當前，在計算機視覺中有三種常用的色彩空間：灰度、bgr以及hsv
1.灰度色彩空間是通過去除彩色資訊來將其轉換為灰階，灰度色彩空間對中間處理特別有效，比如人臉檢測
2.bgr,即藍綠紅色彩空間，每乙個畫素點都由乙個三元組來表示
3.hsv,h(hue)是色調，s(saturation)是飽和度，v(value)表示黑暗的程度(或光譜另一端的明亮程度)
numpy裡有快速傅利葉變換（fft）的包，它包含了fft2()函式，該函式可以計算一副影象的離散傅利葉變換(dft)。
下面通過傅利葉變換來介紹影象的幅度譜。影象的幅度譜是另一種影象，幅度譜影象呈現了原始影象在變化方面的一種表示：把一幅影象中最明亮的畫素放到影象**，然後逐漸變暗，在邊緣上的畫素最暗。這樣可以發現影象中有多少亮的畫素和暗的畫素，以及他們分布的百分比。
高通濾波器是檢測影象的某個區域，然後根據畫素與周圍畫素的亮度差來提公升該畫素的亮度的濾波器
以如下的核kernel為例：
[[0,-0.25,0],
[-0.25,1,-0.25],
[0,-0.25,0]]
核是指一組權重的集合，他會應用在源影象的乙個區域，並由此生成目標影象的乙個畫素。
在計算完**畫素與周圍鄰近畫素的亮度的差值之和以後，如果亮度變化很大，**畫素的亮度會增加，反之則不會。
高通和低通濾波器都有乙個稱為半徑的屬性，它決定了多大面積的鄰近畫素參與濾波運算。
這些濾波器中的所有值加起來為0
k3=ndimage.convolve(img,kernel_3x3)#卷積
k5=ndimage.convolve(img,kernel_5x5)#卷積
blurred=cv2.gaussianblur(img,(11,11),0
)g_hpf=img-blurred
#兩種高通濾波的效果
cv2.imshow(
"3x3
",k3)
cv2.imshow(
"5x5
",k5)
#通過對影象應用低通濾波器之後，與原始影象計算差值
cv2.imshow(
"g_hpf
",g_hpf)
cv2.waitkey()
cv2.destroyallwindows()
低通濾波器（lpf）則是在畫素與周圍畫素的亮度的亮度差值小於乙個特定值時，平滑該畫素的亮度。它主要用於去噪和模糊化。比如說，高斯模糊是最常用的模糊濾波器（平滑濾波器）之一，它是乙個消弱高頻訊號強度的低通濾波器。
邊緣在認類視覺和計算機視覺中均起著重要的作用
opencv提供了許多邊緣檢測濾波函式，包括laplacian()、sobel()以及scharr()。這些濾波函式都會將非邊緣區域轉換為黑色，將邊緣區域轉為白色或其他飽和的顏色。但是這些函式都很容易將雜訊錯誤地識別為邊緣。緩解這個問題的方法是在找到邊緣之前對影象進行模糊處理。opencv也提供了許多模糊濾波函式，包括blur()（簡單的算術平均)、medianblur()以及gaussianblur()。邊緣檢測濾波函式和模糊濾波函式的引數有很多，但總會有乙個ksize引數，它是乙個奇數，表示濾波核的寬和高（以畫素為單位）。
在得到laplacian()函式的結果之後，需要將其轉換成黑色邊緣和白色背景的影象。然後將其歸一化（使其畫素值在0-1之間），並乘以源影象以便能將邊緣變黑
opencv預定義的許多濾波器（濾波函式）都會使用核。其實核是一組權重，它決定如何通過鄰近畫素點來計算新的畫素點。核也稱為卷積矩陣，它對乙個區域的畫素做調和（mix up）或卷積運算。通常基於核的濾波器（濾波函式）被稱為卷積濾波器（濾波函式）。
opencv提供了乙個非常通用的filter2d()函式，它運用由使用者指定的任意核或卷積矩陣。
cv.filter2d(src,-1,kernel,dst)
第二個引數指定了目標影象每個通道的位深度，如果為負值，則表示目標影象和源影象有同樣的位深度。
對於彩色影象來說，filter2d()會對每個通道都用同樣的核。如果要對每個通道使用不同的核，就必須用split()函式和merge()函式
canny邊緣檢測演算法非常複雜，但也很有趣：它有5個步驟，即使用高斯濾波器對影象及逆行去噪、計算梯度、在邊緣上使用非最大抑制（nms）、在檢測到的邊緣上使用雙閾值去除假陽性，最後還會分析所有的邊緣及其之間的連線，以保留真正的邊緣並消除不明顯的邊緣。
這段**首先建立了乙個200x200大小的黑色空白影象，接著在影象的**放置乙個白色方塊，這裡用到了np陣列在切片上賦值的功能。
接下來對影象進行二值化操作，然後呼叫了findcontours()函式。該函式有三個引數：輸入影象，層次型別和輪廓逼近方法。它有幾個方面特別有趣：
1.這個函式會修改輸入影象，因此建議使用原始影象的乙份拷貝
2.由函式返回的層次樹相當重要：cv2.retr_tree引數會得到影象中輪廓的整體層次結構，以此來建立輪廓之間的「關係」。如果只想得到最外面的輪廓，可使用cv2.retr_external。這對消除包含在其他輪廓中的輪廓很有用
findcontours()函式有三個返回值：修改後的影象、影象的輪廓以及他們的層次。使用輪廓來畫出影象的彩色版本，並顯示出來。
opencv3計算機視覺 Python（四）
在opencv中，實現了grabcut分割演算法，該演算法可以方便的分割出前景影象，操作簡單，而且分割的效果很好。演算法的原理參見papaer grabcut interactive foreground extraction using iterated graph cuts 比如下面的一副圖，我...
OpenCV 3計算機視覺（Canny邊緣檢測）
函式原型 edge cv2.canny image,threshold1,threshold2 edges aperturesize l2gradient 第乙個引數是待處理的原影象該函式會將影象處理成黑白，第二個引數是閾值1，第三個引數是閾值三 例如影象調整中的閾值就像一把尺子，它讓高於這把尺子的...
opencv3計算機視覺學習筆記 詞袋 svm
以sift 128維特徵作為例子。例如現在有1000張訓練，對每一張訓練都提取sift的128維特徵，那麼最終可以得到n i 128的特徵，n i 代表第i張圖特徵點的個數，因為每張影象不一樣，所以每張影象的sift 特徵個數也不一樣。提取特徵後對1000張影象提取出的所有sift特徵進行聚類 目的...