目录
前言：
图像的边缘是指图像中灰度值急剧变化的位置，边缘检测的目的是为了绘制边缘线条。边缘检测的目的是为了绘制出边缘线条。边缘通常是不连续的，不能表示整体。
图像的轮廓是指将边缘连接起来形成的整体。这次主要学习边缘检测、图像轮廓和霍夫变换。
1、边缘检测
边缘检测结果通常为黑白图像，图像中的白色线条表示边缘。常见的边缘检测算法有Laplacian边缘检测、Sobel边缘检测和Canny边缘检测。
1.1 Laplacian边缘检测
使用图像矩阵与拉普拉斯核进行卷积运算，其本质是计算图像中任意一点与其在水平方向和垂直方向上4个相邻点的平均值的差值。
dst=cv2.Laplacian(src,depth,ksize,scale,delta,borderType)depth表示目标图像深度。后四个为可选参数，ksize为用于计算二阶导数滤波器的系数，必须为正数且奇数；scale为可选比例因子；delta为添加到边缘检测结果中的可选增量值；最后为边界类型。
img=cv2.imread('dog2.png')
cv2.imshow('img',img)
img2=cv2.Laplacian(img,cv2.CV_8U)
cv2.imshow('img2',img2)
cv2.waitKey(0)
1.2 Sobel边缘检测
将高斯滤波和微分方程结合起来执行图像卷积运算，其结果有一定抗噪性。
dst=cv2.Sobel(src,depth,dx,dy,ksize,scale,delta,borderType)dx为导数x的阶数，dy为导数y的阶数。后四个为可选参数，ksize是扩展的Sobel内核的大小，必须是1，3，5或7；scale为计算导数的可选比例因子，其他与拉普拉斯一样。
img=cv2.imread('dog2.png')
cv2.imshow('img',img)
img2=cv2.Sobel(img,cv2.CV_8U,0,1) #表示只计算垂直方向的导数
cv2.imshow('img2',img2)
cv2.waitKey(0)
1.3 Canny边缘检测
Laplacian和Sobel边缘检测都通过卷积计算边缘，算法比较简单，因此结果噪声较多或者损失过多的边缘信息。Canny的算法则更加复杂：首先使用高斯滤波去除图像噪声；然后使用Sobel核进行滤波，计算梯度；在边缘使用非最大值抑制；对检测出的边缘进行双阈值以去除假阳性；最后分析边缘之间的连接性，保留真正的边缘，消除不明显的边缘。
dst=cv2.Canny(src,threshold1,threshold2,apertureSize,L2gradient)threshold1是第1阈值，threshold2是第2个阈值。后两个为可选参数，前者为计算梯度时使用的Sobel核大小，后者为标志。
img=cv2.imread('dog2.png')
cv2.imshow('img',img)
img2=cv2.Canny(img,150,200)
cv2.imshow('img2',img2)
cv2.waitKey(0)
2、图像轮廓
图像轮廓是指由位于边缘、连续的、具有相同颜色和强度的点构成的曲线，可用于形状分析、对象检测和识别等。
2.1 查找轮廓
contours,hierarchy=cv2.findContours(image,mode,method,offset)contours是返回的轮廓，hierarchy是返回的轮廓的层次结构；mode是轮廓检索模式，method是轮廓的近似方法。offset是可选参数，为每个轮廓点移动的可选偏移量。
img=cv2.imread('tuxing.png')
cv2.imshow('img',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图
ret,thresh=cv2.threshold(gray,125,255,cv2.THRESH_BINARY) #为了提高准确率，二值化阈值处理
b,c,h=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #查找轮廓,这里接受参数是三个因为两个报错了
print('轮廓：',c)
print('轮廓类型：',type(c))
print('轮廓个数：',len(c))
print('层次：',h)
print('层次类型：',type(h))
for i in range(3):
img3=np.zeros(img.shape,np.uint8)+255 #创建一幅与原图等大小的白色图像
cv2.polylines(img3,[c[i]],True,(255,0,0),2) #依次绘制轮廓
cv2.imshow('img%s'%i,img3)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.findContours（）返回的是一个list对象，保存了轮廓数组。轮廓数组的每个元素都是一个表示轮廓的array对象；返回的轮廓层次是一个numpy.ndarray对象。
轮廓层次：返回的轮廓层次是一个numpy.ndarray对象。根据轮廓的嵌套关系，可将轮廓之间的层次关系分为父级和子级，外部轮廓为父级，内部是子级。numpy.ndarray对象的每个元素关系格式：【下一个轮廓 前一个轮廓 第一个子级轮廓 父级轮廓】，如【-1 0 2 -1】中-1表示不存咋对应轮廓，前一个轮廓在轮廓数组中的序号为0，第一个子级轮廓序号为2.
2.2 绘制轮廓
绘制轮廓用cv2.drawContours()函数：
image=cv2.drawContours(image,contours,contoursIdx,color,thickness,linetype,hierarchy,maxLevel,offset)image是在其中绘制轮廓的图像，如先定义的一块白色图像；contours为返回的轮廓数组，contoursIdx是要绘制的轮廓的索引，大于或等于0时绘制对应序号的轮廓，负数时（通常为-1）表示绘制所有的轮廓）；color为颜色。后面的都是可选参数，hierarchy是轮廓层次，maxLevel是可绘制的最大轮廓层次深度，offset是绘制轮廓的偏移位置。例如：
img3=cv2.drawContours(img3,c,-1,(0,0,255),2) #c上面接受了返回的轮廓信息2.3 轮廓特征
①轮廓的矩
轮廓的矩包含了轮廓的各种几何特征，如面积、位置、角度、形状等。函数是cv2.moments():
ret=cv2.moments(array,binaryImage)ret是返回的轮廓矩，是一个字典对象。大多数矩的含义比较抽象，但其中的零阶矩（m00）表示轮廓的面积；array为轮廓数组；binaryImage为True时，会将array对象的所有非0值设置为1。
img=cv2.imread('tuxing.png')
cv2.imshow('img',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图
ret,thresh=cv2.threshold(gray,125,255,cv2.THRESH_BINARY) #为了提高准确率，二值化阈值处理
b,c,h=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #查找轮廓,这里接受参数是三个因为两个报错了
for i in range(3):
m=cv2.moments(c[i])
print('轮廓%s的矩'%i,m)
print('轮廓%s的面积：'%i,m['m00']) #零阶矩表示面积
cv2.waitKey(0)
cv2.destroyAllWindows()
②轮廓的面积
ret=cv2.contourArea(contour,oriented)ret为返回的面积，直接是一个数值；orient为可选参数，为True时，返回值的正与负表示轮廓时顺时针还是逆时针；为False（默认值）时，函数返回值为绝对值。
③轮廓的长度
ret=cv2.ardLength(contour,closed)ret是返回值，直接是一个长度值；closed时布尔值，为True时表示轮廓是封闭的。
④轮廓的近似多边形
ret=cv2.approxPolyDP(contours,epsilon,closed)ret是返回的多边形轮廓数组；是精度，表示多边形接近轮廓的最大距离；close是布尔值，True为封闭。
app=cv2.approxPolyDP(c[0],0.1,True) #c[0]表示上面得到的轮廓0
img=cv2.drawContours(img,[app],-1,(255,0,0),2) #绘制多边形轮廓
⑤轮廓的凸包、直边界矩形、旋转矩形、最小外包圆、拟合椭圆、拟合直线、最小外包三角形等，这里不具体介绍，需要时可具体查找。
3、霍夫变换
霍夫变换用于在图像中查找直线和圆等形状。
3.1 霍夫直线变换
cv2.HoughLines()函数利用霍夫变换算法检测图像中的直线：
lines=cv2.HoughLines(image,rho,theta,threshold)lines是返回的直线，rho是距离的精度（以像素为单位）通常是1；theta是角度的精度，通常使用Π/180°，表示搜索所有可能的角度；threhold未阈值，值越小检测出的直线越多。
一般是在边缘检测如Canny后再检测直线，注意返回的是直线的数组信息，还要通过line函数绘制：
img=cv2.imread('xiangqi.png')
cv2.imshow('img',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图
edges=cv2.Canny(gray,50,150,apertureSize=3) #边缘检测
lines=cv2.HoughLines(edges,1,np.pi/180,150) #霍夫直线变换
img3=img.copy()
for line in lines: #一种固定用法。lines是一系列数组，line是一个数组（一个直线的信息）。逐条绘制
rho,theta=line[0]
a=np.cos(theta)
b=np.sin(theta)
x0,y0=a*rho,b*rho
pt1=(int(x0 + 1000 * (-b)), int(y0 + 1000 * (a))) #计算直线端点
pt2=(int(x0 - 1000 * (-b)), int(y0 - 1000 * (a))) #计算直线端点
cv2.line(img3,pt1,pt2,(0,0,255),1) #绘制
cv2.imshow('HoughLines',img3)
cv2.waitKey(0)
cv2.destroyAllWindows() 
另一种cv2.HoughLinesP()函数利用概率霍夫变换算法来检测图像中的直线：
lines=cv2.HoughLinesP(image,rho,theta,threshold,minLineLength,maxLineGap)后两个是可选参数，前者是可接受的直线的最小长度，默认值0；后者是共线线段之间的最大间隔，默认为0。
img=cv2.imread('xiangqi.png')
cv2.imshow('img',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图
lines=cv2.HoughLinesP(edges,1,np.pi/180,1,100,10) #霍夫直线变换
img3=img.copy()
for line in lines: #一种固定用法。lines是一系列数组，line是一个数组（一个直线的信息）。逐条绘制
x1,y1,x2,y2=line[0]
cv2.line(img3,(x1,y1),(x2,y2),(0,0,255),2) #绘制
cv2.imshow('HoughLines',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()
3.2 霍夫圆变换
cv2.HoughCircles()函数利用霍夫变换查找图像中的圆：
circles=cv2.HoughCircles(image,method,dp,minDist,param1,param2,minRadius,maxRadius)method是查找方法，可设置为cv2.HOUGH_GRADIET和cv2.HOUGH_GRADIET_ALT；dp是累加器分辨率，与图像分辨率成反比，如dp=1时累加器与输入图像的分辨率相同，dp=2时累加器的宽度和高度是输入图像的一半；minDist是圆心间的最小距离。
后四个是可选参数，param1是对应Canny边缘检测的高阈值（低阈值时高阈值的一半），默认100；param2时圆心位置必须达到的投票数，值越大，检测出的圆越少，默认100。minRadius是最小圆半径，默认为0；最后是最大圆半径，默认为0：
img=cv2.imread('xiangqi.png')
cv2.imshow('img',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图
edges=cv2.Canny(gray,50,150,apertureSize=3) #边缘检测
circles=cv2.HoughCircles(edges,cv2.HOUGH_GRADIENT,1,50,param2=30,minRadius=10,maxRadius=40) #霍夫直线变换
circles=np.uint16(np.around(circles))
img3=img.copy()
for i in circles[0,:]: #一种固定用法。lines是一系列数组，line是一个数组（一个直线的信息）。逐条绘制
cv2.circle(img3,(i[0],i[1]),i[2],(0,255,0),2) #绘制圆
cv2.circle(img3, (i[0],i[1]),2,(255,0,0),3) # 绘制圆心
cv2.imshow('HoughCircles',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()
总结：
由于是初学者可能很多地方没有总结完全或者有误，后续深入学习后会不断回来该删，也欢迎各位朋友指正！下次学习直方图！
