asplh的专栏

之前我们学习了边缘检测算法（如Sobel、Canny等），接下来的课程将会探讨轮廓检测。轮廓检测是图像处理中的一个重要任务，它的目标是识别出图像中的物体轮廓，即物体的外部边界。与边缘检测不同，轮廓检测通常需要对图像进行更复杂的处理，以便有效地提取出物体的整体形状。轮廓检测是图像处理中的一项任务，其主要目标是在图像中找到物体的外部轮廓，也就是物体的边界。这些轮廓通常被表示为一系列连接的点、线段或曲线，能够描述物体的整体形状。

Canny边缘检测是计算机视觉领域中常用的一种边缘检测算法，它由约翰·凯恩（John Canny）于1986年提出，是一种多阶段的算法，具有较好的性能和准确性。Canny边缘检测算法的主要优点包括良好的边缘定位精度、抑制噪声的能力以及对边缘连接的稳健性。然而，它也存在一些缺点，如计算复杂度较高、对参数的敏感性等。因此，在实际应用中，需要根据具体情况进行参数调整和优化。

在本节中，我们将探讨图像处理中的平滑处理技术。与之前介绍的膨胀、腐蚀以及其他几种算子一样，平滑处理同样是通过卷积核的运算实现的。如果在之前的课程中已经理解了卷积核的概念，以及他的原理，那么本课就会变得简单许多。我们已经学习了如何使用卷积核对图像进行膨胀、腐蚀等操作，这些操作都是通过将卷积核与图像进行某种运算来实现的。接下来，我们将探讨如何利用不同的卷积核和运算方式来实现平滑处理，从而改善图像质量并减少噪声的影响。常见的滤波有 ，均值滤波、方框滤波 高斯滤波等。

当周围和高于中心时，减弱中心像素；最终的 p5 表示了中心像素点的新值，它等于周围相邻像素点的值之和减去中心像素点的值的四倍。算式中的 4×p5 表示了中心像素点的值被乘以4，这是因为在Laplacian算子的卷积核中，中心像素点的系数是-4，因此需要将其乘以4进行加权。首先，将3x3的卷积核以上面-4的位置为中心点依次对图像中的每个像素点进行卷积操作，这个和前面一样，将卷积结果作为图像的每个像素点的新像素值。对于卷积结果，若像素值较大，则表示该像素点周围的灰度值变化较大，可能是图像中的边缘或轮廓。

上节课我们学习了梯度的知识，学习了如何去计算梯度，本节我们继续学习计算梯度的方法，本节我们学习使用Sobel算子计算梯度，这与上节课梯度计算方法有所不同，一般如果需要准确地计算图像的梯度信息，特别是对边缘信息感兴趣，通常会选择Sobel、Scharr或Laplacian算子。而如果更关注形态学特征或者想要一种简单快速的边缘检测方法，可以考虑使用cv2.morphologyEx。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。

我们回顾之前讲的内容 什么是开运算，开运算是先腐蚀在膨胀 开运算结果就是我们去掉了图像中的毛刺、杂点等。所以 顶帽操作通过突出图像中的亮部分和细微结构，以及抑制背景，可以帮助我们更好地理解图像内容，从而更有效地进行后续的图像分析和处理。例如我有一个图片上有一个空洞，我通过底帽把空掉填补上了，那我我拿填补上的图像减去原始图像是不是就得到了 我填补的空洞部分。底帽操作的目标是突出图像中的暗部结构或物体，同时抑制背景。换句话说，底帽操作可以帮助我们发现图像中较暗的细节或物体，而不受周围背景的干扰。

上节我们学习了腐蚀操作，本节我们讲一下膨胀操作，膨胀和腐蚀实际上是相反的操作。上节我们把云峰这2个字周围没用的像素去掉了，但是云峰这2个字也变细了，如果我们想在变粗一点 我们就可以用膨胀操作，所以腐蚀和膨胀可以配合使用来达到我们要的效果。有了上节的讲解，本节就不讲太细了，原理和腐蚀都差不多，如果不明白的，可以返回上节在看一下。提示：以下是本篇文章正文内容，下面案例可供参考膨胀操作的主要目的是增加或加强图像中的前景区域。

在我们生活中常会见到腐蚀，比如金属表面受到氧化或其他化学物质的侵蚀，导致金属表面出现腐蚀、或者生锈。木材受到细菌或者昆虫的侵蚀，导致木材内部和表面逐渐腐朽或者磨损。在计算机世视觉中腐蚀操作和现实中类似，腐蚀主要用于减小或消除图像中的边缘或细小的物体。在这个操作中，我们使用一个称为结构元素的小矩形或圆形区域来“侵蚀”图像中的像素。具体来说，当结构元素与图像中的像素进行比较时，只有当结构元素覆盖的所有像素都是前景像素（白色像素）时，该像素才被视为前景像素，否则被视为背景像素（黑色像素）。

现在开始后面几课将介绍计算机视觉中的形态学理论和技术，包括基本的形态学操作、形态学滤波、形态学轮廓分析等内容。包括如何应用形态学方法来处理图像以及解决实际问题。本节课将简要介绍形态学，但如果您对此部分不感兴趣或理解困难，可以跳过。在后续课程中，我们将通过实际案例来详细讲解形态学，以帮助您更好地理解和应用。形态学是一种基于数学形态学理论的图像处理方法，在图像处理中，形态学主要通过结构元素和一系列基本的形态学操作来描述和处理图像中的特征。

在Python中使用OpenCV进行边界填充（也称为zero padding）是一种常见的图像处理操作，通常用于在图像周围添加额外的像素以便进行卷积或其他操作。下面是使用OpenCV进行边界填充的基本原理和方法。

在计算机视觉中，ROI代表感兴趣区域（Region of Interest），它是指图像或视频中被指定为需要特别关注或处理的区域。ROI可以帮助减少计算量，并且在处理大型图像或视频时可以提高处理效率。上面代码演示了 使用Haar 特征分类器或基于深度学习的人脸检测器 去检测人脸部分，Haar的使用后面会单独讲到 这里只需要明白ROI区域的概念就行。

在计算机视觉中，图像几何变换是指对图像进行平移、旋转、缩放、仿射变换和镜像变换等操作，以改变图像的位置、尺寸、形状或视角，而不改变图像的内容。这些变换在图像处理、模式识别、机器人视觉、医学影像处理等领域具有广泛的应用。通过图像几何变换，可以实现图像的校正、配准、增强和重建等功能，为后续的图像分析和理解提供了重要的基础。

当我们谈论计算机视觉时，我们常常会涉及到处理图像和处理视频两个不同的领域。在上一节课中，我们学习了如何处理静态图像，即一张张静止的图像。而在本节课中，我们将探讨如何处理视频。

图像是计算机视觉领域的基本数据载体，理解图像的读取、显示与保存是进行图像处理、分析和识别的第一步。本节课我们不光是为了学习处理图像的那些方法如何使用，更重要的是从本节课学习能让你对计算机世界中的图像有一个更清晰的认识。在本课程中，我们将学习如何使用Matplotlib和OpenCV库来实现图像的读取、显示和保存操作。我们将从最基本的图像处理开始，介绍图像读取的方法，讨论图像的通道顺序，然后深入探讨图像的显示与可视化，以及图像的保存格式和质量参数。

可能有人说第一个程序不就是print一个hello world吗。本来我也想写一个hello world ，但是这篇文章如果只是一个hello world有点应付的感觉，还是多写点吧，凑点字数。顺便也能让大家提起点兴趣看看我们后面能做出什么效果。也可以验证 一下我们上节课搭建的环境是否正常，是否可以运行我们的程序。到这里 第一个程序就完成了，下节课开始讲解处理图像的一些方法。

ChatGPT是一个基于GPT（GPT-3.5、GPT-4.0、GPT-5.0）架构的大型语言模型，用于聊天和自然语言处理。它由OpenAI开发，并在许多应用程序中得到广泛使用。本文将为新手介绍ChatGPT的开发过程，包括chatgpt服务端和客户端的实现。可以自己使用，也可以提供服务给别人使用。关于API参数前面2篇已经介绍了 这里就不介绍了。chatgpt API接口中文说明介绍（一）chatgpt API接口中文说明介绍（二）

上一篇介绍了chatgpt的 接口和使用方法。其中用到了2个参数 model和messages，实际上官方提供的参数不止这2个，本文介绍一下其他的参数。这两篇介绍了一下chatgpt的参数以及基本的使用方法，后面会介绍更多的chatgpt在实际中的应用，已经其他一些开源模型的搭建以及微调等。