Mat:
-------------------------------------------------------------------
1. Mat类简介
Mat类是Opencv中储存图像非常常见的一种数据结构。Mat类可以看做是存放矩阵的容器，他包含了两部分，分别是用来存放图片信息的信息头，和一个指向图片储存矩阵的指针。信息头往往占用空间比较小，而且各个图片之间的信息头是完全独立的。而图片储存矩阵往往占用较大的空间，并且可以多个图片的矩阵指针指向同一个内存空间。
2. Mat类的拷贝
从Mat类的数据储存结构来看，Mat类图像储存是通过矩阵指针实现的。这样的话，在做图片复制的时候，就必须要考虑的一个问题是：我们需要复制的是矩阵指针的地址，还是需要重新创建一个内存空间，把图片存储矩阵重新拷贝一份。所以Mat类的拷贝具有浅拷贝和完全拷贝两种。
2.1 使用拷贝构造函数进行拷贝
Mat类中具有自己的拷贝构造函数，其函数原型如下
浅拷贝：
Mat(const Mat& m);
使用拷贝构造函数进行图片的拷贝有两种写法，并且这两种写法是等价的。
Mat m = imread("1.jpg);
Mat m2(m);
2.2 使用clone()函数或者copyTo()函数进行拷贝
使用这两种方法拷贝，是一种完全拷贝，会为图片生成独立的图片储存矩阵，与原图片不公用数据，这样的话，操作其中一个，其他的并不会受到影响，缺点是占用空间大，而且速度比较
Mat m = imread("a.jpg");
Mat m1;
m.copyTo(m1);
Mat m2=m.clone();
imread
-------------------------------------------------------------------
原型
Mat imread( const String& filename, int flags )
第一个参数 filename： 表示图像的路径。
第二个参数 flags：表示读取图像的方式。
IMREAD_UNCHANGED = -1，表示读取原图, 不进行任何改变
IMREAD_GRAYSCALE = 0，表示以灰度图方式读取原图
IMREAD_COLOR = 1，表示以RGB方式读取原图
-------------------------------------------------------------------
int resultCols = img_bgr.cols - img_sub.cols + 1;
int resultRows = img_bgr.rows - img_sub.rows + 1;
Mat result.create(resultRows, resultCols, CV_32FC1);
Mat result.create(Rows, tCols,type)
使用creat函数，无法初始化，如果新的需求大于原来的内存，它才会重新分配内存区域
resultRows：标识矩阵宽度
resultCols：标识矩阵高度
type：标志矩阵类型 (CV_32FC1)
CV_<bit_depth>(S|U|F)C<number_of_channels>
bit_depth：比特数---代表8bite,16bites,32bites,64bites...
S|U|F:
S--代表---signed int---有符号整形
U--代表--unsigned int--无符号整形
F--代表--float---------单精度浮点型
C<number_of_channels>----代表---一张图片的通道数,比如:
channels = 1：灰度图片--grayImg---是--单通道图像
channels = 3：RGB彩色图像---------是--3通道图像
channels = 4：带Alph通道的RGB图像--是--4通道图像
-------------------------------------------------------------------
https://blog.csdn.net/Star_ID/article/details/124609507
OpenCV的 matchTemplate函数实现模板匹配
matchTemplate(img_bgr, img_sub, result, TM_CCORR_NORMED); // TM_CCORR_NORMED等有 6种方式匹配
参数 含义
image 正在运行搜索的图像。 它必须是 8 位或 32 位浮点数。
templ 搜索到的模板。 它必须不大于源图像并且具有相同的数据类型。
result 比较结果图。 **它必须是单通道 32 位浮点数。** 如果 image 是 W×H 并且 templ 是 w×h ，那么结果是 (W−w+1)×(H−h+1)
method 指定比较方法的参数，请参见TemplateMatchModes
mask 搜索模板的掩码。 它必须与 templ 具有相同的数据类型和大小。 默认情况下未设置。 目前，仅支持 TM_SQDIFF 和 TM_CCOEFF_NORMED 方法。
处理方式：将模板与重叠的图像区域进行比较。
该函数在图像中滑动，使用指定的方法将大小为 w×h 的重叠块与 templ 进行比较，并将比较结果存储在 result 中。 以下是可用比较方法的公式（I 表示图像，T 是模板，R 是结果）。求和是在模板和/或图像块上完成的：x′=0…w−1,y′=0…h−1
函数完成比较后，可以使用 minMaxLoc 函数以全局最小值（使用 TM_SQDIFF 时）或最大值（使用 TM_CCORR 或 TM_CCOEFF 时）找到最佳匹配。 在彩色图像的情况下，分子中的模板总和和分母中的每个总和在所有通道上完成，并且每个通道使用单独的平均值。 即该函数可以获取一个颜色模板和一个彩色图像。 结果仍然是单通道图像，更易于分析。
-------------------------------------------------------------------
void cvtColor( InputArray src, OutputArray dst, int code, int dstCn = 0 );
函数参数解释
1.src（source）:输入的源图像。为矩阵形式。
2.dst（destination）：输出的目标图像，即经过色彩转后我们需要得到的图像。也为矩阵形式。
3.code：颜色空间转换的标识符，表示我们所要进行空间转换的结果。
BGR——灰度 COLOR_BGR2GRAY
RGB——灰度
COLOR_RGB2GRAY
-------------------------------------------------------------------
void normalize(InputArray src,OutputArray dst, double alpha = 1, double beta = 0, intnorm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());
normalize函数的作用使输入数组的范数或者数值范围归一到一定范围内。函数原型如下：
src:输入图像/数组
dst:输出图像/数组
alpha:范围的最小值
beta:范围的最大值（不用于范数归一化）
intnorm_type:归一操作的类型，有如下三种：
NORM_MINMAX:将数组的数值归一化到[alpha,beta]内，常用。
NORM_L1:归一化数组的L1-范数(绝对值的和)
NORM_L2:归一化数组的(欧几里德)L2-范数
dtype:为负数时，输出数组的类型与输入数组相同，否则只是通道数相同，类型默认为：type = CV_MAT_DEPTH
mask:指定操作的区域/空间，不懂得可以看看这篇博文：[图像位操作](https://blog.csdn.net/m0_60447786/article/details/125650689?spm=1001.2014.3001.5501)
归一化作用：
归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快
归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。
此外，归一化还有其他作用：
1.无量纲化：例如房子数量和收入，从业务层知道这两者的重要性一样，所以把它们全部归一化，这是从业务层面上作的处理。
2.避免数值问题：不同的数据在不同列数据的数量级相差过大的话，计算起来大数的变化会掩盖掉小数的变化。
3.一些模型求解的需要：例如梯度下降法，如果不归一化，当学习率较大时，求解过程会呈之字形下降。
4.时间序列：进行log分析时，会将原本绝对化的时间序列归一化到某个基准时刻，形成相对时间序列，方便排查。
5.收敛速度：加快求解过程中参数的收敛速度。
-------------------------------------------------------------------
OpenCV中的函数minMaxLoc()用于找出矩阵中的最大值和最小值，并且给出它们中的坐标。
void cv::minMaxLoc(InputArray result,double * minVal,double * maxVal = 0,Point * minLoc = 0,Point * maxLoc = 0,InputArray mask = noArray())
result—输入矩阵，要求是单通道的图像，即二维的矩阵。
minVal—矩阵中的最小值。
maxVal—矩阵中的最大值。
minLoc—矩阵中的最小值的坐标。
maxLoc—矩阵中的最大值的坐标。
mask—掩模矩阵。
( matchTemplate模式匹配的类型 int method = TM_CCORR_NORMED;或则 int method = TM_SQDIFF;)
if (method == TM_SQDIFF || method == TM_SQDIFF_NORMED) {
matchLoc = minLoc;
} else {
matchLoc = maxLoc;
}
-------------------------------------------------------------------
画框函数接口void cv::rectangle ( InputOutputArray img,
Rect rec,
const Scalar & color,
int thickness = 1,
int lineType = LINE_8,
int shift = 0
)
@参数 img 输入图像。
@参数 rec 绘制矩形的规格。
@参数color 矩形颜色或亮度（灰度图像）。
@参数thickness构成矩形的线条的厚度。负值，比如FILLED，意味着函数必须绘制一个填充矩形。
@参数lineType 线的类型. 参见 LineTypes
@参数shift 点坐标中的小数位数
-------------------------------------------------------------------
Alph通道：
Alpha通道的概念与功能
在计算机图形学中，一个RGB颜色模型的真彩图形，用由红、绿、蓝三个色彩信息通道合成的，每个通道用了8位色彩深度，共计24位，包含了所有彩色信息。为实现图形的透明效果，采取在图形文件的处理与存储中附加上另一个8位信息的方法，这个附加的代表图形中各个素点透明度的通道信息就被叫做Alpha通道。
Alpha通道使用8位二进制数，就可以表示256级灰度，即256级的透明度。白色（值为255）的Alpha像素用以定义不透明的彩色像素，而黑色（值为0）的Alpha通道像素用以定义透明像素，介于黑白之间的灰度（值为30-255）的Alpha像素用以定义不同程度的半透明像素。因而通过一个32位总线的图形卡来显示带Alpha通道的图形，就可能呈现出透明或半透明的视觉效果。
透明或半透明图形的数学模型
一个透明或半透明图形的数学模型应当如下：
为了便于下面的分析，设Alpha值[0，255]区间映射为[0，1]区间相对应的值表示，即Alpha值为0—1之间的数值。则图形文件中各个像素点可表示为：
Graphx（Redx，Greenx，Bulex，Alphax）
屏幕上相应像素点的显示值就转换为：
Dispx（RedxAlphax，GreenxAlphax，BluexAlphax）
Alpha通道不仅用于单个图形的透明或半透明显示，更重要的是在图像合成中被广泛运用。
下面是如何根据Alpha通道数据进行图像混合的算法：
事实上，我们把需要组合的颜色计算出不含Alpha分量的原始RGB分量然后相加便可。如：两幅图像分别为A和B，由这两幅图像组合而成的图像称为C，则可用如下四元组表示图A和B，三元组表示图像C：
A：（Ra，Ga，Ba，Alphaa）
B：（Rb，Gb，Bb，Alphab）
C：（Rc，Gc，Bc）
根据上述算法，则：
Rc=RaAlphaa+RbAlphab
Gc=GaAlphaa+GbAlphab
Bc=BaAlphaa+Bb*Alphab
这就是两图像混合后的三原色分量。如果有多幅图像需要混合，则按照以上方法两幅两幅地进行混合。
在图像处理中，Alpha用来衡量一个像素或图像的透明度。在非压缩的32位RGB图像中，每个像素是由四个部分组成：一个Alpha通道和三个颜色分量(R、G和B)。当Alpha值为0时，该像素是完全透明的，而当Alpha值为255时，则该像素是完全不透明。
Alpha混色
Alpha混色是将源像素和背景像素的颜色进行混合，最终显示颜色取决于其RGB颜色分量和Alpha值。它们之间的关系可用下列公式来表示：
显示颜色 = 源像素颜色 X alpha / 255 + 背景颜色 X (255 - alpha) / 255
inRange:
-------------------------------------------------------------------
cvtColor(img_bgr, img_hsv, COLOR_RGB2GRAY);
# 将图像转为HSV格式进而得到mask，HSV分别代表色相(Hue)、饱和度(Saturation)、明度(Value)
inRange(img_hsv, Scalar(0, 120, 120), Scalar(10, 255, 255), img_flag);
cv2.inRange(src, lowerb, upperb)
用以确认元素值是否介于某个区域
inRange 函数需要设定三个参数，其中 src 指源图像；lowerb 指图像中低于 lowerb 的值，其所对应的图像值将为 0；upperb指图像中高于 upperb 的值，图像值变为 0 。换言之，源图像中仅有图像值介于 lowerb 和 upperb 之间的值才不为 0 ，且值将变成 255
cv2.bitwise_and(src1, scr2, mask=)
用于对两个数组（图像也是数组）对位元素进行运算，即计算机中的“和”运算。以二进制为例，1&0输出 1 ，1&0、0&1、0&0则均输出 0 。
bitwise_and 函数需要设定三个参数，其中 src1 指第一个数组（源图像），src2 指第二个数组（源图像），mask= 用于指定具体的掩模（常以 0 和 1 元素为主，用以输出具体的元素），应设为 uint8 格式，即单通道的 8-bit 的数组。另外，mask 参数为可选参数，可省略。
(https://blog.csdn.net/jndingxin/article/details/113743671)
getStructuringElement、erode、dilate
-------------------------------------------------------------------
形态学操作就是基于形状的一系列图像处理操作。OpenCV为进行图像的形态学变换提供了快捷、方便的函数。最基本的形态学操作有二种，他们是：膨胀与腐蚀(Dilation与Erosion)。
膨胀与腐蚀能实现多种多样的功能，主要如下：
消除噪声
分割(isolate)出独立的图像元素，在图像中连接(join)相邻的元素。
寻找图像中的明显的极大值区域或极小值区域
求出图像的梯度
腐蚀和膨胀是针对白色部分（高亮部分）而言的。
膨胀就是对图像高亮部分进行“领域扩张”，效果图拥有比原图更大的高亮区域；
腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。
膨胀用来处理缺陷问题； 腐蚀用来处理毛刺问题。
(https://cloud.tencent.com/developer/beta/article/1459455)
getStructuringElement:
-------------------------------------------------------------------
Mat element = getStructuringElement(elem_type, Size(3, 3), Point(1, 1));
这个函数的第一个参数表示内核的形状，有三种形状可以选择。
矩形：MORPH_RECT;
交叉形：MORPH_CROSS;
椭圆形：MORPH_ELLIPSE;
第二和第三个参数分别是内核的尺寸以及锚点的位置。
一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。
对于锚点的位置，有默认值Point（-1,-1），表示锚点位于中心点。element形状唯一依赖锚点位置，
其他情况下，锚点只是影响了形态学运算结果的偏移
(https://blog.csdn.net/jndingxin/article/details/113743671)
erode
-------------------------------------------------------------------
功能描述
通过一个特定的结构元素腐蚀一个图像。图像腐蚀的过程类似于一个卷积的过程，源图像矩阵A以及结构元素B，B在A矩阵上依次移动，每个位置上B所覆盖元素的最小值替换B的中心位置值（即锚点处），完成整个腐蚀的过程。
注意：所谓的腐蚀与膨胀的对象是针对图像中的白色元素所说的。看成是图像中的物体话会理解反。
算法通俗理解：腐蚀算法使二值图像缩小一圈，删除对象边界的某些像素，其运算过程就是使用用3X3的结构元素，扫描二值图像的每一个像素，用结构元素与其覆盖的二值图像做“与”运算，如果都为1，结构图像的该像素为1，否则为0。结果就是使二值图像减小一圈。
函数使用一个指定的核元素去腐蚀源图像，内核有一个可定义的 锚点，我们叫他内核中心点，腐蚀操作时，获取内核覆盖区域最小像素值，并代替锚点的像素，最小值通过以下公式获取：
函数支持就地模式，腐蚀操作可以迭加使用多次，在多通道图像的情况下，每个通道独立处理。
函数原型
CV_EXPORTS_W void erode( InputArray src, OutputArray dst, InputArray kernel,
Point anchor = Point(-1,-1), int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar& borderValue = morphologyDefaultBorderValue() );
参数描述
参数 src 输入图像;通道的数量可以是任意的，但是深度值应该是以下之一：
CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
参数 dst 和源图像同样大小和类型的输出图像。
参数 kernel 用于腐蚀的结构元素;如果element=Mat(),是一个3 x 3的矩形结构元素. Kernel 可以通过使用getStructuringElement来创建。
参数 anchor 素中的锚点的位置，默认是值(-1,-1),也就是说锚点在元素的中心位置。
参数 iterations 腐蚀的迭代次数。
参数 borderType 像素外推方法。参见#BorderTypes， BORDER_WRAP不支持。
参数 borderValue 固定边缘的情况下的边缘值。
参考 dilate, morphologyEx, getStructuringElement
(https://blog.csdn.net/luolaihua2018/article/details/111712087)
膨胀dilate
-------------------------------------------------------------------
膨胀就是求局部最大值的操作，从图像直观看来，就是将图像光亮部分放大，黑暗部分缩小。
按数学方面来说，膨胀或者腐蚀操作就是将图像（或图像的一部分区域，我们称之为A）与核（我们称之为B）进行卷积。假设有图像A和结构元素B，结构元素B在A上面移动，其中B定义其中心为锚点，以B覆盖下A的最大像素值（偏白）替换锚点的像素，其中B作为结构体可以是任意形状（与卷积不同之处，可以是线、矩阵、圆、十字等形状）。
void dilate(
InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor=Point(-1,-1),
int iterations=1,
int borderType=BORDER_CONSTANT,
const Scalar& borderValue=morphologyDefaultBorderValue()
);
参数详解：
第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。图像通道的数量可以是任意的，但图像深度应为CV_8U，CV_16U，CV_16S，CV_32F或 CV_64F其中之一。
第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。
第三个参数，InputArray类型的kernel，膨胀操作的核。若为NULL时，表示的是使用参考点位于中心3x3的核。
我们一般使用函数 getStructuringElement配合这个参数的使用。getStructuringElement函数会返回指定形状和尺寸的结构元素（内核矩阵）。
其中，getStructuringElement函数的第一个参数表示内核的形状，我们可以选择如下三种形状之一:
矩形: MORPH_RECT
交叉形: MORPH_CROSS
椭圆形: MORPH_ELLIPSE
而getStructuringElement函数的第二和第三个参数分别是内核的尺寸以及锚点的位置。
我们一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。对于锚点的位置，有默认值Point(-1,-1)，表示锚点位于中心。且需要注意，十字形的element形状唯一依赖于锚点的位置。而在其他情况下，锚点只是影响了形态学运算结果的偏移。
（https://blog.csdn.net/qq_48705696/article/details/109435432#:~:text=OpenCV%E4%B8%AD%E7%9A%84findContours%E5%87%BD%E6%95%B0%E6%98%AF%E7%94%A8%E6%9D%A5%E6%A3%80%E6%B5%8B%E7%89%A9%E4%BD%93%E7%9A%84%E8%BD%AE%E5%BB%93%EF%BC%8C%E4%B8%8B%E9%9D%A2%E8%AF%A6%E7%BB%86%E8%AF%B4%E6%98%8E%E4%B8%80%E4%B8%8B%E8%BF%99%E4%B8%AA%E5%87%BD%E6%95%B0%E5%90%84%E5%8F%82%E6%95%B0%E7%9A%84%E6%84%8F%E4%B9%89%E4%BB%A5%E5%8F%8A%E4%BD%BF%E7%94%A8%E3%80%82.%20Python%E4%BB%A3%E7%A0%81%E4%B8%AD%E7%9A%84findContours%E5%87%BD%E6%95%B0%E5%A6%82%E4%B8%8B%EF%BC%9A%20%20%20findContours%20%28image%2C%20mode%2C,method%2C%20contours%3DNone%2C%20hierarchy%3DNone%2C%20offset%3DNone%29%20%20image%EF%BC%9A%E8%BE%93%E5%85%A5%E7%9A%84%E4%BA%8C%E5%80%BC%E5%9B%BE%E5%83%8F%E3%80%82.%20mode%EF%BC%9A%E5%AE%9A%E4%B9%89%E8%BD%AE%E5%BB%93%E7%9A%84%E6%A3%80%E7%B4%A2%E6%A8%A1%E5%BC%8F%EF%BC%8C%E5%8F%AF%E9%80%89%E9%A1%B9%E4%B8%BA）
OpenCvSharp中通过使用findContours函数，简单几个的步骤就可以检测出物体的轮廓，很方便。这些准备继续探讨一下findContours方法中各参数的含义及用法，比如要求只检测最外层轮廓该怎么办？contours里边的数据结构是怎样的
-------------------------------------------------------------------
findContours( InputOutputArray image, OutputArrayOfArrays contours,
OutputArray hierarchy, int mode,
int method, Point offset=Point());
参数详解：
第一个参数：image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像
第二个参数：contours，定义为“vector<vector<Point>> contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。
有多少轮廓，向量contours就有多少元素。
第三个参数：hierarchy，定义为“vector<Vec4i> hierarchy”，先来看一下Vec4i的定义：
Vec4i是Vec<int,4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量。
向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。
hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值-1
第四个参数：int型的mode，定义轮廓的检索模式：
取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
取值二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到
取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓
第五个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内
取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留
取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值！（默认是没有偏移量）
https://www.cnblogs.com/ybqjymy/p/14333577.html
approxPolyDP
-------------------------------------------------------------------
void approxPolyDP(InputArray curve, OutputArray approxCurve, double epsilon, bool closed)
参数详解：
InputArray curve:一般是由图像的轮廓点组成的点集
OutputArray approxCurve：表示输出的多边形点集
double epsilon：主要表示输出的精度，就是另个轮廓点之间最大距离数，5,6,7，，8，，,,，
bool closed：表示输出的多边形是否封闭
Rect boundingRect(InputArray points)
-------------------------------------------------------------------
输入：InputArray类型的array，输入灰度图像或二维点集。
输出：Rect类型的矩形信息，包括矩形尺寸和位置。
寻找包裹轮廓的最小正矩形：boundingRect 函数
返回矩阵应满足：
① 轮廓上的点均在矩阵空间内。
② 矩阵是正矩阵（矩形的边界与图像边界平行）。
（https://www.cnblogs.com/bjxqmy/p/12343385.html）
-------------------------------------------------------------------
绘制轮廓：drawContours 函数，配合 findContours使用相对方便
void drawContours(InputOutputArray image, InputOutputArrays contours, int contourIdx, const Scalar& color, int thickness = 1, int lineType = 8, InputArray hierarchy = noArray(), int maxLevel = INT_MAX, Point offset = Point());
image，目标图像，填 Mat 类对象即可。
contours，输入的轮廓，每个轮廓都是一组点集，可用 Point 类型的 vector 表示。
contourIdx，轮廓的索引编号。若为负值，则绘制所有轮廓。
color，轮廓颜色。
thickness，轮廓线条的粗细程度，有默认值 1。若其为负值，便会填充轮廓内部空间。
lineType，线条的类型，有默认值 8。可去类型如下：
hierarchy，可选的层次结构信息，有默认值 noArray()。
maxLevel，用于绘制轮廓的最大等级，有默认值 INT_MAX。
offset，轮廓信息相对于目标图像对应点的偏移量，相当于在每一个轮廓点上加上该偏移量，有默认值 Point() 。在 ROI 区域（感兴趣区域）绘制轮廓时，这个参数便可派上用场。
功能描述
绘制一个简单的、粗的或填充边界的矩形。
函数cv:：rectangle绘制一个矩形轮廓或一个填充矩形，其两个相对的角是pt1和pt2。
函数原型1
void cv::rectangle ( InputOutputArray img,
Point pt1,
Point pt2,
const Scalar & color,
int thickness = 1,
int lineType = LINE_8,
int shift = 0
)
1
2
3
4
5
6
7
8
参数描述
@参数 img 输入图像。
@参数 pt1 矩形的顶点。
@参数 pt2 对应pt1的矩形的顶点。
@参数color 矩形颜色或亮度（灰度图像）。
@参数thickness 构成矩形的线条的厚度。负值，比如FILLED，意味着函数必须绘制一个填充矩形。
@参数lineType 线的类型. 参见 LineTypes
@参数shift 点坐标中的小数位数
https://blog.csdn.net/qq_33287871/article/details/111504876
namedWindow、imshow、waitKey
图像窗口函数namedWindow
在我们之前的程序中并没有见到窗口函数，因为我们在显示图像时如果没有主动定义图像窗口，程序会自动生成一个窗口用于显示图像，然而有时我们需要在显示图像之前对图像窗口进行操作，例如添加滑动条，此时就需要提前创建图像窗口。创建窗口函数的原型。
void cv::namedWindow(const String & winname,int flags = WINDOW_AUTOSIZE)
winname：窗口名称，用作窗口的标识符
flags：窗口属性设置标志
图像显示函数imshow:
我们在前面已经见过了图像显示函数imshow()的调用方式，这里我们给出函数的原型。
void cv::imshow(const String & winname,InputArray mat)
winname：要显示图像的窗口的名字，用字符串形式赋值
mat：要显示的图像矩阵
注意 此函数运行后会继续执行后面程序，如果后面程序执行完直接退出的话，那么显示的图像有可能闪一下就消失了，因此在需要显示图像的程序中，往往会在imshow()函数后跟有cv::waitKey()函数，用于将程序暂停一段时间。waitKey()函数是以毫秒计的等待时长，如果参数缺省或者为“0”表示等待用户按键结束该函数。
330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
