opencv 学习 1

在vs2017中配置opencv

vs中配置

配置环境变量

API函数

读取图像 - imread

Mat 类型是opencv中存储图像的数据类型（本质就是二维矩阵）
imread（） 有两个参数，第一个必须是路径，第二个参数是关于图像色彩，如：IMREAD_GRAYSCALE是显示灰度图像
eg：
Mat src=imread("D:/lsl.jpg");

显示图像 - imshow

imshow（） 有两个参数，第一个是窗口名称，第二个参数是图像的数据对象
eg:
imshow("input",src);

显示图像 - waitKey

一个参数，表示间隔多少毫秒
eg：
waitKey（0） 0代表一直停顿，100代表停顿100毫秒

销毁所有窗口 - destroyAllWindows

创建一个窗口 - namedWindows

两个参数，第一个是窗口名，第二个是窗口大小
eg：
namedWindows("输入窗口",WINDOW_FREERATIO);
WINDOW_FREERATIO代表自动窗口大小

色彩空间转换函数 - cvtColor

COLOR_BGR2GRAY = 6 彩色到灰度
COLOR_GRAY2BGR = 8 灰度到彩色
COLOR_BGR2HSV = 40 BGR到HSV
COLOR_HSV2BGR = 54 HSV到BGR

图像保存 - imwrite

第一个参数是图像保存路径
第二个参数是图像内存对象

车道识别实战

Canny边缘检测算法

原理：通过求取图像上的每一个像素点周边像素变化梯度，来确定这个点是否是边缘。若这个点左右像素点变化梯度较大，则这个点更可能是边缘点。首先，利用高斯核进行高斯滤波，对图片去噪。然后计算梯度的幅值和方向（一阶偏导的有限差分），选取四个方向（类似*）进行像素点梯度计算，将四个方向的梯度值综合起来，得到某个像素点的总梯度值，表示像素周围图像变化情况。使用双阈值抑制弱边缘，梯度大于大阈值的点一定是边缘点称为强边缘，小于小阈值的点一定不是边缘点，位于大阈值和小阈值之间的点成为弱边缘，若弱边缘与强边缘相连则是边缘，不相连则不是。
Canny(img, 50, 100)
三个参数，第一个是进行边缘检测的图片，第二个是小阈值，第三个是大阈值

ROI mask

ROI region of interest 感兴趣的部分
从原图中扣出自己感兴趣的部分（类似抠图）
C++版本的opencv中有ROI接口，python中没有
数组切片 针对矩形区域
布尔运算（与运算） 针对非矩形区域
通过和原图同样大小的掩码来实现，0代表不保留，1代表保留，原图与掩码图进行与运算获取需要部分

先获取跟原图大小相同的掩码图像（np.zeros_like ），再通过（cv2.fillPoly）填充掩码图，最后通过（cv2.bitwise_and）将掩码图与原图做与运算

np.zeros_like 获得和原图大小相同的数组存掩码图像
一个参数相同的图像数组名

cv2.fillPoly 填充多边形
三个参数，第一个是填充数组，第二个构建多边形的顶点，第三个填充的颜色。
如cv2.fillPoly(mask, np.array([[[0, 368], [310, 210], [310, 210], [640, 368]]]), color=255)

cv2.bitwise_and 与运算
两个参数，第一个要截取图像数组，第二个是与运算图像数组

霍夫变换

霍夫变换是从图片中获取直线或者圆的算法,只支持灰度图
中心思想：在直角坐标系中，做一条垂直于该直线的经过原点的垂线，此时该垂线长度为r，垂线与x轴的夹角为theta。通过该r与theta的值就可以唯一确定一条直线。theta确定了直线的斜率，而r确定直线的位置。与极坐标的表示方法类似但意义不同。不直接用y=kx+b是因为若直线垂直时，k是无穷大，计算机不好表示。遍历图像矩阵，在r，theta将矩阵中记录边缘点位置，类似于投票的过程。得票数越多，越可能是直线，因为在同一直线上的点r，theta值相同，也就是说在r，theta矩阵中位置相同。

cv2.HuoghLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40, maxLineGap=20)

参数一：要检测的图片矩阵
参数二三四是对交点判定的置信区间
参数二：距离r的精度，值越大，考虑越多的线
参数三：距离theta的精度，值越大，考虑的线越多
参数四：累加数阈值，值越小，考虑越多的线
minLineLength：最短长度阈值，短于这个长度的线被排除
maxLineGap:同一直线两个点间的最大距离

返回值：返回一个列表，列表中每一个元素是个1*4的数组，表示每个线段起点终点坐标值

[np.array([[x_1,y_1,x_2,y_2]]),
np.array([[x_1,y_1,x_2,y_2]]),
.......
np.array([[x_1,y_1,x_2,y_2]])
]

离群值过滤

剔除掉通过误差造成的直线
先将所有直线按照斜率正负分为两条车道线，存在两个列表中
计算出左右两组直线的平均斜率，如果某条直线的斜率与平均斜率相差较大，就认为这条直线是个噪点，将其过滤
通过自定义函数实现

最小二乘拟合

将所有表示左车道的直线拟合成一条直线，将所有表示右车道的直线拟合成一条直线

利用np.ravel，分别取出所有点x坐标和y坐标
通过np.ployfit，进行多项式拟合，得到多项式系数
利用np.ployval,计算直线上两个个点，用于唯一确定这条直线

np.ravel:将高维数组拉成一维
np.polyfit:多项式拟合，多个参数，前面参数是要拟合数据，最后一个参数是拟合为几次曲线
np.polyval:多项式求值，两个参数，第一是多项式系数，第二个是x值

画车道线

cv2.line 五个参数，第一个是在哪个图像上绘制图形，第二个第三个是线段的起始点和终止点，第四个参数是线段颜色，第五个参数是线段宽度

opencv读写视频流

cv2.VideoCapture
一个参数，视频名
read函数，两个返回值，第一个是当前视频流是否关闭，第二个是当前视频流帧的图像
如:

capture = cv2.VideoCapture('Video.mp4)
ret,frame = capture.read()