1.1 对阴影的处理
基于阈值的分割，是在以某个阈值T，对图像进行分割。分割时由于拍摄时图像阴影处导致分割不理想，结果虽然达到理想预期。但是二值化后的结果以阴影部分外围与图像融合，导致再用findContours函数在寻找外围边框时，边框发现是二值化阴影部分与图像融合后的二值图。为此为了得到相对准确的图像边缘需要专门对阴影做处理，处理完后以分水岭算法对图像进行分割。
此次分割还是以上次分割中不完美的榛子图像为主，虽然还不完美。。。。。。。。主要还是针对阴影做处理，处理后分割出榛子完整的轮廓。
目标检测- findContours drawContours 的学习
针对此次分割我们要对以阴影部分做处理，首先对阴影的部分可以用addWeighted来对图像像素做加权处理，dst=src1*alpha+stc2*bete+gamma,通过gamma静态权重，来调节亮度，以alpha中以做想法的权重来调节对比度(alpha>1,增强对比度)。
alpha=1.7
gamma=40
dst=cv2.addWeighted(img,alpha,img_copy,1-alpha,gamma)
目标检测-cv2.addWeighted
增强后的图像符合以人的视角，但在机器视觉中整体靠右部分榛子阴影整体增强，首先通过阈值的分割方法对图像进行分割，得到图像还是整体与阴影部分得到了结合。
1.2 分水岭分割
几个注意点说明一下：
距离变换确定前景，膨胀确定背景
distanceTransform中数据类型要转换
connectedComponents背景标注为0，watershed背景标注是从1开始
1.3 分割绘制边缘
增强后做相应的阈值处理
为了方便做对比，在阈值的选取cv2.THRESH_BINARY_INV（左） cv2.THRESH_BINARY+cv2.THRESH_OTSU(右)
右半部分阴影处还是对检测效果有严重的影响，处理结果不理想，但在其他测试时对边缘的分割明显，对注水点的干扰过于严重，整体右半部分。其分水岭分割前景和背景的选择很关键，重点还是阴影的干扰过于强烈。
在无阴影的干扰下对，阈值分割跟分水岭分割对比
_,thresh_img= cv2.threshold(img_median, 110, 255, cv2.THRESH_OTSU)
watershed( InputArray image, InputOutputArray markers )
相同的二值化操作，阈值分割跟分水岭分割的对比，前期分水岭分割前期准备较多，距离变换，前景和背景确认，未知区域标记，注水点的获取。
