OK，这学期所有的考试总算都结束了，可以专心学习自己的研究方向啦，今天在对上一周零散学习的知识做个总结！
上一周通过视频和自己找的相关资料主要学习了阈值分割、图像梯度和边缘检测三个部分。
一：阈值分割
这一部分主要学了最简单的二值化分割、大津算法还有自适应阈值分割。
（1）二值化分割
这个就比较简单了，可以理解为预先认为设置一个阈值，然后遍历每一个像素，对于超过和低于阈值的像素分别采取不同的处理方式，使其成为背景或者前景，公式如：
或者
对于提前设定阈值这样最简单的二值分割，opencv里有现成的cv2.threshold函数，可以直接调用
cv2.threshold (src, thresh, maxval, type)
从函数的构成不难看出，函数需要四个输入参数。
src：输入图像，要求是灰度图
thresh：设定的阈值，范围0~255
maxval：填充色，范围0~255
type：阈值类型
这一部分可以参考链接：(16条消息) opencv: 阈值处理(cv2.threshold) 探究(图示+源码)_JNing-CSDN博客_opencv threshold源码
(2)大津算法
上一个方法很简单，但每次都要根据不同的图片设定不同的阈值来达到预期的效果，这本身是一个繁琐的事情，基于此，日本学者大津展之提出大津法，也叫最大类间方差法，大津法能够对每一幅图像自动算出阈值，从而进行阈值分割，具体原理可以参考：
(15条消息) OTSU算法（大津法—最大类间方差法）原理及实现_小武的博客-CSDN博客_大津法
记得之前本科学图像处理课程的时候，老师带我们学习过这个算法，当时我们是根据原理一步步写代码来实现的，在opencv里就很方便了，这里已经集成了这个算法，只要调用之前提到的 cv2.threshold函数便可以实现 。
（3)自适应阈值分割
前面提到的两种方法，都是全局阈值法，对于一些光照不均匀的图像，它们的效果往往不好，比如：
这时候就需要运用自适应阈值分割法，这个方法可以理解为，在每一个小区域内都计算出一个阈值，在进行阈值分割，对于图像的不同区域，计算出不同的阈值，因此叫做自适应阈值分割法。
这种方法就可以很好的解决照明的问题。
处理效果如图所示：
二：图像梯度
图像梯度可以用梯度来检测图像的边缘，从而确定轮廓，同时梯度也是 HOG和SIFT的基础
图像梯度是指图像某像素在x和y两个方向上的变化率（与相邻像素比较），是一个二维向量，由2个分量组成，X轴的变化、Y轴的变化 。当然，如果想追求精确，也可以增加斜方向。
具体的参数以及定义可以参考链接：
图像梯度(Image Gradient)概念和求解 (icode9.com)
opencv里给我们提供了cv2.Sobel，cv2.Scharr两种计算梯度的函数，求解梯度也为下一步边缘检测提供便利。
三：边缘检测
作为图像处理的基本功之一，边缘检测非常重要，一般来说边缘检测的代名词就是Canny边缘检测，Canny边缘检测过程可分为四步：
（1）对图像进行高斯平滑，减少噪声
（2）计算图像梯度gX,gY
（3）应用非最大值抑制保留指向梯度方向的梯度幅度像素的局部最大值
（4）定义和应用滞后阈值
在opencv中也是很方便的提供了集成函数：cv2.Canny，直接调用即可
总的来说进度还是有点慢了，这段时间趁着空闲下来的日子，要好好追回来啦~
