以下是一个示例代码，用于保留高曲率区域的降采样数据：

import numpy as np
import cv2

def preserve_high_curvature(img, threshold, downsample_ratio):
    # 计算图像的梯度
    gradient = cv2.Laplacian(img, cv2.CV_64F)

    # 计算像素点的曲率
    curvature = cv2.GaussianBlur(gradient, (5, 5), 0)

    # 根据曲率阈值保留高曲率区域
    high_curvature = np.where(curvature > threshold, 255, 0).astype('uint8')

    # 对高曲率区域进行降采样
    downsampled_img = cv2.resize(high_curvature, None, fx=downsample_ratio, fy=downsample_ratio, interpolation=cv2.INTER_LINEAR)

    return downsampled_img

# 读取图像
img = cv2.imread('image.jpg', 0)

# 设置曲率阈值和降采样比例
threshold = 50
downsample_ratio = 0.5

# 保留高曲率区域的降采样数据
downsampled_img = preserve_high_curvature(img, threshold, downsample_ratio)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Downsampled Image', downsampled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，preserve_high_curvature函数接受一个灰度图像、曲率阈值和降采样比例作为参数。它首先计算图像的梯度，然后使用高斯滤波平滑梯度图像。接下来，根据曲率阈值将高曲率区域设为白色，其余区域设为黑色。最后，对高曲率区域进行降采样，得到最终的降采样数据。

你可以根据实际需求调整曲率阈值和降采样比例来获得最佳结果。