写在前面
本篇文章是opencv学习的第四篇文章，主要讲解了边缘及轮廓检测的主要操作，并对两种图像金字塔简单的介绍了一下，作为初学者，我尽己所能，但仍会存在疏漏的地方，希望各位看官不吝指正😍
写在中间
一、Canny边缘检测
（ 1 ）简单介绍
Canny边缘检测是一种常用的图像处理算法，它能够在图像中快速准确地识别出物体的边缘。
边缘检测算法步骤：
首先使用高斯滤波器对原始图像进行滤波，用于去除图像中的噪声
然后计算图像的梯度，通过阈值处理以便识别出图像中的边缘
接着使用非极大值抑制，避免假阳性和重复检测。
最后使用双阈值算法进行边缘连接和筛选
（ 2 ）操作实现
cv2.Canny(img, 120, 250)
这三个参数是用于Canny边缘检测的阈值参数。其中：
-
img是需要进行边缘检测的图像。 -
120是低阈值，用于过滤掉弱边缘。 -
250是高阈值，用于较好地保留强边缘。
在Canny边缘检测中，像素点的灰度值如果大于高阈值，就被认为是强边缘，如果小于低阈值，就被认为是非边缘。如果在两者之间，那么只有与强边缘相连通的像素点才被认为是边缘。通过调整这两个阈值，可以控制检测到的边缘数量和质量。
（ 3 ）代码实现
import cv2
import matplotlib.pyplot as plt
import numpy as np
img = cv2.imread("D:\python\Program\pythonProject\photos\\bear.png", 0)
v1 = cv2.Canny(img, 100, 150)
v2 = cv2.Canny(img, 20, 70)
res = np.hstack((v1, v2)) # 拼接
cv2.imshow('result', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
（ 4 ）效果展示
二、图像金字塔
（1）简单介绍
图像金字塔是一种特殊的多尺度图像结构，它可以在不同尺度下对图像进行表示，从而实现对图像局部特征的提取。
图像金字塔通常由两个部分组成，即高斯金字塔和拉普拉斯金字塔。
高斯金字塔：可以通过向下采样法得到较小的图片，也可以通过向上采样法得到较大的图片。
向下采样法（缩小）
向上采样法（增大）
拉普拉斯金字塔：则是指将两个相邻尺度的高斯金字塔图像相减得到的亮度差异图像。
低通滤波
降采样（缩小尺寸）
内插（放大尺寸）
带通滤波（图像相减）
（2）操作实现
向下采样法：img_down = cv2.pyrDown(img)
向上采样法：img_up = cv2.pyrUp(img_down)
拉普拉斯：img_laplacian = cv2.subtract(img, img_up)
拉普拉斯采样法就是先将原始图像向下采样，接着向上采样，最后将原始图像减去两次采样的结果。
（ 3 ）代码展示
import cv2
img = cv2.imread("D:\python\Program\pythonProject\photos\\bear.png", 0)
img_down = cv2.pyrDown(img) # 向下采样
img_up = cv2.pyrUp(img_down) # 向上采样
img_laplacian = img - img_up # 拉普拉斯金字塔
cv2.imshow('Original', img)
cv2.imshow('Down', img_down)
cv2.imshow('Up', img_up)
cv2.imshow('Laplacian', img_laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
（3）效果展示
原图：
向下采样：
向上采样：
拉普拉斯金字塔：
三、轮廓检测
（ 1 ）简单介绍
轮廓检测是指在图像中检测出所有轮廓，并将它们可视化。下面是 OpenCV 中轮廓检测的基本步骤：
-
读取图像：使用cv2.imshow()函数读取图像。
-
转换为灰度图像：为了检测出轮廓，需要将图像转换为灰度图像。可以使用 cv2.cvtColor() 函数将图像从 BGR 颜色空间转换为灰度颜色空间。
-
二值化：使用 cv2.threshold() 函数将灰度图像转换为二值图像。这一步可以将图像中的白色区域和黑色区域分开。
-
轮廓检测：使用 cv2.findContours() 函数检测出图像中的所有轮廓。这个函数可以返回一个轮廓列表，其中每个轮廓是一个由点组成的数组。
-
可视化：使用drawContours() 函数将轮廓可视化。这个函数可以将轮廓画在原始图像上，或者将轮廓绘制在其他图像上，以便进一步分析和处理。
（ 2 ）操作实现
轮廓检测：contours, hierarchy = cv2.findContours(img,mode,method)
img：要查找区域的二值图像
mode：几种常用图像模式
cv2.RETR_EXTERNAL：只检测最外层轮廓线。
cv2.RETR_LIST：检测所有轮廓线，但不建立轮廓之间的等级关系。
cv2.RETR_CCOMP：检测所有轮廓线，并建立两层轮廓间的等级关系（外层和内层）。
cv2.RETR_TREE：检测所有轮廓线，并重构轮廓之间的嵌套结构。
method：轮廓逼近方法
cv2.CHAIN_APPROX_NONE：存储所有轮廓点，意味着不存在轮廓线之间的点的冗余。
cv2.CHAIN_APPROX_SIMPLE：仅存储水平、竖直和对角线上的端点，使得轮廓线之间的点更加紧凑。
contours是一个列表，包含了所有找到的轮廓，每个轮廓是一个列表，包含了轮廓的坐标信息（即起点、终点、长度等）
hierarchy是一个字典，包含了每个轮廓的层级关系，即从父节点到子节点的层级关系
轮廓绘制：cv2.drawContours(copy, contours, -1, (0, 0, 255), 1)
参数含义：绘制图像，轮廓，轮廓索引，颜色模式（BGR），线条宽度
（ 3 ）代码实现
# 边缘检测
img = cv2.imread("D:\python\Program\pythonProject\photos\A5.png")
# 转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转二值图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 二值化操作，像素值大于127的点用225表示，小于阈值使用0表示
# 轮廓检测
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 轮廓绘制
copy = img.copy()
res = cv2.drawContours(copy, contours, -1, (0, 0, 255), 2)
cv2.imshow('Laplacian', res)
cv2.imwrite("D:\python\Program\pythonProject\photos\Figure_12.png", res)
cv2.waitKey(0)
cv2.destroyAllWindows()
（ 4 ）效果展示
写在后面
👍🏻 点赞，你的认可是我创作的动力！
⭐ 收藏，你的青睐是我努力的方向！
✏️ 评论，你的意见是我进步的财富！
