vision_demo

高斯模糊去噪:G(x,y) = (1/(2πσ²)) * e^(-(x²+y²)/(2σ²))
选择高斯核大小:通常使用奇数尺寸的核(如3*3, 5*5等)

计算高斯权重：根据σ值计算核中每个位置的权重

归一化权重:使所有权重之和为1

卷积运算：将高斯核与图像进行卷积

对于轻度噪声：σ=0.5-1.5,核大小3*3或5*5

对于较强噪声：σ=1.5-3.0,核大小5*5或7*7

Canny边缘检测:一种经典的图像边缘提取算法
使用Sobel算子计算图像的梯度:

水平梯度Gx = Sobel_x * 图像

垂直梯度Gy = Sobel_y * 图像

梯度幅度:G = √(Gx² + Gy²)

梯度方向：θ = arctan(Gy/Gx),量化到0°、45°、90°、135°四个方向

双阈值检测

设定高阈值(Thigh)和低阈值(Tlow),通常Tlow ≈ 0.4*Thigh

梯度值 > Thigh:强边缘像素

Tlow < 梯度值 ≤ Thigh:弱边缘像素

梯度值 ≤ Tlow:抑制

cv::findContours函数:OpenCV 中用于从二值图像中提取轮廓的函数，通常与边缘检测(如 Canny)或阈值处理的结果配合使用
输入参数:Canny函数的输出,mode 轮廓检索模式,method:轮廓近似方法
mode:轮廓检索模式
cv::RETR_EXTERNAL:只检测最外层轮廓
cv::RETR_LIST:检测所有轮廓，不建立层级关系
cv::RETR_CCOMP:检测所有轮廓，组织为两级层次结构
cv::RETR_TREE:检测所有轮廓，建立完整的层级树
method:轮廓近似方法
cv::CHAIN_APPROX_NONE:存储所有轮廓点
cv::CHAIN_APPROX_SIMPLE:压缩水平、垂直和对角线段，只保留端点
cv::CHAIN_APPROX_TC89_L1 或 cv::CHAIN_APPROX_TC89_KCOS:使用 Teh-Chin 链逼近算法
输出参数:contours:检测到的轮廓，每个轮廓存储为点向量