直方图(Histogram)又称质量分布图,是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况,一般用横轴表示数据类型,纵轴表示分布情况,本文主要介绍关于Python matplotlib.pyplot.hist()绘制直方图

python多维数组为一维数组（reshape、flatten、ravel），使用NumPy库.

OpenCV-Python图像轮廓

OpenCV-Python图像金字塔：拉普拉斯金字塔

OpenCV-Python图像金字塔向下取样和向上取样使用高斯金字塔，主要使用如下两个函数：cv2.pyRdown和cv2.pyrUp.

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