颜色色域：
- 灰度色域，除去彩色信息将其转换成灰阶，灰度色域对中间处理有效，如人脸检测
- BGR ：每个像素点都是有一个三元数组来表示
-HSV，H（Hue）色调，S（saturation）饱和度，V（Value）亮度
傅里叶变换：
傅里叶变换可以区分图像哪里变换强，哪里变换不强，标记噪声区域，感兴趣区域，前景和背景等。
在Python的Numpy中有快速傅里叶变换（FFT）包，其中包含了fft2（）函数。
图像的幅度谱是另一种图像，幅度谱呈现了原始图像在变化方面的一种表示：把一幅图像中明亮的像素放到图像中间，然后逐渐变暗，在边缘上的罪案，可以发现亮暗像素的分布及百分比。
高通滤波器：
例子：
import cv2
import numpy as np
from scipy import ndimage
kernel_3x3 = np.array([[-1, -1, -1],
[-1, 8, -1],
[-1, -1, -1]])
kernel_5x5 = np.array([[-1, -1, -1, -1, -1],
[-1, 1, 2, 1, -1],
[-1, 2, 4, 2, -1],
[-1, 1, 2, 1, -1],
[-1, -1, -1, -1, -1]])
img = cv2.imread("time.jpg", 0)
k3 = ndimage.convolve(img, kernel_3x3)
k5 = ndimage.convolve(img, kernel_5x5)
blurred = cv2.GaussianBlur(img, (17,17), 0)
g_hpf = img - blurred
cv2.imshow("3x3", k3)
cv2.imshow("5x5", k5)
cv2.imshow("g_hpf", g_hpf)
cv2.waitKey()
cv2.destroyAllWindows()
导入模块后，定义一个3x3和5x5的核，然后读入以灰度的形式读入图像，因为NumPy的卷积只能是一维的用SCiPy的convolve()函数来解决。
边缘检测：
Opencv提供了许多边缘滤波函数，包括Laplacian()，Sobel()以及Scharr()。这些函数都会将非边缘区域转为黑色，将边缘区域转换为白色或其他颜色。但缺点是容易将噪声错误地识别为边缘。所以之前一般加一些滤波器。创建filters.py
import cv2
import numpy as np
import scipy.interpolate
def strokeEdges(src ,dst ,blurKsize=7,edgeKsize=5):
if blurKsize>=3:
blurredSrc=cv2.medianBlur(src,blurKsize)
graySrc=cv2.cvtColor(blurredSrc,cv2.COLOR_BGR2GRAY)
else:
graySrc=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
cv2.Laplacian(graySrc,cv2.CV_8U,graySrc,ksize=edgeKsize)
normalizedInverseAlpha=(1.0/255)*(255-graySrc)
channels=cv2.split(src)
for channel in channels:
channel[:]=channel*normalizedInverseAlpha
cv2.merge(channels,dst)
Canny边缘检测：
Canny边缘检测算法复杂，有五个步骤，即使用高斯滤波器对图像进行去噪，计算梯度，在边缘上使用非最大抑制（NMS），在检测到的边缘上使用双阈值去除假阳性（false positive），最后还会分析所有边缘及其之间的连接，，以保留真正的边缘并消除不明显的边缘。
import cv2
import numpy as np
img=cv2.imread("time.jpg",0)
cv2.imwrite("canny.jpg",cv2.Canny(img,200,300))
cv2.imshow("canny",cv2.imread("canny.jpg"))
cv2.waitKey()
cv2.destroyAllWindows()
轮廓检测：
import cv2
import numpy as np
img = np.zeros((200, 200), dtype=np.uint8)
img[50:150, 50:150] = 255
ret, thresh = cv2.threshold(img, 127, 255, 0)
image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
img = cv2.drawContours(color, contours, -1, (0,255,0), 2)
cv2.imshow("contours", color)
cv2.waitKey()
cv2.destroyAllWindows()
代码先创造了一个200x200大小的黑色空白图像，接着在图像的中央放置一个白色方块，用到了np数组在切片上赋值的功能。
接下来对对图像进行二值化操作，然后调用findContours()函数。该函数有三个参数：输入图像，层次类型和轮廓逼近方法。这个函数会修改输入图像，因此建议使用原始图像的一份拷贝（通过img.copy()来作为输入图像）。由函数返回的层次树相当重要：cv2.RETR_TREE参数会得到图形中的轮廓的整体层次结构，以此来建立轮廓之间的“关系”。如果只想用到最外面的轮廓,可以用到cv2.RETR_EXTERNAL。这对消除包含在其他轮廓中的轮廓有用。
findContours()函数有三个返回值：修改后的图像，图像轮廓以及层次
![timg]( "timg")
