Fix the extra link

extronwang · extronwang · commit 24ec9ec1d9d9 · 2020-07-14T09:14:49.000+08:00
diff --git a/02-Basic-Element-Image/README.md b/02-Basic-Element-Image/README.md
@@ -87,7 +87,7 @@ Nice，是不是很简单呐，再接再厉噢(●'◡'●)
 
 1. 打开lena.jpg并显示，如果按下's'，就保存图片为'lena_save.bmp'，否则就结束程序。
 
-2. Matplotlib是Python中常用的一个绘图库，请学习[番外篇：无损保存和Matplotlib使用](/opencv-python-extra-high-quality-save-and-using-matplotlib/)。
+2. Matplotlib是Python中常用的一个绘图库，请学习[番外篇：无损保存和Matplotlib使用](/Extra-02-High-Quality-Save-and-Matplotlib/)。
 
 ## 接口文档
 
diff --git a/03-Open-Camera/README.md b/03-Open-Camera/README.md
@@ -105,7 +105,7 @@ while(capture.isOpened()):
 
 ## 练习
 
-1. 请先阅读[番外篇：滑动条](/opencv-python-extra-trackbar/)，然后实现一个可以拖动滑块播放视频的功能。（提示：需要用到 `cv2.CAP_PROP_FRAME_COUNT`和`cv2.CAP_PROP_POS_FRAMES`两个属性）。
+1. 请先阅读[番外篇：滑动条](/Extra-03-Trackbar/)，然后实现一个可以拖动滑块播放视频的功能。（提示：需要用到 `cv2.CAP_PROP_FRAME_COUNT`和`cv2.CAP_PROP_POS_FRAMES`两个属性）。
 
 ## 接口文档
 
diff --git a/06-Image-Thresholding/README.md b/06-Image-Thresholding/README.md
@@ -121,7 +121,7 @@ plt.show()
 
 ## 练习
 
-1. Otsu阈值是一种高效的二值化算法，请阅读[番外篇：Otsu阈值法](/opencv-python-extra-otsu-thresholding/)
+1. Otsu阈值是一种高效的二值化算法，请阅读[番外篇：Otsu阈值法](/Extra-04-Otsu-Thresholding/)
 
 ## 接口文档
 
diff --git a/07-Image-Geometric-Transformation/README.md b/07-Image-Geometric-Transformation/README.md
@@ -13,7 +13,7 @@
 
 ## 教程
 
-> 图像的几何变换从原理上看主要包括两种：基于2×3矩阵的仿射变换（平移、缩放、旋转和翻转等）、基于3×3矩阵的透视变换，感兴趣的小伙伴可参考[番外篇：仿射变换与透视变换](/opencv-python-extra-warpaffine-warpperspective/)。
+> 图像的几何变换从原理上看主要包括两种：基于2×3矩阵的仿射变换（平移、缩放、旋转和翻转等）、基于3×3矩阵的透视变换，感兴趣的小伙伴可参考[番外篇：仿射变换与透视变换](/Extra-05-Warpaffine-Warpperspective/)。
 
 ### 缩放图片
 
diff --git a/10-Smoothing-Images/README.md b/10-Smoothing-Images/README.md
@@ -15,7 +15,7 @@
 
 ### 滤波与模糊
 
-> 推荐大家先阅读：[番外篇：卷积基础(图片边框)](/opencv-python-extra-padding-and-convolution/)，有助于理解卷积和滤波的概念。
+> 推荐大家先阅读：[番外篇：卷积基础(图片边框)](/Extra-08-Padding-and-Convolution/)，有助于理解卷积和滤波的概念。
 
 关于滤波和模糊，很多人分不清，我来给大家理理（虽说如此，我后面也会混着用,,ԾㅂԾ,,）：
 
@@ -45,7 +45,7 @@ img = cv2.imread('lena.jpg')
 blur = cv2.blur(img, (3, 3))  # 均值模糊
 ```
 
-> 所有的滤波函数都有一个可选参数borderType，这个参数就是[番外篇：卷积基础(图片边框)](/opencv-python-extra-padding-and-convolution/)中所说的边框填充方式。
+> 所有的滤波函数都有一个可选参数borderType，这个参数就是[番外篇：卷积基础(图片边框)](/Extra-08-Padding-and-Convolution/)中所说的边框填充方式。
 
 ### 方框滤波
 
diff --git a/11-Edge-Detection/README.md b/11-Edge-Detection/README.md
@@ -32,7 +32,7 @@ cv2.waitKey(0)
 
 `cv2.Canny()`进行边缘检测，参数2、3表示最低、高阈值，下面来解释下具体原理。
 
-> 经验之谈：之前我们用低通滤波的方式模糊了图片，那反过来，想得到物体的边缘，就需要用到高通滤波。推荐先阅读：[番外篇：图像梯度](/opencv-python-extra-image-gradients/)。
+> 经验之谈：之前我们用低通滤波的方式模糊了图片，那反过来，想得到物体的边缘，就需要用到高通滤波。推荐先阅读：[番外篇：图像梯度](/Extra-09-Image-Gradients/)。
 
 ### Canny边缘检测
 
@@ -92,7 +92,7 @@ cv2.imshow('canny', np.hstack((img, thresh, edges)))
 cv2.waitKey(0)
 ```
 
-代码中我用了[番外篇：Otsu阈值法](/opencv-python-extra-otsu-thresholding/)中的自动阈值分割，如果你不太了解，大可以使用传统的方法，不过如果是下面这种图片，推荐用Otsu阈值法。另外Python中某个值不用的话，就写个下划线'_'。
+代码中我用了[番外篇：Otsu阈值法](/Extra-04-Otsu-Thresholding/)中的自动阈值分割，如果你不太了解，大可以使用传统的方法，不过如果是下面这种图片，推荐用Otsu阈值法。另外Python中某个值不用的话，就写个下划线'_'。
 
 ![](http://blog.codec.wang/cv2_canny_edge_detection_threshold.jpg)
 
diff --git a/13-Contours/README.md b/13-Contours/README.md
@@ -47,7 +47,7 @@ print(len(contours))  # 结果应该为2
 - 参数3：轮廓的近似方法。��如对于一条直线，我们可以存储该直线的所有像素点，也可以只存储起点和终点。使用cv2.CHAIN_APPROX_SIMPLE就表示用尽可能少的像素点表示轮廓。更多请参考：[ContourApproximationModes](https://docs.opencv.org/4.0.0/d3/dc0/group__imgproc__shape.html#ga4303f45752694956374734a03c54d5ff)
 - 简便起见，这两个参数也可以直接用真值3和2表示。
 
-函数有3个返回值，image还是原来的二值化图片，hierarchy是轮廓间的层级关系（[番外篇：轮廓层级](/opencv-python-extra-contours-hierarchy/)），这两个暂时不用理会。我们主要看contours，它就是找到的轮廓了，以数组形式存储，记录了每条轮廓的所有像素点的坐标(x,y)。
+函数有3个返回值，image还是原来的二值化图片，hierarchy是轮廓间的层级关系（[番外篇：轮廓层级](/Extra-10-Contours-Hierarchy/)），这两个暂时不用理会。我们主要看contours，它就是找到的轮廓了，以数组形式存储，记录了每条轮廓的所有像素点的坐标(x,y)。
 
 ![](http://blog.codec.wang/cv2_find_contours_contours.jpg)
 
diff --git a/15-Histograms/README.md b/15-Histograms/README.md
@@ -57,7 +57,7 @@ hist = cv2.calcHist([img], [0], None, [256], [0, 256])  # 性能：0.025288 s
 hist, bins = np.histogram(img.ravel(), 256, [0, 256])  # 性能：0.020628 s
 ```
 
-> 经验之谈：Numpy中还有一种更高效的方式：（还记得怎么评估性能吗：[番外篇：代码性能优化](/opencv-python-extra-code-optimization/)）
+> 经验之谈：Numpy中还有一种更高效的方式：（还记得怎么评估性能吗：[番外篇：代码性能优化](/Extra-01-Code-Optimization/)）
 
 ```python
 hist = np.bincount(img.ravel(), minlength=256)  # 性能：0.003163 s
diff --git a/Extra-09-Image-Gradients/README.md b/Extra-09-Image-Gradients/README.md
@@ -46,7 +46,7 @@ $$
 
 ![垂直和���平边缘提取](http://blog.codec.wang/cv2_horizen_vertical_edge_detection.jpg)
 
-> 还记得滤波函数`cv2.filter2D()`吗？（[番外篇：卷积基础](/opencv-python-extra-padding-and-convolution/)）我们来手动实现上面的功能：
+> 还记得滤波函数`cv2.filter2D()`吗？（[番外篇：卷积基础](/Extra-08-Padding-and-Convolution/)）我们来手动实现上面的功能：
 
 ```python
 img = cv2.imread('sudoku.jpg', 0)
