一，图像预处理
1，OpenCV
Open Source Computer Vision libarary 开源的计算机视觉库
2，Mat
用来存储图像的自定义对象，该对象保存了行数、列数、数据等能唯一标识该图像的信息，并能在需要的时候重新创建图像。
3，为什么要对图像进行模糊处理？
减少图像计算等操作时间。
4，模糊处理有哪些方法？
滤波,卷积
5，线性滤波的用途？
线性滤波的作用最常见的是降噪。噪声是图像中亮度或色彩信息的随机变化，我们用模糊操作来减少图像中的噪声。
6，什么是核？
数字向量。可以看作沿着像素滑动的窗口，并把计算结果输出给该像素。很多线性滤波算法都利用了称为核kernel的数字向量。
7，卷积的过程是怎样？
将核经过上下及左右两个方向的翻转，再做线性滤波计算。
8，均值模糊
均值模糊是最简单的模糊。它对给定核所覆盖的所有像素计算均值。这种操作所采用的核只是一个所有元素为1的Mat，这说明每一个领域像素都有相同的权值。
9，高斯模糊（GaussianBlur（））
高斯模糊是最常用的模糊方法。高斯核是通过高斯函数获得。
10，中值模糊（MedianBlur （））
将核覆盖的像素点按照升序或降序排列，将中值作为锚点像素的最终结果。椒盐噪声是一种在图像中较常见的噪声，该噪声是稀疏分布于整幅图像中的黑色或白色像素点。这一类噪声使用中值滤波去除。
11，什么是锐化？
锐化可以看作一种线性滤波，并且锚点像素有较高的权重，而周围的像素权重较低。
锐化的核要保证所有权值的核等于1,一般中心锚点的权值为较大的正数，其周围相邻像素的权值为负数，以使原始图像中亮度变化频繁的区域中，像素间的亮度差异进一步扩大。
12，膨胀
膨胀是一种将亮区域扩张的方法。膨胀可以用来融合可能被分割的目标。
13，腐蚀
腐蚀是一种将图像中暗区域扩张的方法。腐蚀可以用来去除图像中的噪声。
14，腐蚀和膨胀并不是逆运算。
15，阀值化
阀值化是一种将我们想要图像中分析的区域分割出来的方法。
二，检测图像的基本特征
1，计算机视觉和图像处理的语境中，所提取的信息即特征包括：边缘、直线、圆、椭圆、色块、或轮廓、用户定义形状以及角点等。
2，边缘是什么？
边缘是图像中像素变化明显的点。
3，高斯差分技术（Difference of Gaussian）
1),将给定图像转化为灰度图像。
2),用两个不同的模糊半径对灰度图像执行高斯模糊。
3),将前一步中产生的两幅图像相减（算术减法），得到一幅只包含缘点（即边缘）的结果图像。
4，Canny边缘检测器
最优边缘检测方法。
1),平滑图像：使用合适的模糊半径执行高斯模糊来减少图像内的噪声。
2),计算图像的梯度：计算图像梯度，病将梯度分类为垂直、水平和斜对角。这一步的输出背用于在下一步中计算真正的边缘。
3),非最大值抑制：利用前一步中计算得到的梯度方向，检查某一像素的梯度的正方向和负方向上是否是局部最大值，如果是，则抑制该像素（也就是说，像素不属于边缘）。这是一种边缘细化技术，用最急剧的变化选出边缘点。
4),用滞后阀值化选择边缘：检测某一条边缘是否明显到足以作为最终输出，最后去除所有不够明显的边缘。
5，图像中的点归为以下三类：被抑制点、弱边缘点和强边缘点。
所有灰度梯度值小于低阀值的点被归类为被抑制点，灰度梯度值在低阀值和高阀值之间的点被归类为弱边缘点，灰度梯度值大于高阀值的点被归类为强边缘点。
根据算法，我们忽略所有的被抑制点，它们不会出现在图像的任何边缘上。强边缘点一定属于边缘。对于弱边缘点，我们通过检测其周围的8个点来查看弱边缘点是否与图像中的任何强边缘点相连接。如果在8个点当中包含任意的强边缘点，就把改弱边缘点也算作边缘的一部分。这就是Canny边缘检测。
6，Sobel算子
1),将图像转化为灰度图像。
2),计算水平方向灰度梯度的绝对值。
3),计算垂直方向灰度梯度的绝对值。
4),计算最终的梯度。
7，Harris角点检测
角点是两条边缘的交点或者在局部领域中有多个显著边缘方向的点。
