method为检测方法,常用CV_HOUGH_GRADIENT
dp为检测内侧圆心的累加器图像的分辨率于输入图像之比的倒数，如dp=1，累加器和输入图像具有相同的分辨率，如果dp=2，累计器便有输入图像一半那么大的宽度和高度
minDist表示两个圆之间圆心的最小距离
param1有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半
param2有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示在检测阶段圆心的累加器阈值，它越小，就越可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了
minRadius有默认值0，圆半径的最小值
maxRadius有默认值0，圆半径的最大值