cv2.threshold(src, thresh, maxval, type[, dst]) #进行阈值处理0-255，0表示黑，255表示白
1 src：表示的是图片源
2 thresh：表示的是阈值（起始值）
3 maxval：表示的是最大值
4 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）
它一般返回两个值，第一个值是输入的阈值，第二个值是处理后的图像
一般的（BINARY）效果是：
将一个灰色的图片，变成要么是白色要么就是黑色。（大于规定thresh值就是设置的最大值（常为255，也就是白色））
cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。
cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)
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，一般默认是-1，则绘制其中的所有轮廓。后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。
轮廓特征
cv2.contourArea(cnt， True) # 计算轮廓的面积
cnt：输入的单个轮廓值
轮廓近似
cv2.approxPolyDP( InputArray curve,OutputArray approxCurve,double epsilon, bool closed )
InputArray curve：输入曲线，数据类型可以为vector<Point>。
OutputArray approxCurve：输出折线，数据类型可以为vector<Point>。
double epsilon：判断点到相对应的line segment 的距离的阈值。（距离大于此阈值则舍弃，小于此阈值则保留，epsilon越小，折线的形状越“接近”曲线。）
bool closed：曲线是否闭合的标志位。
边界矩形
cv2.boundingRect(img) #img是个二值图，就是它的参数；返回4个 值，分别是x，y，z，w；x,y是矩阵左上点 的高，w，h是矩阵的宽和高然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2) 画出矩行
外接圆
center, radius = cv.minEnclosingCircle( points )
center：返回值，圆的中心
radius：返回值，半径
points：目标物体的点
模板匹配
模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度。这个差别程度的计算方法在opencv中有6中，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB,而模板是axb大小，则输出的结果是矩阵（A-a+1）x（B-b+1）
图像特征-harris角点检测
基本原理
R>0，是角点
R近似=0，平坦
R<0，是边界
cv2.cornerHarris()
img:数据类型为float32的入图像
blockSize:角点检测中指定区域的大小
ksize：Sobel求导中使用的窗口大小
k：取值参数[0.04,0.06]
Scale Invariant Feature Transform(SIFT)——平移不变性图像特征变换
一 图像尺度空间
在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力很难。所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点
尺度空间的获取通常使用高斯模糊来实现
我们并不希望高斯模板一成不变，而是希望它可以通过一些参数进行调整以适应不同的情况，故我们不采用标准正态分布来计算模板，而是保留σ的可变性，用于调整模板的频带宽度进而影响图像被处理后的平滑（模糊）程度。
多分辨图像金字塔
高斯差分金字塔
关键点的精确定位
这些候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点是一种方法是，对尺度空间DOG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位
消除边界响应
特征点的主方向
每个特征点都可以得到三个信息（x,y,z,
生成特征描述
在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向
为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转
角度，即将坐标轴旋转为特征点的主方向。
旋转之后的主方向为中心取8x8的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个4x4的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征的由4个种子点组成，每个种子点有8个方向的向量信息。
建议对每个关键点使用4x4共16个种子点来描述，这样一个关键点就会产生128维的SIFT特征图像
图像平滑处理
cv2.blur(img,ksize)
img：原图像
ksize：核大小
原理：它只取内核区域下所有像素的平均值并替换中心元素。3x3标准化的盒式过滤器如下所示：
特征：核中区域贡献率相同。
作用：对于椒盐噪声的滤除效果比较好。
cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示进行方框滤波，参数说明当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示
cv2.Guassianblur(img, (3, 3), 1) 表示进行高斯滤波，
参数说明: 1表示σ， x表示与当前值得距离，计算出的G(x)表示权重值
距离中心点越近，权值越高。
cv2.medianBlur(img, 3) #中值滤波，相当于将9个值进行排序，取中值作为当前值
参数说明：img表示当前的图片，3表示当前的方框尺寸
形态学-腐蚀操作
cv2.erode(pie,kernel,iterations = 1)
参数：原图、核、迭代次数，次数越多，腐蚀的越厉害
#在原图的每一个小区域里取最小值，由于是二值化图像，只要有一个点为0，则都为0，来达到瘦身的目的。因此在下面的例子中，我们就可以使用腐蚀来将图片中的一些毛刺或者说很细小的东西给去掉。
形态学-膨胀操作
cv2.dilate(dige_erosion,kernel,iterations = 1
开运算与闭运算
cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel) #开运算，先腐蚀，再膨胀
cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)#闭运算，先膨胀，再腐蚀
梯度运算
cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel) #腐蚀-膨胀
礼帽与黑帽
礼帽=原始输入-开运算结果
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
黑帽=闭运算-原始输入
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
图像梯度-Sobel算子
分别表示在水平方向和垂直方向上的梯度的变化，即用于边缘的检测
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
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
注意：从白到黑是整数，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
cv2.convertScaleAbs(img)
取绝对值，并将梯度图像转换成256色位图，转换为unit8类型
cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv2.addWeighted(图像1src1,系数1,图像2src2,系数2,修正系数gamma)
图像梯度-Scharr算子
图像梯度-laplacian算子
scharr算子对边界更敏感
