1.导入图像，显示图像，保存图像：

2.图像基本内容

图像由像素构成；图像一般分成三类:二值图像(只有黑和白，值要不是0要不是1)；灰度图像(还有灰，最小值为0：纯黑；最大值为255：纯白；中间值为灰色)；RGB(彩色,三个值-R,G,B每一份值都在0-255之间：(234,252,4)，在OpenCV里通道顺序为：BGR(4,252,234))

RGB转灰度：(RGB每个位置都有3个值，但灰度图像每个位置只有一个值)通过加权运算将原始图像中的RGB通道进行运算最后组成灰度图像，确保三个值的信息都留在灰度图像中(因此不会丢失信息)。

3.处理，修改像素：

在多个通道改变像素值：

利用numpy包进行像素处理

item函数读取像素，itemset函数修改像素

i.item(100,100,0)

i.itemset((100,100,0),255)//将第0个通道(100,100)的位置值修改为255。

4.获取图像属性：形状(行，列，通道数)，像素数目，图像的数据类型

形状：shape

像素数目：size 灰度：行数*列数； 彩色：行数*列数*通道数

图像类型：dtype(返回图像数据类型) ##uint8

5.图像ROI(region of interest)-感兴趣区域

6.通道的拆分与合并

拆分split ：将3个通道独立出来

合并merge：将三个通道合并成彩色通道

指定提取的通道则在后面加上下标：split(a)[0]

7.图像加法运算

参与运算的图像大小类型必须一致

numpy加法（取模加法）

opencv加法（饱和运算）

8.图像融合

（将2张及以上图像信息融合到1张图像上）可将几张不清晰图片融合成1张清晰图像——addWeighted

若不需要调亮，则gamma为0。

9.图像类型转换

彩色-灰度：GBR-RGB

cv2.COLOR_GBR2GRAY：彩色转灰度

cv2.COLOR_GRAY2GBR：灰度转彩色（通道数变成3）

cv2.COLOR_BGR2RGB：通道间转换

10.图像缩放：resize

(122,122)第一个是列，第二个是行；

f(x)水平方向上，f(y)垂直方向上；

直接指定大小：

按照比例缩放：列为0.5倍，行为1.2倍 由于可能不是整数所有要用round对其四舍五入：

先设置行，后设置列，行为0.5倍，列为0.3倍：

11.图像翻转：flip

flipCode=0：以x为对称轴上下翻转

flipCode>0：以y轴为对称轴左右翻转

flipCode<0：先水平翻转，再左右翻转

12.阈值分割基础理论

5种阈值化处理：

二进制阈值化：比阈值大的设置为最大值，小设置为0；

反二进制阈值化：比阈值大的设为0，小设置为最大值；

截断阈值化：比阈值大的像素都处理成阈值；

反阈值化为0：大于阈值的像素为0，小于等于不变；

阈值化为0：大于阈值则不变，小于阈值则值变为0

13.图像阈值：threshold函数

二进制阈值化：cv2.THRESH_BINARY

（不一定是0，1构成的图像也有可能是其他值）

反二进制阈值化：cv2.THRESH_BINARY_INV

截断阈值化:cv2.THRESH_TRUNC

阈值化为0：cv2.THRESH_TOZERO

反阈值化为0：cv2.THRESH_TOZERO_INV

归纳：

14.图像平滑：均值滤波

cv2.blur(原始图像，核大小)——核大小：以(宽度，高度)形式表示的元组；

经过均值滤波处理后的图像更加平滑；

15.图像平滑：方框滤波 boxFilter

目标图像深度：int类型的目标图像深度。通常用”-1”表示与原始图像一致；

若均值滤波进行归一化处理则和均值滤波相同，若不进行归一化处理则是求当前像素周围若干个像素的和(很有可能得到纯白色图像(溢出))；

16.图像滤波：高斯滤波：GaussianBlur

一般情况下令sigmaX=0 : sigma=0.3*((ksize-1)*0.5-1)+0.8

17.图像平滑：中值滤波：medianBlu

18.形态学转换：图像腐蚀：erode

一般针对二值图像，两个输入对象：输入对象、卷积核

核一般为正方形，迭代次数默认为1：

19. 形态学转换：图像膨胀-图像腐蚀的逆操作dilate

对腐蚀过的图像进行膨胀处理可以去除噪声并保持原有形状：

20.图像开运算：morphologyEx

开运算(image)=膨胀(腐蚀(image))

21.图像闭运算：morghologyEx

闭运算(image)=腐蚀(膨胀(image))

22.图像礼帽tophat：morphologyEx

礼帽图像=原始图像-开运算图像：得到噪声图像

23.图像黑帽：morphologyEx

闭运算图像-原始图像：得到图像内部的小孔或者前景色中的小黑点

24.图像梯度：Sobel算子的理论基础

计算水平方向的边界：

计算垂直方向的边界：

近似梯度值(Sobel算子)：

25. Sobel算子函数及其使用：Sobel

深度说明：深度一般设为-1(未取绝对值)

在边界处左边像素值与右边像素值不同，相减得到差值，因此能够提取边界。而若直接计算左边边界作差右边像素-左边像素值为负则会按0处理，右边边界作差右边像素值-左边像素值值为正，因此需要求取绝对值，求取每一点的水平梯度则得到一条线。

把负数的值转换为绝对值-目标图像=cv2.convertScaleAbs(原始图像)

dx,dy说明：

计算x方向梯度：dx=1,dy=0

计算y方向梯度：dx=0,dy=1

计算Sobel结果：

x方向梯度：

y方向梯度：

将x,y方向的梯度共同计算：

直接设置dx,dy=1利用sobel算子提取边界效果不理想：

26.scharr算子函数及其使用

scharr是sobel算子的一种改进

27.Laplacian函数及其使用

cv2.Laplacian(src,ddepth)

拉普拉斯算子类似于二级sobel导数：

卷积核为：

28.canny边缘检测原理

去噪-梯度-非极大值抑制-滞后阈值处理

去噪：

梯度：

计算值和角度：

梯度方向被归为4类：垂直、水平和对角线。

非极大值抑制：

（把不是边界的点去除）逐个遍历像素点，判断当前像素带你是否是周围像素点中具有相同方向梯度的最大值。

滞后阈值处理：

29.canny函数及其使用

cv2.Canny(image,threshold1,threshold2)

threshhold1:minVal阈值; threshold2:maxVal阈值

若想要边界丰富就将两个阈值设置地小一些；