图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。图像梯度计算需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值（近似导数值）。本节主要介绍Sobel算子、Scharr算子、Laplacian算子和Canny算子的使用.

OpenCV-Python图像形态学操作之开运算、闭运算、梯度运算、顶帽运算和黑帽运算，主要介绍函数cv2.morphologyEx的使用.morphologyEx(src,op,kernel,dst = None,anchor = None,iterations = None,borderType = None,borderValue = None)

图像的腐蚀与膨胀互为逆向操作，通常用于处理二值图像（黑白图，以黑色为底面背景），因此需要先进行二值化处理，腐蚀和膨胀通俗的理解就是，在指定大小的卷积核内，如果该卷积核内全为黑色或全为白色，则该卷积核内像素值不变，但若是既有黑色又有白色，即在图像边缘处，那么膨胀操作则会将该卷积核内所有白色像素点都赋值变为黑色，以此将图像向内腐蚀掉一圈，而膨胀操作则相反，会将卷积核内的黑色像素点赋值成2白色，以此让图像膨胀一圈。

图像在获取和传输过程种会受到随机信号的干扰从而产生噪声，例如电阻引起的热噪声、光子噪声、暗电流噪声以及光响应非均匀性噪声等，由于噪声会影响对图像的理解以及后续的处理工作，因此去除噪声的影响在图像中具有十分重要的意义。图像中常见的噪声有：椒盐噪声、高斯噪声、泊松噪声和乘性噪声。

图像添加(高斯/椒盐/泊松/斑点)噪声

从一副图像中利用阈值分割出我们需要的物体部分（当然这里的物体可以是一部分或者整体）。这样的图像分割方法是基于图像中物体与背景之间的灰度差异，而且此分割属于像素级的分割。

OpenCV-Python图像的翻转使用flip()函数翻转一个二维的矩阵，包含垂直翻转，水平翻转，以及垂直水平翻转。

调整图像大小意味着改变它的尺寸，无论是宽度、高度还是两者都改变​​。此外，原始图像的纵横比可以保留在调整大小的图像中。为了调整图像大小，OpenCV 提供了 resize() 函数。

OpenCV-Python图像类型转换是用cv2.cvtcolor()函数，用于将图像从一个颜色空间转换为另一个颜色空间。它的参数包括输入图像、目标颜色空间和转换方式。例如，将RGB图像转换为灰度图像可以使用cv2.COLOR_RGB2GRAY作为转换方式。

OpenCV-Python图像融合

OpenCV-Python图像加法有两种方式，一种是直接使用+号进行相加，一种是cv2.add函数进行加法运算，但是两种加法的计算方式有差别，+运算是取模运算，cv2.add用的则是饱和运算，所进行相加后图片的样式会有一定的差别。

OpenCV-Python图像通道的拆分和合并，主要介绍两个函数：一、拆分通道使用函数cv2.split；二、合并通道使用函数cv2.merge，但是一定要注意合并通道的顺序问题，OpenCV是GBR，不是RGB，如果顺序不是GBR，合并出来的图像就会出现颜色问题，与原图的颜色就不一致了.

有时我们只对一张图像中的部分区域感兴趣，而原图像又比较大，如果带着非感兴趣区域一起处理会占用大量的内存，因次我们希望从原图像中截取部分图像后再进行处理。我们将这个区域称为感兴趣区域（Region Of Interest， ROI），Python中的ROI可以通过NumPy中的索引实现。

图像都是由像素点构成的，图像分类： 1、二值图像（任意一个像素只能是0或1）； 2、灰度图像（任意一个像素值都在0~255）； 3、RGB图像（任意一个像素是（R,G,B）构成的）,但是OpenCV是默认颜色通道是BGR.

OpenCV-Python获取图象属性。shape:如果是彩色图像，则返回包含行数，列数，通道数的数组；如果是二值图像或灰度图像，则仅返回行数和列数。通过其返回值是否包含通道值，可以判断图像是灰度图像还是彩色图像。size:返回图像的像素数目。其值为“行✖列✖通道数”，灰度图像或者二值图像的通道数为1。dtype:返回图像的数据类型。ndim：查看图像的维数，彩色图像的维数为 3，灰度图像的维数为 2。