OpenCV基础入门
主要了解包括
1.简介
图像是人类视觉的基础，是自然景物的客观反映。
图像分类
1.1 安装教程
如果是C++的话，可以参考这篇教程，
+vs 环境配置的博客-CSDN博客.dll
或者直接登录 - 官网，然后选择一个版本，点击下载即可。
的话，则非常简单
pip安装
pip - == 3.4.2.17
测试
import cv2
lena = cv2.imread("1.jpg")
cv2.imshow("image",lena)
cv2.waitKey(0)
扩展
pip --==3.4.2.17
1.2 目录解析
当我们下载.x的版本时，我们经常会发现，有着和两个文件夹。
中还能看到.0最核心的头文件，可以把他们整体理解为一个大的组件。
而我们主要关注的是这个文件夹。
这里介绍几个常用的模块。
通过一个目录文件，就可以粗略的对图像领域的知识有一个大致的了解。
我个人的认为是，core模块是基础，而，gpu，ocl，video等则是辅助功能，最上层则是具体的应用了，可见3D立体匹配，图像校准，特征选择，机器学习，目标检测，去噪以及拼接等都是图像的应用领域。
那么目录的解析就到这里了，接下来是对于的安装的教程。
则是一个与人交互的终端，显示界面，严格上来说也算是上层应用，而作为的学习，我想首先是core，然后是各类应用。辅助应用则是在应用过程中进行学习。
1.3 优势
-
安装之前，还可以安装numpy，。
3.4.3 以上一些经典算法因为申请了版权而不能使用，新版本有一定的限制
2 高层GUI图形用户界面
主要用于图像的载入、显示和输出到文件的详细分析。
2.1 读取图像
cv.imread(img, flag)
'''
参数-要读取的图像-读取的标志+ cv.IMREAD*COLOR:以彩色模式加载图片，任何图像的透明度都将被忽略。这是默认参数。+ cv.IMREAD*GRAYSCALE:以灰度模式加载图像+ cv.IMREAD_UNCHANGED:包括alpha通道的加载图像模式可以使用1,0或者-1来替代上面三个标志
'''
C++
imread(const string& filename, int flags=1)/*
参数：+ 文件名+ 标志位，以不同的颜色读取图片
*/
2.2 显示图像
cv.imshow(name, img)
'''
参数-显示图像的窗口名称，以字符串类型表示-要加载的图像注意：在调用显示图像API后，要调用cv.waitKey()给图像绘制留下时间，否则窗口会出现无响应情况，导致图像无法显示出来。
'''#opencv中显示
cv.imshow("image", img)
cv.waitKey(0)# matplotlib中展示
'''因为cv中采用BGR进行存储，这里需要转换成RGB的'''
plt.imshow(img[:,:,::-1])
plt.show()
C++
imshow(const string& winname, InputArray mat)'/*
参数：+ 显示窗口的名称+ 显示的图像
*/// 创建namedWindow()函数
// 如果只是简单使用窗口，imread和imshow就足够了，但是如果需要添加比如滑动条的创建等操作时，则需要使用namedWindow来先创建窗口。
void nameWindow(const string & winname, int flags=WINDOW_AUTOSIZE)//创建滑动条
createTrackbar()//滑动条的使用
int getTrackbarPos(const string& trackbarname, const string& winname) //opencv中的鼠标操作
void setMouseVallback(conststring& winname, MouseCallback onMouse)
2.3 保存图像
cv.imwrite(name, img)'''
参数：- 文件名，要保存在哪里- 要保存的图像
'''
C++
bool imwrite(cosnt string& filename, InputArray img, const vector<int>& params=vector<int>());
3 core核心模块
基本的数据结构，Mat是踏入2.0时代的主打，使用Mat类数据结构作为主打之后，变得越发像需要很少编程涵养的那样，上手很方便。
3.1 像素值的存储方法 3.2 常见的数据结构 3.3 绘图函数
基本图形的绘制
cv.line(img,start,end,color,thickness)'''
参数-img：要绘制直线的图像-Start，end：直线的起点和终点-color：线条的颜色-Thickness：线条宽度
'''
cv.rectangle(img, leftupper, rightdown, color, thickness)'''
参数-img：要绘制矩形的图像-Leftupper，rightdown：矩形的左上角和右下角坐标-color：线条的颜色-Thickness：线条的宽度
'''
cv.circle(img, centerpoint, r, color, thickness)'''
参数-img：要绘制圆形的图像-Centerpoint，r：圆心和半径-color：线条的颜色-Thickness：线条的宽度，为-1时，会填充颜色
'''
如果需要在图像中添加文字
cv.(img, text, , font, , color, , cv.)
‘’’
参数
-img：图像
-text：要写入的文本数据
-：文本的防治位置
-font：字体
-：字体大小
‘’’
3.4 数组操作相关函数
访问图像元素
ROI感兴趣区域：使用rect矩形，range：从起始索引到中止索引。线性混合操作：前后页面切换的叠化效果计算数组加权和：()函数通道分离：split()函数通道合并：merge()函数图像对比度、亮度值调整离散傅里叶变换：简单来说就是将图像分解成正弦和余弦两个部分。以及一些二维矢量的幅值，自然对数以及矩阵归一化等数学运算。XML和YAML文件的操作
这里以做一些解释
图像的属性包括行数，列数和通道数，图像数据类型，像素数等。
img.shape
img.dtype
img.size #像素个数
图像通道的拆分与合并
有时需要在B,G,R通道图像上单独工作。在这种情况下，需要将BGR图像分割为单个通道。或者在其他情况下，可能需要将这些单独的通道合并到BGR图像。你可以通过以下方式完成。
#拆分通道
b,g,r = cv.split(img)#通道合并
img = cv.merge((b,g,r))
色彩空间的改变
中有150多种颜色空间转换方法。最广泛使用的转换方法有两种，BGR《》Gray和BGR《》HSV
cv.cvtColor(input_image, flag)'''
参数-input_image:进行颜色空间转换的图像-flag：转换类型+ cv.COLOR_BGR2GRAY:+ cv.COLOR_BGR2HSV:
'''
图像的加法
可以使用的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像，如res = img1 + img2。两个图像应该具有相同的大小和类型，或者第二个图像可以是标量值。
注意：加法和Numpy加法之间存在差异。的加法是饱和操作，而Numpy添加是模运算。
图像的混合
这其实也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉
cv.addWeighted(img1, 0.7, img2, 0.3, 0)
我认为大致的体系如上图所示，数据都是底层，上层则是对数据的操作，从来都是如此。
4 图像处理 4.1 传统图像处理
传统的图像处理知识主要包括
4.1.1 三种线性滤波 4.1.2 非线性滤波 4.1.3 形态学
源于生物学的一个分支，该分支主要研究动植物的形态和结构。而我们图像处理种的形态学，往往指的是数学形态学。
4.1.4 漫水填充
我的理解就是选择一种颜色，然后用其他颜色进行填充，就好像我们画图，画一个圈，然后把中间的白色填充为其他颜色一样。
4.1.5 图像金字塔
这里首先就要引出两个概念
而图像金字塔就是图片从一个最高分辨率逐级向下递减，直到满足某个中止条件，这些多分辨率图像的集合称为图像金字塔。
4.1.5 阈值化
简而言之，就是将超出某个阈值的像素，进行重新的定义的操作。
设置阈值
选项像素值>其他情况
cv2.
cv2.
cv2.
当前灰度值
cv2.
当前灰度值
cv2.
当前灰度值
cv2.threshold(src, thresh, maxval, type[, dst])'''
参数：-src：灰度图片-thresh：起始阈值-maxval：最大值-type：如上表的关系
'''
这步妥妥的奥运五环。
4.2 图像变换 4.2.1 边缘检测
一般步骤：
canny算子
1986年开发的，是边缘检测计算理论的创立者。
sobel算子
sobel算子是一个主要用于边缘检测的离散微分算子。
算子
该算子是n为欧几里得空间中的一个二阶微分算子，定义为梯度grad的散度div。
滤波器
顾名思义，他就是一个滤波器，不过是为了配合sobel算子的运算而存在。
4.2.2 霍夫变换
用于识别几何形状图形的基本方法之一。
4.2.3 映射变换
重映射
对像素坐标进行重映射。
仿射变换
可以这样理解，主要是对图像的缩放，旋转和平移等操作的组合。
透射变换
投射变换是视角变化的结果，是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换。
4.2.4 直方图均衡化
就是计算直方图的频数，然后对其进行平均分布。
5 之组件
图像特征可以分为三种
5.1 角点检测
我对角点的感觉，有点类似边缘点，该点周围的区域，沿着一个方向，出现明显的亮度变化。
dst = cv.cornerHarris(src, blockSize, Ksize, k)
'''
参数-img：数据类型为float32的输入图像-blockSize：角点检测中要考虑的领域大小-ksize：sobel求导使用的核大小-k：角点检测方程中的自由参数，取值参数为【0.04,0.06】
'''corners = cv2.goodFeaturesToTrack(image, maxcorners, qualityLevel, minDistance)
'''
参数-image：输入灰度图像-maxCorners：获取角点数的数目-qualityLevel：该参数指出最低可接受的角点质量水平，在0-1之间-minDistance：角点之间最小的欧式距离，避免得到相邻特征点
返回-corners：搜索到的角点，在这里所有低于质量水平的角点被排除掉了。
'''
5.2 特征检测与匹配
以上是10中特征检测算法
SIFT
sitf = cv.xfeatures2d.SIFT_create()
kp,des = sift.detectAndCompute(gray, None)
'''
参数-gray：进行关键点检测的图像，注意是灰度图像
返回：-kp：关键点信息，包括位置，尺度，方向信息-des：关键点描述符，每个关键点对应128个梯度信息的特征向量
'''
cv.drawKeypoints(image, keypoints, outputimage, color, flags)
'''
参数：-image：原始图像-keypoints:关键点信息，将其绘制在图像上-outputimage：输出图片，可以是原始图像-color：颜色设置，通过修改（b，g，r）的值，更改画笔的颜色-flag：绘图功能+cv2.DRAW_MATCHES_FLAGS_DEFAULT：创建输出图像矩阵，使用现存的输出图像绘制匹配特征点，每一个关键点只绘制中间点+cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：不创建输出图像矩阵，而是在输出图像上绘制匹配对+cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：对每一个特征点绘制带大小和方向的关键点图形+cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINT：单点的特征点不被绘制
'''
FAST
fast = cv.FastFeatureDetector_create(threshold, nonmaxSuppression)
'''
参数-threshold：阈值t，有默认值10-nonmaxSuppression：是否进行非极大值抑制，默认值True
返回-Fast：创建FastFeatureDetector对象
'''
kp = fast.detect(grayImg, None)
'''
参数-gray：进行关键点检测的图像，注意是灰度图像
返回-kp：关键点信息，包括位置，尺度，方向
'''cv.drawKey(image, keypoints, outputimage, color, flags)
ORB算法
orb = cv.xfeatures2d.orb_create(nfeatures)
'''-nfeatures:特征点的最大数量
'''kp, dex = orb.detectAndCompute(gray,None)
'''
参数-gray：进行关键点检测的图像，注意是灰度图像
返回-kp：关键点-res：描述符
'''cv.deawKeypoints(image, keypoints, outputimage, color, flags)
随着图像领域的发展，现在往往也成为了辅助的图像处理，用于更高一层的应用，比如深度学习。最后我们在了解一下视频操作，就完成了对的基础了解。
6 视频操作 6.1 视频读取
在中我们要获取一个视频，需要创建一个对象，指定你要读取的视频文件
#创建读取视频的对象
cap = cv.VideoCapture(filepath)
'''
参数-filepath：视频文件路径
'''#获取视频的某些属性
retval = cap.get(propId)
'''
参数-propId：从0到18的数字，每个数字表示视频的属性
'''#修改视频的属性信息
retval = cap.set(propId， value)#判断是否读取成功
isornot = cap.isOpened()#获取视频的一帧图像
ret, frame = cap.read()
'''
返回-ret：成功则返回true-Frame：获取到的某一帧图像
'''#显示
cv.imshow()#释放调视频对象
cap.realease()
6.2 保存视频
保存视频使用的是对象
out = cv2.VideoWriter(filename, fourcc, fps, frameSize)
'''
参数-filename：视频保存的位置-fourcc：指定视频编解码器的4字节代码-fps：帧率-frameSize：帧大小
'''retval = cv2.VideoWriter_fourcc(c1, c2, c3, c4)
'''
参数-c1,c2,c3,c4：是视频编码器的4字节代码，在fourcc.org中可以找到代码列表，与平台紧密相关
'''
总结
主要讲解的底层core以及图像基础操作和图像处理内容。
