一、图像梯度：理解边缘的基础

1.1 Sobel 算子：定向边缘检测

• 水平梯度：通过卷积核计算，用于检测垂直边缘。

• 垂直梯度：通过卷积核(即的转置) 计算，用于检测水平边缘。

• 函数原型：cv2.Sobel(src, ddepth, dx, dy, ksize)
• src: 输入图像。
• ddepth: 输出图像的深度，通常设为 1 表示与输入图像相同。
• dx, dy: 分别表示在 x 和 y 方向上的求导阶数。例如，dx=1, dy=0 表示计算水平梯度（检测垂直边缘）。
• ksize: Sobel 核的大小，如 3, 5, 7。

1.2 Laplacian 算子：二阶导数边缘检测

• 函数原型： cv2.Laplacian(src, ddepth)
• 参数相对简单，只需提供输入图像和输出深度。

1.3 自定义卷积核：cv2.filter2D

二、Canny 边缘检测：更优的边缘提取方案

1. 高斯滤波：使用高斯核平滑图像，去除噪声。

2. 计算梯度：使用 Sobel 算子计算图像的梯度幅值和方向。

3. 非极大值抑制：沿着梯度方向，检查像素邻域，只保留梯度值最大的像素，从而将模糊的边缘“瘦身”成单像素的细线。

4. 双阈值筛选：
• 设置一个高阈值（threshold2）和一个低阈值（threshold1）。
• 梯度值高于高阈值的像素被确定为“强边缘”。
• 梯度值低于低阈值的像素被舍弃。
• 梯度值介于两者之间的像素，只有当它与强边缘像素相连时才被保留，否则舍弃。

三、轮廓发现与绘制

3.1 查找与绘制轮廓

1. cv2.findContours(image, mode, method)：查找轮廓。
• image: 输入的二值图像。
• mode: 轮廓检索模式。cv2.RETR_EXTERNAL 只查找最外层轮廓，非常常用。
• method: 轮廓近似方法。cv2.CHAIN_APPROX_SIMPLE 会压缩轮廓，例如只存储矩形的四个顶点，节省内存。
• 它返回轮廓点列表 (contours) 和层级信息 (hierarchy)。

2. cv2.drawContours(image, contours, contourIdx, color, thickness)：绘制轮廓。
• image: 要在其上绘制轮廓的原图。
• contours: findContours 返回的轮廓列表。
• contourIdx: 要绘制的轮廓索引，1 表示绘制所有轮廓。
• color: 轮廓颜色 (BGR格式)。
• thickness: 线条粗细。

四、轮廓特征分析

4.1 凸包（Convex Hull）

• cv2.convexHull(points): 计算轮廓的凸包点。

• cv2.polylines(image, pts, isClosed, color, thickness): 绘制多边形，可以用来绘制凸包。
• image：要绘制线条的目标图像，它应该是一个OpenCV格式的二维图像数组（如numpy数组）。
• pts：一个二维 numpy 数组，每个元素是一维数组，代表一个多边形的一系列顶点坐标。
• isClosed：布尔值,表示是否闭合多边形,如果为 True，会在最后一个顶点和第一个顶点间自动添加一条线段，形成封闭的多边形。
• color：线条颜色，可以是一个三元组或四元组，分别对应BGR或BGRA通道的颜色值，或者是灰度图像的一个整数值。
• thickness（可选）：线条宽度，默认值为1。

4.2 外接矩形

4.2.1 标准外接矩形

• cv2.boundingRect(contour): 计算并返回矩形的左上角坐标 (x, y) 和宽高 (w, h)。

• cv.rectangle(img, pt1, pt2, color, thickness):绘制矩形
• img：要绘制矩形的目标图像，通常是一个 OpenCV 格式的二维或三维 numpy 数组。
• pt1：矩形的左上角顶点坐标，格式为 (x, y)。
• pt2：矩形的右下角顶点坐标，格式为 (x, y)。
• color：矩形边框的颜色，BGR 格式的三元组（如 (0, 255, 0) 表示绿色）。
• thickness（可选）：矩形边框的线宽，默认为 1。若为负值，则填充矩形。

4.2.2 最小外接矩形

• cv2.minAreaRect(contour): 计算最小外接矩形，返回中心点坐标、宽高和旋转角度。

• cv2.boxPoints(rect): 根据 minAreaRect 的返回值计算出矩形的四个顶点坐标。

4.2.3 最小外接圆

• cv2.minEnclosingCircle(points):计算最小外接圆，返回圆心坐标、半径

• cv2.circle(img, center, radius, color, thickness):绘制圆
• img：输入图像，通常是一个numpy数组，代表要绘制圆形的图像。
• center：一个二元组 (x, y)，表示圆心的坐标位置。
• radius：整型或浮点型数值，表示圆的半径长度。
• color：颜色标识，可以是BGR格式的三元组 (B, G, R)，例如 (255, 0, 0) 表示红色。
• thickness：整数，表示圆边框的宽度。如果设置为 -1，则会填充整个圆。

五、绘制直方图

• hist=cv2.calcHist(images, channels, mask, histSize, ranges):是一个长度为255的数组，数组中的每个值表示图像中对应灰度等级的像素计数。
• images：输入图像列表，可以是一幅或多幅图像（通常是灰度图像或者彩色图像的各个通道）,例如：[image]
• channels：一个包含整数的列表，指示在每个图像上计算直方图的通道编号。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。
• mask（可选）：一个与输入图像尺寸相同的二值掩模图像，其中非零元素标记了参与直方图计算的区域,None为全部计算。
• histSize：一个整数列表，也就是直方图的区间个数(BIN 的数目)。用中括号括起来，例如：[256]。
• ranges：每维数据的取值范围，它是一个二维列表，每一维对应一个通道的最小值和最大值，例如对灰度图像可能是 [0, 256]。

• minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist):获取直方图的最小值、最大值及其对应最小值的位置索引、最大值的位置索引

• cv.normalize(src, dst, alpha, beta, norm_type, dtype):归一化到[alpha, beta]
• src：输入数组（如直方图数据），通常为一个 numpy 数组。
• dst：输出数组。如果为 None，则函数会自动创建一个与输入同类型和大小的数组。
• alpha：归一化后数组的下界（最小值）。
• beta：归一化后数组的上界（最大值）。
• norm_type：归一化类型，常用如 cv.NORM_MINMAX，表示将数据线性缩放到 [alpha, beta] 区间。
• dtype（可选）：输出数组的数据类型，默认与输入相同。

• cv2.line(img, pt1, pt2, color, thickness):绘制直方图
• img：原始图像，即要在上面画线的numpy数组（一般为uint8类型）。
• pt1 和 pt2：分别为线段的起点和终点坐标，它们都是元组类型，例如 (x1, y1) 和 (x2, y2) 分别代表线段两端的横纵坐标。
• color：线段的颜色，通常是一个包含三个元素的元组 (B, G, R) 表示BGR色彩空间的像素值，也可以是灰度图像的一个整数值。
• thickness：线段的宽度，默认值是1，如果设置为负数，则线宽会被填充。

六、总结与扩展阅读

• OpenCV 官方教程：。
• Image Gradients
• Canny Edge Detection
• Contours in OpenCV
• Contour Features (包含凸包、外接矩形等)
• Histograms in OpenCV