前情提要：作為剛入門機器視覺的小伙伴，第一節課學到機器視覺語法時覺得很難理解，
很多人家的經驗，我發現都千篇一律，功能函數沒解析，參數不講解，就一個代碼，所以在此將搜集的解析和案例拿出來匯總！！!
一、opencv+python環境搭建
其實能寫python的就能寫opencv，但是工具很總要，代碼提示也很重要，你可能會用submit vs等工具，submit編碼個人覺得不夠智能，vs的話過完年我學的方向不一致，所以沒用
推薦pycharm ,在項目setting中的項目解釋器中安裝opencv-python即可進行編碼。python環境搭建也灰常方便。
二、邊緣提取案例
import cv2 def edge_demo(image): #GaussianBlur圖像高斯平滑處理 blurred = cv2.GaussianBlur(image, (3, 3), 0) #(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標准差取0 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #顏色模式轉換成cv2.COLOR_BGR2GRAY模式下的灰度圖像 edge_output = cv2.Canny(gray, 50, 150) #提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用於平滑連接高閾值產生的片段，使圖像成一個整體 cv2.imshow("canny edge", edge_output)#輸出灰度圖像 #原圖與灰度圖像與運算，按照灰度圖剪切加和的原圖 dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow("color edge", dst)#輸出帶顏色邊緣圖像 if __name__ == '__main__': img = cv2.imread("cat.jpg") # cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE) cv2.imshow("input image", img) edge_demo(img) cv2.waitKey(0)#等待鍵盤輸入，不輸入 則無限等待 cv2.destroyAllWindows()#清除所以窗口
三、解釋功能函數
其實上面的代碼也是用的別人的，但絕大多數都沒有解釋，對於像我這種新手不是很友好
- 高斯處理
圖像處理中，常用的濾波算法有均值濾波、中值濾波以及高斯濾波等。
三種濾波器的對比：
濾波器種類 基本原理 特點
均值濾波 使用模板內所有像素的平均值代替模板中心像素灰度值 易收到噪聲的干擾，不能完全消除噪聲，只能相對減弱噪聲
中值濾波 計算模板內所有像素中的中值，並用所計算出來的中值體改模板中心像素的灰度值 對噪聲不是那么敏感，能夠較好的消除椒鹽噪聲，但是容易導致圖像的不連續性
高斯濾波 對圖像鄰域內像素進行平滑時，鄰域內不同位置的像素被賦予不同的權值 對圖像進行平滑的同時，同時能夠更多的保留圖像的總體灰度分布特征
意思就是使你的圖像灰度分布更均勻，每個點的像素均為周圍
按3*3的矩陣在周圍取樣求平均值，，標准差取0來處理
blurred = cv2.GaussianBlur(image, (3, 3), 0) #GaussianBlur圖像高斯平滑處理 #(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標准差取0
- 灰度轉換----》也叫做二值化處理
故名思意就是轉換成黑白圖像，后面的參數中 cv2.COLOR_BGR2GRAY 其實就是色彩模式，所以函數名為 cvtColor（色彩模式轉換）
cvtColor()用於將圖像從一個顏色空間轉換到另一個顏色空間的轉換（目前常見的顏色空間均支持），並且在轉換的過程中能夠保證數據的類型不變，即轉換后的圖像的數據類型和位深與源圖像一致。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #顏色模式轉換成cv2.COLOR_BGR2GRAY模式下的灰度圖像
- 邊緣識別提取
這一步是將二值化后的圖像提取邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用於平滑連接高閾值產生的片段，使圖像成一個整體
簡明而言就是，小的用於細小的地方處理，大的宏觀處理----》大閾值用於分離背景與輪廓，曉得用於拼接細小的輪廓，即可形成一個整體
edge_output = cv2.Canny(gray, 50, 150) #提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用於平滑連接高閾值產生的片段，使圖像成一個整體
- 輸出即可，小面的函數只是對比學習而已，可以不用
（對於dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow("color edge", dst)#輸出帶顏色邊緣圖像
)
