1.waitKey(0)中的0表示等待，按任意键终止；
2.Img.shape的顺序是h，w，c 且c的顺序是BGR；
3.读进来的图片img = img+10 相当于给每个像素都加了10；
4.图像融合时两个图大小必须相等，否则报错：解决办法：缩放一个图或者裁剪一个图，前者可能使图片的形状发生改变；
5.边界填充：


6.图像阈值：
THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0

thresh = cv2.threshold(gradX, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

7.均值滤波：中间元素等于周围对应位置相乘除9，一般选奇数的卷积核
高斯滤波：通过远近程度来决定卷积核中的阈值


8.一个小技巧：并排展示所有图片；

9.腐蚀操作（形态学操作都是针对白色部分来说的）：让图像往里面缩一缩，是二值化后再执行的操作；


10.膨胀操作：把腐蚀操作对图像造成的损害还原回去，对空洞进行填充；


11.开运算与闭运算：
闭运算：将特征连在一起，看起来更像一个块，有利于检测外轮廓
12.梯度运算：得到边界信息

13.sobel算子：不建议混合在一起计算，效果没有分开的好；


在进行边缘检测之前至少要将图像灰度化，因为梯度运算并不能反映色彩的变化差异，所以转换成只有一种颜色通道的灰度图像能够更好地进行边缘检测。深入了解过图像二值化和边缘检测之后，我认为既可以直接使用灰度图像进行边缘检测，也可以二值化之后再进行边缘检测，二值化的目的是进一步简化灰度图像，使图像中的信息更加纯粹，边缘亮度变化更加明显。如果阈值选的较好还可以滤除不需要的弱边缘，使边缘处理后的图像轮廓更加清晰。还有一种方法是先进行边缘检测，再二值化，这种情况一般适用于：想得到二值化图像，但由于原图出现光照不均、前景和背景灰度差别很小等情况，我们不能直接得到完整的目标，这时就可以利用边缘检测对光线变化的不敏感性，先对图像作边缘检测，检测出我们想要进一步研究的目标轮廓，然后再根据只有边缘的图像，求出原图像所有边缘点的像素平均值，将该值作为阈值对原图像进行二值处理，就能很好得获得目标区域，并且目标区域的连通性也很好；
14.Canny边缘检测步骤：





其中：80，150分别代表双阈值。
15.图像金字塔：
向下采样：沿着金字塔往尖走叫向下采样，是一个缩小操作，长宽变为原来的一半，面积变为原来的1/4。

向上采样：

Opencv代码（第二个是连续上/下采样）：注：先上再下或先下再上得到的图色彩和清晰度不如之前好，不管上采样还是下采样都会损失原来的信息


16.图像轮廓，什么是轮廓：零零散散的边缘不是轮廓，轮廓是整体的
如何进行轮廓检测？一般用二值图像，处理成为二值图才能操作，参数通常用RETR_TREE；

该函数返回几个值，分别为：二值图像，轮廓信息，层级结构，参数：在什么上去画/返回的轮廓信息/画几个轮廓 -1默认所有/画图颜色/线条的宽度


17.轮廓特征：把每个轮廓拿出来用于计算

18.轮廓近似：用阈值判断，能用一条线段用一条，不行就逐步二分


近似函数：参数：哪个轮廓/指定的比较值，一般用周长的百分比
源代码：
19.外接矩形：
外接圆：
20.模板匹配：

一般用归一化的，有归一化的结果更可靠：

当前方法是越小越好，回传的最小值位置是左上角的点：


画矩形：

结果：

21.直方图操作：一般都是转换为灰度图来做输入图像，如果没有灰度转换，参数二就可以指定图像，参数三为掩码，想要统计固定区域的直方图则可以用这个，参数四为指定直方图横坐标大小，如1，2，3，或1_10，1020，参数五为像素范围，通常参数四和参数五是固定的。返回的（256，1）代表是二维的，每一个横坐标对应一个纵坐标



22.掩码操作：


23.直方图均衡化
原理：基本映射是怎么做的
源代码：

注意：

24.傅里叶变换：idft是逆变换，展示的时候要变回来，opencv中输入图像强制必须转为float32的格式


25.argparse模块：