一些背景可跳过
最近在做图像识别？检测？方面的东西，需要对图片进行一些处理得到我想要的简化图片，大多数神经网络好像第一步都是先对图像灰度化二值化，然后canny，然后就开始预测了，但是输出的结果图并不够理想，经过我对某网络的代码一句一句阅读发现……它们往往在输入原始图片进行预测的时候，甚至在训练的时候就已经先把图片进行压缩，压缩成长和宽的像素个数都相等的正方形图片，所以它们预测出来的结果也是正方形的图，所看到的和原图等大的结果只是resize了一下，所以看上去没有什么不一样，但是放大到能看清每个像素块的程度时就可以发现有许多杂乱的模糊的色块散乱分布在不该出现的地方。
所以需要对这种不理想图片进行一个重绘。
Canny边缘检测
一开始想到的是canny，但是canny的结果实在是，直接上图体会一下，老华文彩云了，就是放大之后可以明显看到里外两层边界。
canny的完整直接可以用的代码：
#导入类库
import cv2
import numpy as np
#读入图片
img = cv2.imread(r"C:\Users\Bai\Desktop\laptop\1387.png", 0)
#显示图片
cv2.imshow('orgin',img)
#进行边缘检测，设定高低阈值分别为300，200。后把canny边缘图片保存到硬盘，名字为canny.png
cv2.imwrite(r"C:\Users\Bai\Desktop\laptop\canny.png", cv2.Canny(img, 190, 200))
#显示边缘图片
cv2.imshow("canny", cv2.imread(r"C:\Users\Bai\Desktop\laptop\canny.png"))
#按任意键退出
cv2.waitKey()
cv2.destroyAllWindows()
轮廓检测
后来想着我不是要看轮廓吗，那我轮廓检测怎么样，这是效果，效果不错，就是轮廓线有嗲粗，把drawContours的最后一个参数3改小就可以细一点，但是轮廓检测线就没有那么流畅而且看起来也多了几根，看代码，应该粗的和细的绘图依据都一样，说明这次轮廓检测效果一般，但问题不大。
轮廓检测的完整代码：
import cv2
import numpy as np
#这里我新建了一个白色画布，因为想把轮廓拎出来画到空白画布上
image = 255 * np.ones((1080, 1920, 3), dtype=np.uint8)
#读取图片
img = cv2.imread(r'C:\Users\Bai\Desktop\laptop\1387.png')
#灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化
ret, binary = cv2.threshold(gray,50,255,cv2.THRESH_BINARY)
#找轮廓
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#把轮廓线画在我新建的白布上，(255,0,128)是轮廓的RGB颜色
#如果想画在原图上，把image换成img就行，下面也同理
cv2.drawContours(image,contours,-1,(255,0,128),3)#这里的3改小轮廓线就变细，但只能是正整数
#保存轮廓线图
cv2.imwrite(r"C:\Users\Bai\Desktop\laptop\21.png", image)
#显示轮廓线图
cv2.imshow("img", image)
#任意键退出
cv2.waitKey(0)
cv2.destroyAllWindows()
下一步计划
现在获得了较为清晰的轮廓图，下一步或许是获取每个轮廓的几何中心，在原图中提取每个几何中心的RGB颜色，然后对每个轮廓进行填色和分离，颜色也一样可以填充在空白画布上，这样就可以获得我想要的单色图。
（不会吧不会吧这个应该不算是什么值得被抄的想法吧）
然后其实边缘检测和轮廓检测的方法都挺多的，就连新建画布都有很多方法，这里仅学习记录，够用好用简单就好，所以对其他方法不做介绍。
每天学一点点，就能少菜一点点，加油( ?? ω ?? )y