C++ OpenCV学习笔记

1、图像的加载、修改与保存

涉及API：
cv::imread(); //读取
cv::imshow(); //显示
cv::cvtColor(); //修改
cv::imwrite(); //保存

扩展图像窗口创建API：cv::namedWindow();
cv::namedWindow需要两个参数，第一个参数是窗口名称，第二个参数是关于窗口操作的关键字（包含：WINDOW_AUTOSIZE会根据图像大小自动设置窗口大小并且生成的窗口大小不能修改；WINDOW_NORMAL此关键字一般使用在跟QT集成以后的程序中，表示允许修改窗口大小）

cv::imread:
参数两个，第一个参数是图像存储的绝对路径，第二个参数读取图像类型（包含：IMREAD_UNCANGED表示加载原图；IMREAD_GRAYSCALE表示将图像作为灰度图像加载进来；IMREAD_COLOR表示原图作为RGB图像加载进来）

cv::imshow:
两个参数，第一个参数是图像窗口名称（可以自动创建），第二个参数是Mat对象名

cv::cvtColor:
三个参数，第一个是需更改的Mat对象名，第二个是用于保存更改后的Mat对象名，第三个参数是修改使用的源和目标色彩空间（如：COLOR_BGR2GRAY表示修改成灰度图像）

cv::imwrite:
使用时包含两个参数，第一个参数是保存图像的绝对路径，第二个参数是需要保存的Mat对象名

---

2、矩阵的掩膜操作

获取图像像素指针:
CV_Assert(image.depth()==CV_8U)
Mat.ptr(int i = 0)获取像素矩阵的指针，其中索引 i 表示第几行，从0开始计行数
获取当前行指针语句：const uchar* current = image.ptr(row);
获取当前像素点P(row,col)的像素值语句：p(row,col) = current[col];

像素范围处理saturate_cast(重要函数)

saturate_cast(100)，返回100

说明：此函数的功能是确保RGB值的范围在0~255之间

什么是图像掩膜操作，掩膜操作实现的是图像对比度调整

opencv提供的掩膜操作（对比度提高）API：filter2D
定义掩膜矩阵：

Mat kernel = (Mat_<char>(3,3)<< 0,-1,0,-1,5,-1,0,-1,0);

API调用举例：filter2D(img, dst, img.depth(), kernel);
说明：第一个参数是操作对象名，第二个参数保存操作后对象名，第三个参数图像深度（使用depth()函数获取了原图像深度），第三个参数是掩膜方法（对应掩膜矩阵）

如何初始化一个零时Mat对象用于存储原图像？
代码：Mat dst = Mat::zeros(img.size(), img.type()); //zeros方法代表创建RGB为0的纯黑图像，大小和类型与原图像相同

拓展：执行时间的显示
代码：

double t = getTickCount();

/* 代码部分 */
double time = (getTickCount() - t)/getTickFrequency();
// cout << "执行时间: " << time << endl;

---

3、Mat对象（一种Iplimage更加安全的存储对象，Mat对象的内存空间被自动分配）

Mat对象构造函数：
Mat()
Mat(int rows, int cols, int type)
Mat(Size size, int type)

Mat(int rows, int cols, int type, const Scaler &s) // 说明：前两个参数分别表示行和列，第三个参数是类型参数（比如CV_8UC3中8表示每个通道占8位，U表示无符号，C表示Char类型，3表示三个通道数），第四个参数是向量表示初始化每个像素值为多少，向量长度对应通道数目一致。

Mat(Size size, int type, const Scaler &s) //Scaler()用来给像素赋值
Mat(int ndims, const int *sizes, int type)
Mat(int ndims, const int *sizes, int type, const Scaler &s)

说明：拷贝构造函数只会赋值对象头部，使用API–>demo = mat.clone() or mat.copyTo(demo) 才能进行完全复制（包括数据部分）

常用方法：
void copyTo(Mat mat);
void convertTo(Mat dst, int type);
Mat clone();
int channels();
int depth();
bool empty();
uchar* ptr(i = 0); //备注：查资料详学（读取像素值）

cv::Mat::create(size, type) //create方法创建对象（可指定对象尺寸大小）
两种用法：

M.create(img.size(), img.type()); 
M.create(4,3,CV_8UC2);	M = Scaler(123,123);

定义小数组：（掩膜运用）
Mat kernel = (Mat_(3,3)<< 0,-1,0,-1,5,-1,0,-1,0);

初始化全0图像有多种方法，其中比较特殊的是Mat::zero(size, type);
用法：

Mat m = Mat::zero(img.size(), img.type());
Mat m = Mat::zero(2, 2, CV_8UC1);

拓展：Mat::eye(……)方法，初始化对角线为一的图像矩阵。

---

4、图像操作

读取像素：
· 读取一个gray像素点的像素值（CV_8UC1)
Scalar intensity = img.at(row, col); or Scalar intensity = img.at(Point(row, col));

· 读取一个RGB像素点的像素值

Vec3f intensity = img.at<Vec3f>(row, col);
float blue = intensity.val[0];
float green = intensity.val[1];
float red = intensity.val[2];

for(int row = o; row < img.rows; row++)
{
	for(int col = 0; col < img.cols; col++)
	{
		int b = img.at<Vec3b>(row, col)[0];
		int g = img.at<Vec3b>(row, col)[1];
		int r = img.at<Vec3b>(row, col)[2];
	}
}

说明：Vec3b是一种数据结构，放置BGR像素点，3b表示3bit读取，也可以用Vec3f，3f表示以float类型读取，如第一种读取方法。

修改像素：
· 灰度图像
img.at(row, col) = 123;

· RGB图像
img.at(row, col)[0] = 123; //修改参数B
img.at(row, col)[1] = 123; //修改参数G
img.at(row, col)[2] = 123; //修改参数R

· 空白图
img = Scalar(100); //将每个像素点赋值为100

· ROI选择
Rect r(10, 10, 100, 100);
Mat smallimg = img(r);

Vec3b与Vec3f
· Vec3b对应三通道顺序blue、green、red的uchar类型数据
· Vec3f对应三通道float类型数据
· 把CV_8UC1转换到CV32F1实现如下：
img.convertTo(dst, CV_32F1); //使用API-->convertTo(dst, type);

---

5、图像混合

· 理论-线性混合操作
g(x) = (1-a)f0(x)+af1(x)
说明：f0(x)表示一个图像，f1(x)表示另一个图像，其中a的取值范围为0~1之间，g(x)表示混合后得到的图像（注意：对图像每个像素的操作）

相关API

cv::addWeighted(inputArray 	 src1, 		//参数1：输入图像Mat - src1
	            double 		alpha, 		//参数2：输入图像src1的alpha值（alpha表示表达式中的a）
			   inputArray 	src2, 		//参数3：输入图像Mat - src2
			   double 		beta, 		//参数4：输入图像src2的alpha值
			   double 		gamma, 		//参数5：gamma值（校验值，使其得到正常图像）
			   OutputArray 	dst, 		//参数6：输出混合图像
			   int 			dtpye = -1	//dtpye默认不用带入
	           )

注意：两张图像大小和类型必须一致才可以使用此API混合

dst(I) = saturate(src1(I) * alpha +src2(I) * beta + gamma);

拓展API：
add(img, dst, dst1); //直接叠加两个图像像素
multiply(img, dst, dst1, 1.0); //两个图像像素相乘

---

6、调整图像亮度和对比度

图像变换可以看作像素变换（点操作）和领域操作（区域操作），调整图像亮度和对比度属于像素变换
g(i,j) = af(i,j) + β （其中a>0，β是增益变量）

再次回顾重要API：
//像素范围处理函数
saturate_cast saturate_cast saturate_cast(100)，返回100

//图像数据类型转换
img.convertTo(dst, CV_32F);
说明：如果图像默认bit类型，我们把数据转换成浮点型，提高图像精度可以使处理效果提高。

---

7、绘制形状和文字

· 使用cv::Point与cv::Scalar
Point表示2D平面上一个点，坐标（x，y）
如下：

Point p;
p.x = 10;
p.y = 8;
Point p1 = Point(x, y );

Scalar表示四个元素的向量
Scalar(a, b, c); //a = Blue, b = green, c = Red表示BGR三个通道

· 绘制线、矩形、圆、椭圆等基本几何形状
API使用：
线–> cv::line(LINE_4\LINE_8\LINE_AA) //参数表示绘制线的类型，LINE_AA表示反锯齿
椭圆–> cv::ellipse
椭圆API说明：使用语句示例–>

ellipse(img, Point(img.rows/2, img.cols/2), Size(img.rows/5, img.cols/6), 90, 0, 360, color, 2, 8);
/* Point表示椭圆中心坐标，size表示椭圆尺寸，其中两个参数表示长短轴，angle = 90表示顺时针方向旋转角，startAngle = 0表示绘制的起始角度，endAngle = 360表示绘制的终止角度。*/

矩形–> cv::rectangle //五个参数，第一个参数是Mat对象，第二个参数矩形类型，第三个参数颜色，第四个参数线宽（默认1），第五个参数线的类型（默认LINE_8）
圆–> cv::circle
填充–> cv::fillPoly
fillPoly各参数说明：用法–>

Point pts[1][5] = { Point(100,100), Point(100,200), Point(200,200), Point(200,100), Point(100,100) };
const Point* ppts[] = { pts[0] };
int npt[] = { 5 };
fillPoly(img, ppts, npt, 1, Scalar(255,0,255), 8);		
//ppts表示多边形各顶点集合（静态点对象指针数组），npt表示多边形顶点个数，								//ncontours = 1表示填充个数

对象：
Rect rect = Rect(x, y, w_len, h_len); //后两个参数分别是宽高

· 随机生成与绘制文本
绘制文本API：cv::putText(Mat&, string, Point, int_fontFace, double_fontScale, Scalar, thickness, lineType, bottomLeftOrigin = false);
代码示例：

putText(img, "Hello OpenCV", Point(100,100), CV_FONT_HERSHEY_COMPLEX, 1.0, Scalar(0,0,255), 1, 8);

说明：int_fontFace表示字体类型，double_fontScale表示字体缩放比例，bottomLeftOrigin默认为FALSE不用管。

随机生成图像（以画线为例）
代码如下：

void RandomLineDemo(Mat& img)
{
	RNG rng(12345);
	Point pt1, pt2;
	Mat dst = Mat::zeros(img.size(), img.type());
	namedWindow("test7", CV_WINDOW_AUTOSIZE);
	for (int i = 0; i < 10000; i++)
	{
		pt1.x = rng.uniform(0, img.cols);
		pt2.x = rng.uniform(0, img.cols);
		pt1.y = rng.uniform(0, img.rows);
		pt2.y = rng.uniform(0, img.rows);
		Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
		if (waitKey(50) > 0)
			break;
		imshow("test7", dst);
		line(dst, pt1, pt2, color);
	}
}

说明：RNG是opencv中的随机数类，构造函数指明随机数范围或种子个数，使用uniform（正态分布随机数）方法指定随机数范围，同样的也可以使用gaussian(double sigma)方法生成高斯随机数

---

8、模糊图像（一）

· 图像的模糊原理

• Smooth/Blur是图像处理中最简单和常用的操作之一
• 使用该操作的原因之一就是为了给图像预处理时候降低噪声
• 使用Smooth/Blur操作其背后是数学的卷积计算：g(i, j) = Σ f( i+k, j+l)h(k, l)
• 通常这些卷积算子计算都是线性操作，所以又叫线性滤波
• 归一化盒子滤波（均值滤波）
• 高斯滤波

· 相关API

• 均值模糊：
  blur(Mat src, Mat dst, Size(xradius, yradius), Point(-1, -1)); //Point表示中心像素在哪里，（-1, -1）表示默认中心像素

• 高斯滤波：
  GaussianBlur(Mat src, Mat dst, Size(11, 11), sigmax, sigmay); //sigmax, sigmay是用于调节正态分布图像的参数
  注意：其Size(x, y)中x和y必须是正数而且是奇数，size表示窗口大小

  ---

9、模糊图像（二）

· 中值滤波

• 统计排序滤波器
• 中值对椒盐噪声有很好的抑制作用
  比如有一个5×5图像：
  123 125 126 130 140
  122 124 126 127 135
  118 120 150 125 134
  119 115 119 123 133
  111 116 110 120 130
  3×3领域像素（坐标为22到44）排序如下：115，119，120，123，124，125，126，127，150
  中值等于：124
  均值等于：125.33

API：medianBlur (Mat src, Mat dst, ksize)
注意：中值模糊的ksize大小必须是大于1而且为奇数 --> ksize表示卷积核大小

· 双边滤波

• 均值滤波无法克服边缘像素信息丢失缺陷，原因是均值滤波是基于平均权重
• 高斯模糊部分克服该缺陷，但无法完全避免，原因是没有考虑像素值的不同
• 高斯双边模糊是边缘保留的滤波方法，避免了边缘信息的丢失，保留了图像轮廓不变

API：bilateralFilter (src, dst, d=15, 150, 3)
说明：d=15为计算半径，半径之内的像素都会被纳入计算，如果该参数提供-1则会根据sigma space参数取计算半径
150表示sigma color，决定多少差值之内像素会被计算
3表示sigma space如果d值大于0则声明无效

---

10、膨胀与腐蚀

· 膨胀

• 图像形态学操作：基于形状的一系列图像操作集合，主要是基于集合论基础上的形态学数学
• 形态学有四个基本操作：腐蚀、膨胀、开、闭
• 腐蚀和膨胀是图像处理中最基本的形态学操作

说明：膨胀操作跟卷积操作类似，假设有图像A和机构元素B，结构元素B在A上移动，其中B定义其中心为锚点，计算B覆盖下A的最大像素值用来替换锚点像素其中B作为结构体可以是任意形状。而腐蚀跟膨胀操作类似，唯一不同的是以最小值替换锚点重叠下图像的像素值。

相关API：
· getStructuringElement(int shape, Size ksize, Point anchor) //获取结构形状
说明：三个参数分别代表形状（MORPH_RECT \ MORPH_CROSS \ MORPH_ELLIPSE）、大小（要求奇数）、锚点（默认是Point(-1,-1)意思就是中心像素）
· dilate(src, dst, kernel) //膨胀
· erode(src, dst, kernel) //腐蚀

拓展：
动态调整结构元素大小 （GUI函数）

 TrackBar -> createTrackbar(constString & trackbarname,
						   const String winName,
						   int* value,
						   int count,
						   Trackbarcallback func,
						   void* userdata = 0)

//其中最重要的是callback函数功能，如果设置为NULL就是说只有值update，但是不会调用callback的函数。

---

11、形态学操作（多用于二值图像处理）

· 开操作 - open
说明：图像先腐蚀后膨胀的操作即称为图像的开操作，图像开操作可以去掉小的对象。

· 闭操作 - close
说明： 先膨胀后腐蚀称之为闭操作，可以讲大面积图像中小的缺口给填充。

· 形态学梯度 - Morphological Gradient
说明：图像膨胀后减去原图的腐蚀图像，此种方法又称基本梯度，得到的图像具有梯度效果。

· 顶帽 - top hat
说明：顶帽是原图像与开操作之间的差值图像

· 黑帽 - black hat
说明：黑帽是闭操作图像与源图像的差值图像

API：morphologyEx(src, dst, CV_MOP_BLACKHAT, kernel);
参数说明:
- int OP --> CV_MOP_OPEN/ CV_MOP_CLOSE/ CV_MOP_GRADIENT/ CV_MOP_TOPHAT/ CV_MOP_BLACKHAT （表示形态学操作类型）
- Mat kernel --> 结构元素（选取大小取决于去掉的对象大小）
- int Iteration=1 --> 迭代次数，默认为1

使用实例（开操作）：

Mat kernal = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
morphologyEx(src, dst, CV_MOP_OPEN, kernal);
imshow("dst", dst);
waitKey(0);

---

12、提取水平与垂直线（形态学应用）

· 原理方法
图像形态学操作的时候，可以通过自定义的结构元素实现结构元素对输入图像一些对象敏感、另外一些对象不敏感，这样就会让敏感的对象改变而不敏感的对象保留输出。
通过使用两个最基本的形态学操作：膨胀与腐蚀。使用不同的结构元素实现对输入图像的操作并得到想要的结果。

知识回顾：

• 膨胀，输出的像素值是结构元素覆盖下输入图像的最大像素值
• 腐蚀，输出的像素值是结构元素覆盖下输入图像的最小像素值

· 结构元素
膨胀与腐蚀过程是可以使用任意的结构元素，常见的形状：矩形、圆、直线、磁盘形状、砖石形状等各种自定义形状。

· 提取步骤
1 - 输入图像
2 - 灰度变换
3 - 二值化 --> adaptiveThreshold
4 - 定义结构元素
5 - 开操作提取水平与垂直线

相关API - adaptiveThreshold(src, dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C);
参数说明：
double maxValue - 输入图像最大灰度值
int adaptiveMethod - 自适应阈值方法（ADAPTIVE_THRESH_MEAN_C / ADAPTIVE_THRESH_GAUSSIAN_C）
int thresholdType - 阈值类型（常用 THRESH_BINARY）
int blockSize - 子块大小
double C - 常量，可为正数、负数、0

结构元素定义实例代码：

Mat hline = getStructuringElement(MORPH_RECT, Size(src.cols / 16, 1), Point(-1, -1));
Mat wline = getStructruingElement(MORPH_RECT, Size(1, src.row . 16), Point(-1, -1));

拓展API：bitwist_not(src, src); --> 图像二进制数据“非”操作

---

13、图像上采样和降采样

· 图像金字塔概念说明
我们在图像处理中常常会调整图像大下，最常见的就是放大和缩小，尽管几何变换也可以实现图像的放大和缩小，但是这里所说的
大小调整是指图像金字塔从下到上分辨率的缩小。一个图像金字塔是一系列图像组成，最底下一张是图像尺寸最大，最上方图像尺
寸最小，从空间上由上向下看就像古埃及金字塔。

图像金字塔分为高斯金字塔和拉普拉斯金字塔，高斯金字塔用来对图像进行降采样，拉普拉斯金字塔用来重建一张图片根据它的上
层降采样图片

高斯金字塔：

• 高斯金字塔是从底向上，逐层采样得到的

• 降采样之后图像大小是原图像 M × N 的 M/2 × N/2，就是对原图像删除偶数行与列，即得到采样后的上层图像

• 高斯金字塔的生成过程分为两步：
  1 - 对当前层进行高斯模糊
  2 - 删除当前层的偶数行与列
  即可得到上一层图像，这样上一层和下一层相比，都只有它大小的1/4

        	{1， 4， 6，4，1；	
         	 4，16，24，16，4；
   1/16 ×  6，24，36，24，6；
         	 4，16，24，16，4；
         	 1， 4， 6， 4，1；}
  

高斯不同（DOG）：

• 定义：把同一张图像在不同的参数下做高斯模糊之后的结果相减，得到的输出图像称之为高斯不同。

• 高斯不同是图像的内在特征，在灰度图像增强、角点检测中经常使用
  代码示例：

  cvtColor(src, gray_src, CV_BGR2GRAY);
  GaussianBlur(gray_src, g1_dst, Size(3, 3), 0, 0);
  GaussianBlur(g1_dst, g2_dst, Size(3, 3), 0, 0);
  subtract(g1_dst, g2_dst, DOGimage, Mat());
  normalize(DOGimage, DOGimage, 255, 0, NORM_MINMAX);	// 还原灰度范围
  imshow("DOG image", DOGimage);
  waitKey(0);
  

相关API：
· 上采用 --> cv::pyrUp(Mat src, Mat dst, Size(src.cols*2, src.rows*2))
效果：生成的图像是原图在宽和高各放大两倍

· 降采样 --> cv::pyrDown(Mat src, Mat dst, Size(src.col/2, src.rows/2))
效果：生成的图像是原图在宽与高各缩小1/2

---

14、阈值操作

阈值操作：二值化、反二值化、截断、阈值取零、阈值反取零
API–>cv::threshold(img, dst, thresh, max_value, type);
说明：type参数表示阈值操作类型，可填写cv::THRESH_BINARY, cv::THRESH_BINARY_INV, cv::THRESH_TRUNC, cv::THRESH_TOZERO, cv::THRESH_TOZERO_TNV等。

---

15、边缘填充

·OpenCV中常用的边缘填充函数为copyMakeBorder();
函数原型：void copyMakeBorder(const Mat &src, Mat& dst, int top, int bottom, int left, int right, int borderType, const Scalar &value=Scalar());
功能：扩充src的边缘，将图像变大，然后以各种外插方式自动填充图像边界,这个函数实际上调用了函数cv::borderInterpolate，这个函数最重要的功能就是为了处理边界，比如均值滤波或者中值滤波中，使用copyMakeBorder将原图稍微放大，然后我们就可以处理边界的情况。
参数说明：
src,dst:原图与目标图像
top,bottom,left,right分别表示在原图四周扩充边缘的大小
borderType：扩充边缘的类型，就是外插的类型，OpenCV中给出以下几种方式

• BORDER_REPLICATE

• BORDER_REFLECT

• BORDER_REFLECT_101

• BORDER_WRAP

• BORDER_CONSTANT
  BORDER_REPLICATE：边缘像素复制法
  BORDER_REFLECT_101：对称法，以最边缘像素为轴，对称
  BORDER_CONSTANT：常量法

---

16、sobel算子锐化和Laplace算子锐化

API：cv::Sobel(img, dst, depth, dx, dy); // dx和dy分别表示x方向和y方向上的差分阶数
cv::Laplacian(img, dst, depth);

---

17、Canny边缘检测算法

· Canny算法五步走：

1、高斯模糊 - GaussianBlur

2、灰度转换 - cvtColor

3、计算梯度 - Sobel / Scharr

4、非最大信号抑制

5、高低阈值连接输出二值图像

什么是非最大信号抑制：

图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不不能说明该点就是边缘（这仅仅是属于图像增强的过程）。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。

根据图可知，要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。

注意以下两点：

​ 1）中非最大抑制是回答这样一个问题：“当前的梯度值在梯度方向上是一个局部最大值吗？” 所以,要把当前位置的梯度值与梯度方向上两侧的梯度值进行比较；

​ 2）梯度方向垂直于边缘方向。

​ 但实际上，我们只能得到C点邻域的8个点的值，而dTmp1和dTmp2并不在其中，要得到这两个值就需要对该两个点两端的已知灰度进行线性插值，也即根据图中的g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值，这要用到其梯度方向，这是Canny算法中要求解梯度方向矩阵Thita的原因。

​ 完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0，可能为边缘的局部灰度极大值点可设置其灰度为128。根据下文的具体测试图像可以看出，这样一个检测结果还是包含了很多由噪声及其他原因造成的假边缘。因此还需要进一步的处理。

高低阈值连接：

· API介绍

cv::Canny(InputArray src,	// 8bit输入图像
         OutputArray edges,	// 输出边缘图像，一般都是二值图像，背景为黑色
         double threshold1,	// 低阈值，常取高阈值的1/2或者1/3
         double threshold2, // 高阈值
         int aptertureSize, // Sobel算子size，通常为3×3，取值3
         bool L2gradient 	// 选择true表示是L2归一化方法，否则使用L1方法
         )

· 相关代码

#include 
#include 
#include 
using namespace cv;
using std::cout;
using std::endl;

const int t1_value = 50, max_value = 255;
Mat src, dst, gray_src;
void Canny_Demo(int, void*)
{
    Mat edge_output;
    blur(gray_src, gray_src, Size(3, 3), Point(-1, -1), BORDER_DEFAULT);
    Canny(gray_src, edge_output, t1_value, t1_value*2, 3, false);
    dst.create(src.size(), src.type());
    src.copyTo(dst, edge_output);
    // imshow("output", dst);
    imshow("out", edge_output);
}
int main(int argc, char** argv)
{
    src = imread("Path");
    if(!src.data)
    {
        cout << "could not load image" << endl;
        return -1;
    }
    imshow("input", src);
    cvtColor(src, gray_src, CV_BGR2GRAY);
    createTrackbar("Threshold Value", "Result", &t1_value, max_value, Canny_Demo);
    Canny_Demo(0, 0);
    
    waitKey(0);
    return 0;
}