openCV功能函数
形态学-腐蚀操作
cv2.erode(img, kernel, iterations=1)
img: 被处理图像
kernel: 处理图像用的盒子nxn大小
iterations: 函数运行次数
形态学-膨胀操作
cv2.dilate(img, kernel, iterations=1)
开运算和闭运算
开： 先腐蚀，再膨胀
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.MORPH_OPEN： 开运算
闭： 先膨胀，再腐蚀
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.MORPH_CLOSE： 闭运算
梯度运算
梯度 = 膨胀 - 腐蚀
cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
礼帽和黑帽
礼帽 = 原始输入 - 开运算结果
cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
黑帽 = 闭运算 - 原始输入
cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
图像梯度-Sobel算子
计算图像中像素点的梯度
cv2.Sobel(sec, 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
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(sec, cv2.CV_64F, ddepth, dx, dy, ksize)
cv2.convertScaleAbs(sobelx)
分别计算x和y，再求和
cv2.addWeigthed(sobely, dx, sobely, dy, 0)
sobelx: 水平方向梯度
sobely: 竖直方向梯度
不建议直接计算x和y
Scharr算子
与Sobel算子的区别就是，计算用的矩阵中的数值比sobel中的要大，计算出来的图像梯度更明显
laplacian算子
梯度变化更敏感，对噪音点会比较敏感
Canny边缘检测
- 使用高斯滤波器，以平滑图像，过滤噪音
- 计算图像中每个像素点的梯度强度和方向
- 应用非极大值抑制，以消除边缘检测带来的杂散响应
- 应用双阈值检测，来确定真实的和潜在的边缘
- 通过抑制孤立的弱边缘最终完成边缘检测
cv2.Canny(img, minVal, maxVal)
minVal和maxVal: 双阈值检测的参数
高斯滤波器：中间值比较大，边缘值比较小
在Canny检测中对高斯滤波器进行归一化处理
Canny中使用的是sobel算子
非极大值抑制：线性插值法，划分方向法
双阈值检测
- 梯度值>maxVal,则处理为边界
- minVal<梯度值
- 梯度值
- 梯度值
图像金字塔
- 高斯金字塔
做图像特殊提取， - 拉普拉斯金字塔
高斯金字塔
向下采样方法（缩小）：从塔底到塔尖
cv2.pyrUp(img)
- 将Gi与高斯内核卷积
- 将所有偶数行和列去除
向上采样方法（放大）：从塔尖到塔底
cv2.pyrDown(img)
- 将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
- 使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值
注意：若先进行上采样，后进行下采样，得到的结果图像没有原始的图像效果好
拉普拉斯金字塔
Li = Gi - PyrUp(PyrDown(Gi))
拉普拉斯金字塔 = 原始图像 减去 原始图像先做向下采样后做向上采样
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l_1 = img - down_up