opencv学习过程记录（持续更新）

opencv源码c++安装，参考这里

1.opencv人脸识别：

对图片中的人脸识别代码如下：

# USAGE
# python detect_faces.py --image rooster.jpg --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

# import the necessary packages
import numpy as np
import argparse
import cv2

# construct the argument parse and parse the arguments  加载一些参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
	help="path to input image")
ap.add_argument("-p", "--prototxt", required=True,
	help="path to Caffe 'deploy' prototxt file")
ap.add_argument("-m", "--model", required=True,
	help="path to Caffe pre-trained model")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
	help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

# load our serialized model from disk									#加载模型
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])			#存储模型为net

# load the input image and construct an input blob for the image		
# by resizing to a fixed 300x300 pixels and then normalizing it
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]												#提取维度
blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 1.0,		
	(300, 300), (104.0, 177.0, 123.0))

# pass the blob through the network and obtain the detections and
# predictions
print("[INFO] computing object detections...")
net.setInput(blob)
detections = net.forward()

# loop over the detections
for i in range(0, detections.shape[2]):
	# extract the confidence (i.e., probability) associated with the
	# prediction
	confidence = detections[0, 0, i, 2]

	# filter out weak detections by ensuring the `confidence` is
	# greater than the minimum confidence
	if confidence > args["confidence"]:
		# compute the (x, y)-coordinates of the bounding box for the
		# object
		box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
		(startX, startY, endX, endY) = box.astype("int")
 
		# draw the bounding box of the face along with the associated
		# probability
		text = "{:.2f}%".format(confidence * 100)
		y = startY - 10 if startY - 10 > 10 else startY + 10
		#将人框出
		cv2.rectangle(image, (startX, startY), (endX, endY),
			(0, 0, 255), 2)
		#写出概率
		cv2.putText(image, text, (startX, y),
			cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

# show the output image
cv2.imshow("Output", image)
cv2.waitKey(0)

也可以对视频流，视频文件或树莓派摄像头进行处理。
注意，我使用的opencv是 opencv-contrib-python 版本为4.2.0.34
Python版本为3.5.6

2 opencv学习

(B, G, R) = image[100, 50] *（获取x=50 and y=100的BGR值）注： 存储分别为BGR而不是RGB。

黑色为0，白色为255

宽度为纵列（column），高度为横排（raw）

深度一般为3，代表3个通道

roi = image[60:160, 320:420]
裁剪从 x=320,y=60开始到x=420,y=160结束的感兴趣区域。即image[startY:endY, startX:endX]

重修尺寸resized = cv2.resize(image, (200, 200)) 不管他的横宽比

旋转图像

center = (w // 2, h // 2) 计算图像中心
M = cv2.getRotationMatrix2D(center, -45, 1.0) 顺时针旋转45度,计算旋转矩阵
rotated = cv2.warpAffine(image, M, (w, h)) 对图像进行旋转
使用imutils模块简化过程：
rotated = imutils.rotate(image, -45) （旋转超出部分不可见）
rotated = imutils.rotate_bound(image, 45) （保留整个图像边界）

平滑图像（模糊处理，减少噪声）
blurred = cv2.GaussianBlur(image, (11, 11), 0) (高斯模糊 使用11*11的核)

在图像上添加矩形框。
output = image.copy() 复制原图
cv2.rectangle(output, (320, 60), (420, 160), (0, 0, 255), 2) （用红色框出）
该函数内的各个参数意义（图像，开始像素（左上位置处），结束位置（右下位置处），颜色（这里为红色），thickness（粗细，当为负数时，代表实心））
添加实心圆
cv2.circle(output, (300, 150), 20, (255, 0, 0), -1)
函数参数（图像，中心位置，半径，颜色（255,0,0为蓝色），粗细（-1表示实心））

画一条线
cv2.line(output, (60, 20), (400, 200), (0, 0, 255), 5)

在图像上添加文字

cv2.putText(output, "OpenCV + Jurassic Park!!!", (10, 25), 
	cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
cv2.imshow("Text", output)
cv2.waitKey(0)

参数（图像，文字，文字开始点，字型，字大小，粗细）

将图像转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

image = cv2.imread(args["image"])
cv2.imshow("Image", image)
cv2.waitKey(0)
# 将图像转换为灰度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray", gray)
cv2.waitKey(0)

检测边缘（使用canny算法检测）
edged = cv2.Canny(gray, 30, 150)
参数（灰度图像，最小阈值，最大阈值，aperture_size（sobel核大小））
索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘

edged = cv2.Canny(gray, 30, 150)
cv2.imshow("Edged", edged)
cv2.waitKey(0)

图像阈值处理（目的是去除较亮或较暗的图像区域和轮廓）

thresh = cv2.threshold(gray, 225, 255, cv2.THRESH_BINARY_INV)[1]
cv2.imshow("Thresh", thresh)
cv2.waitKey(0)

将所有像素值大于225的设置为0（黑色），所有小于255的设置为255（白色）

检测并画出轮廓

cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
output = image.copy()
# loop over the contours
for c in cnts:
	# draw each contour on the output image with a 3px thick purple
	# outline, then display the output contours one at a time
	cv2.drawContours(output, [c], -1, (240, 0, 159), 3)
	cv2.imshow("Contours", output)
	cv2.waitKey(0)