#来自学渣的问候~
这个是我在用Python学OpenCV的时候，对一张图片进行边缘检测时，遇到的情况和解决的学习过程。
因为我在思考这个东西的时候，感觉这个学习的过程很有趣，所以在这里叙述一下，和大家分享。如有错误，请指正，感激不尽！
第一次学Python，环境用的是anaconda。
边缘检测目前学了两种方法，一个是直接调用OpenCV的Canny函数，另一个是利用Sobel Lapalce 算子，来实现图像的边缘检测。
使用的图像是这个（仅供学习使用，侵删）
导入图片信息
import cv2
import numpy as np
import random
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height,width,_ = imgInfo #下划线是一个占位符，因为imgInfo返回三个数，第三个刚好用不到，也不想耗费变量去接收，就用下划线给空掉灰度转换
这里用的也是现成的函数cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)，img 是图片信息，后面的是转换成的格式。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #得到灰度图像高斯滤波
这里用opencv 自带的函数，来进行滤波。
imgG = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波
cv2.imshow('imgG',imgG)滤波前后的图像如下（左边是滤波前的灰度图，右边是滤波后的）：
我一开始学这个高斯滤波的时候，感觉很奇怪，这和我学信号滤波有点不太一样。一般来说，信号中有噪音而需要滤波。滤波后的信号相比滤波前的信号会更清晰（以音频为例)。我把这个感觉带入到图片滤波，发现这个效果是反着来的，高斯滤波后的图像比原图看起来更糊了。
后来我查了一下，高斯滤波本来就是用来对图片进行模糊处理的，但是很奇怪的是，经过滤波后的图片在边缘检测上的线条更加清晰。
边缘检测
dst = cv2.Canny(imgG,100,90) #边缘检测
cv2.imshow('dst1',dst)
左边未滤波的边缘检测，右边滤波后的边缘检测。（代码里我只给了一种代码，这里图像是分开的，方便讲解）
从这个图里，能够明显的看出，经过了高斯滤波之后的图像，边缘特性更加明显。但是，造成这样的理由是什么呢？我查阅了一下，图像噪声这个概念。
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。各类图像处理系统在图像的采集、获取、传送和转换(如成像、复制扫描、传输以及显示等)过程中，均处在复杂的环境中，光照、电磁多变，所有的图像均不同程度地被可见或不可见的噪声干扰，导致图像质量的下降，掩盖图片重要细节
图片其实是由很多个像素点组成的，而每个像素点，其实表示的就是图像的二维数组中的地址，灰度值。而在图像的生成过程中，由于不可控因素(可以理解为是数字器件产生的随机误差或者噪音)，会造成临近灰度值所形成的函数的导数过大——也就是噪声，让其与真实颜色产生误差，掩盖图片细节，之后的各种后期图像处理便会不断放大这种误差。
而滤波则是对图片预处理时消除噪音的一种重要方式。
这个博客有讲到高斯滤波，高斯滤波
简单边缘检测的代码（OpenCV)
#边缘检测 图像的卷积运算
import cv2
import numpy as np
import random
img = cv2.imread('image0.jpg')
imgInfo = img.shape
height,width,_ = imgInfo
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #灰度图
cv2.imshow('gray',gray)
imgG = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波
cv2.imshow('imgG',imgG)
dst = cv2.Canny(imgG,100,90) #边缘检测
cv2.imshow('dst0',dst)
cv2.waitKey(0)
一个简单的图像边缘检测就OK了！
~~ 这是一条没有什么存在感的分割线~~
前期题要：我和我的好姐妹都在学习open CV，所以我俩一脸懵逼的讨论了一下怎么优化这个边缘检测后的图像。由于对去噪原理一知半解，除了滤波之外，想了一个对图像显示的边缘线条进行去毛刺的办法。
图片膨胀
图片膨胀和图像反转写在一份代码里面了，线条黑色更加容易体现图像效果。
dst = cv2.dilate(dst,(400,500),iterations=1) #图片膨胀
cv2.imshow('dst',dst)
dstc = np.zeros((height,width,1),np.uint8) #图像反转
for i in range(0,height):
for j in range(0,width):
gra = dst[i,j]
dstc[i,j] = 255-gra
cv2.imshow('src1',dstc)
这个是图片膨胀前后的对比，可以发现，白色的线条更清晰了。关于图片膨胀的原理 和函数使用，可以查看这篇博客：博客园
关于cv2.deliate这个的用法，参考：
cv2.dilate(src, kernel, iteration)
参数说明: src表示输入的图片， kernel表示方框的大小， iteration表示迭代的次数
膨胀操作原理：存在一个kernel，在图像上进行从左到右，从上到下的平移，如果方框中存在白色，那么这个方框内所有的颜色都是白色
图像反转后的效果是这样的
非常漂亮的线稿图，经过了高斯滤波和图像膨胀。
//////////
