opencv6.2-imgproc图像处理模块之图像尺寸上的操作及阈值
接opencv6.1-imgproc图像处理模块之平滑和形态学操作，顺带说一句在opencv中的in-place操作就是比如函数的输入图像和输出图像两个指针是相同的，那么就是in-place操作了。比如很多函数支持目标图像和原图像是同一个内存区域。
三、图像的失真缩放
采用 pyrUp 和 pyrDown 对图像进行向上和向下采样来达到图像放大和缩小的目的。在这其中的操作是失真操作，所以放大的时候会模糊很多。在这里顺带补上opencv中真正的缩放函数resize()。
这两个函数又叫做上采样和下采样，其实在http://blog.csdn.net/shouhuxianjian/article/details/40888715 中这个CNN的训练过程中就有这两个概念，这就像是金字塔一样：
如上图所示，顶层为原始大小的图像，那么往下就叫做下采样，会使得图像越来越小；反之如果底层为原始大小图像，那么往上就叫做上采样，会使得图像越来越大。一般来说，有两种类型的图像金字塔常常出现在文献和应用中:
a、高斯金字塔(Gaussian pyramid): 用来向下采样
b、拉普拉斯金字塔(Laplacian pyramid): 用来从金字塔低层图像重建上层未采样图像。
在这篇文档中我们将使用 高斯金字塔 ：
G_（i）和G_(i+1)表示从上往下相邻的两幅图。我们得到了G_(i)的图，如何采用高斯金字塔得到下层更小的图呢？
1、将 G_(i)与高斯内核卷积:；
2、将偶数行和列删除。
函数原型为：void pyrDown(InputArray src, OutputArray dst, const Size& dstsize=Size(), int borderType=BORDER_DEFAULT);
前两个参数就不介绍了；第三个参数表示的是输出图像的大小，默认的就是Size((src.cols+1)/2, (src.rows+1)/2)。不过在任何情况下，都受约束：
|dstsize.width * 2 - src.cols| ≤ 2
|dstsize.height * 2 - src.rows| ≤ 2
那么这样就得到原始图像的1/4大小；如何进行上采样恢复呢？
1、将图像在每个方向扩大为原来的两倍，新增的行和列以0填充；
2、使用先前同样的内核(乘以4)与放大后的图像卷积，获得 “新增像素” 的近似值。
函数原型为：void pyrUp(InputArray src, OutputArray dst, const Size& dstsize=Size(), int borderType=BORDER_DEFAULT );
第三个参数默认情况下是：Size(src.cols*2, (src.rows*2),不过在任何情况下，都受约束：
|dstsize.width - src.cols * 2| ≤ (dstsize.width mod 2)
|dstsize.height - src.rows * 2| ≤ (dstsize.height mod 2)
这个函数执行的是高斯金字塔重构的上采样，尽管实际上它能够用来重构拉普拉斯金字塔。
四、阈值操作
OpenCV中提供了阈值（threshold）函数： threshold（）.阈值的原理就是设定一个值，将大于这个值的像素做一个操作；小于这个值的像素做另一个操作。比如可以设定二值阈值化，大于100的像素点直接设置成255，小于100的像素点直接设置成0，达到巨大反差的效果。
在opencv中有5种阈值的操作：二进制阈值、反二进制阈值、截断阈值、阈值化为0、反阈值化为0.
1、二进制阈值
解释：在运用该阈值类型的时候，先要选定一个特定的阈值量，比如：125，这样，新的阈值产生规则可以解释为大于125的像素点的灰度值设定为最大值(如8位灰度值最大为255)，灰度值小于125的像素点的灰度值设定为0。
2、反二进制阈值
解释：该阈值化与二进制阈值化相似，先选定一个特定的灰度值作为阈值，不过最后的设定值相反。（在8位灰度图中，例如大于阈值的设定为0，而小于该阈值的设定为255）。
3、截断阈值
解释：同样首先需要选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变。（例如：阈值选取为125，那小于125的阈值不改变，大于125的灰度值（230）的像素点就设定为该阈值）。
4、阈值化为0
解释：：先选定一个阈值，然后对图像做如下处理：1 像素点的灰度值大于该阈值的不进行任何改变；2 像素点的灰度值小于该阈值的，其灰度值全部变为0。这个很像Hinton他们提出的ReLU啊。操作过程是完全的一模一样啊。
5、反阈值化为0
解释：原理类似于0阈值，但是在对图像做处理的时候相反，即：像素点的灰度值小于该阈值的不进行任何改变，而大于该阈值的部分，其灰度值全部变为0
这5个阈值操作也是在一个函数上运行得到的，函数的原型为：
double threshold(InputArray src, OutputArray
dst, double thresh, double maxval, int type);
参数列表：原图像、目的图像、阈值、最大值、阈值类型。
原图像：单通道的，而且是8位或者32位的浮点数
目标图像：与原图像一样
阈值：自己定
最大值：需要与THRESH_BINARY和THRESH_BINARY_INV这两种阈值类型情况下才会起作用
阈值类型：THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV，这5个内部定义的enum类型，它们的值分别为（0，1，2，3，4）；
note：正如上面的函数原型第一个参数说的，这个函数只支持灰度图，所以使用之前需要使用cvtColor（）函数进行转换。
五、边界扩充
这个部分在本科做图像处理的时候不知道有这个函数，自己硬生生的造了次轮子。原理就是当我们采用自己编写的过滤器或者卷积等操作的时候，图像内部的位置自然不用我们操心，可是当针对边界部分的像素，你说丢弃吧，又有些可惜，不丢弃吧，又没法操作。在opencv中是通过先将原始图像复制到另一个更大的图矩阵中，然后采用不同的方法来扩充边界（为什么需要复制呢，因为原始图像所占内存已经固定，不好自动扩展，当然了ROI也是取图像内部，所以可以直接在原始图像矩阵的内存上操作）。
函数原型为：void copyMakeBorder(InputArray src, OutputArray dst, int top, int bottom, int left, int right, int borderType,const Scalar& value=Scalar() );
参数列表：原始图像、目标图像、顶部扩充大小、底部扩充大小、左边扩充大小、右边扩充大小、边界类型、边界值；
原始图像：没有任何约束；
目标图像：与原始图像有着同样的类型，但是尺寸变成了：Size(src.cols+left+right, src.rows+top+bottom)。
接下来四个参数：指定往外扩充的大小，top=1, bottom=1, left=1, right=1，那么就是表示往外扩充1个像素。
边界类型：从<imgproc.hpp>中62行开始的
enum{ BORDER_REPLICATE=IPL_BORDER_REPLICATE, BORDER_CONSTANT=IPL_BORDER_CONSTANT,
BORDER_REFLECT=IPL_BORDER_REFLECT, BORDER_WRAP=IPL_BORDER_WRAP,
BORDER_REFLECT_101=IPL_BORDER_REFLECT_101, BORDER_REFLECT101=BORDER_REFLECT_101,
BORDER_TRANSPARENT=IPL_BORDER_TRANSPARENT,
BORDER_DEFAULT=BORDER_REFLECT_101, BORDER_ISOLATED=16 };
表明这也是个enum类型，其中有着不同边界类型的内置情况。值分别为（1，0，2，3，4，4，5，4，16）；不过在
《opencv2.4.9refman》中对这个函数就介绍了两种情况：常数边界（ BORDER_CONSTANT）和复制边界（BORDER_REPLICATE）；
边界值：当第四个参数边界类型为常数边界的时候，这个值才有效。
note：该函数是将原图像复制到目标图像的中间，然后进行边界的扩充，但是对于FilterEngine或者过滤函数来说，却不是基于这个函数来的，不过对于其他更加复杂的函数，包括自己写的函数，却可以这样简单的处理图像边界；
这个函数也支持当原图像已经被复制到了目标图像中间，这样的话这个函数就不复制原图像自身了，而是只简单的扩充边界（这种情况多见于采取ROI，也就是你已经在原始图像上选定了一个ROI，只是需要用其他颜色把这个ROI框起来罢了。）
不过有时候我们不想这样做，所以需要关闭那个自动优化的功能，然后总是做额外的填充，那么如果原图像不是一个ROI的话，可以将边界设置成BORDER_ISOLARED.
