OpenCV学习笔记-CSDN博客

1、图像的分类

图像分为模拟图像和数字图像，数字图像又分为二值图像、灰度图像和彩色图像。

二值图像：只有黑和白，表现在像素上就是只有0和255。
灰度图像：有不同深度的灰色和黑白两色。
彩色图像：RGB图像，有255 * 255 * 255种颜色。

具体解释：
在这里插入图片描述

2、图像的基本操作

读取、显示、保存图像等

在这里插入图片描述

绘制图像

在这里插入图片描述

图像的加法

在这里插入图片描述

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。图像混合的计算公式如下：
在这里插入图片描述

在这里插入图片描述

图像的仿射变换

图像的仿射变换涉及到图像的形状位置角度的变化，是深度学习预处理中常用的功能。仿射变换主要是对图像的缩放、旋转、翻转、平移等操作的组合。

在这里插入图片描述

代码实现：
在这里插入图片描述

图像的透射变换

在这里插入图片描述

3、形态学操作

3.1 连通性

邻接
在这里插入图片描述

**4连通、8连通与m连通

在这里插入图片描述

3.2 腐蚀和膨胀

在这里插入图片描述

腐蚀的方法是，拿B的中心点和X上的点一个一个地对比，如果B上的所有点都在X的范围内，则该点保留，否则将该点去掉；右边是腐蚀后的结果。可以看出，它仍在原来X的范围内，且比X包含的点要少，就象X被腐蚀掉了一层。例子如下：

腐蚀代码实现
在这里插入图片描述
膨胀

膨胀代码实现

3.3 开运算与闭运算

开运算

在这里插入图片描述

闭运算

在这里插入图片描述

api

在这里插入图片描述
代码实现

3.4 黑帽与礼帽

礼帽运算

在这里插入图片描述

黑帽运算

在这里插入图片描述

黑帽

在这里插入图片描述

api

在这里插入图片描述

4、图像噪声

在这里插入图片描述

均值滤波

在这里插入图片描述

二维高斯分布

在这里插入图片描述

![在这里插入图片描述](https://img-blog.csdnimg.cn/389b3529e5e74

中值滤波

在这里插入图片描述

5、直方图

灰度直方图

在这里插入图片描述

掩膜的应用

在这里插入图片描述

img.shape[:2] 取彩色图片的长、宽。
如果img.shape[:3] 则取彩色图片的长、宽、通道。
关于img.shape[0]、[1]、[2]
img.shape[0]：图像的垂直尺寸（高度）
img.shape[1]：图像的水平尺寸（宽度）
img.shape[2]：图像的通道数

在这里插入图片描述

直方图均衡化

在这里插入图片描述

自适应直方图均衡化

对拆分的每一个小块儿进行直方图均衡化就叫自适应均衡化

在这里插入图片描述

6、边缘检测原理

原理：边缘的产生也就是图像灰度值在某一点产生重大变化的点
边缘检测的分类：基于搜索（找一阶导数最大值）和基于零穿越（二阶导数零穿越）

在这里插入图片描述

Sobel检测算子

在这里插入图片描述

laplacian算子

在这里插入图片描述

卷积核解释：水平方向是f’(x),垂直方向是f’(y)，中间的-4是x与y重合的部分

在这里插入图片描述

Canny边缘检测

在这里插入图片描述

7、模板检测

模板匹配的几个方法：平方差匹配、相关匹配、相关系数匹配

在这里插入图片描述

8、霍夫变换

在这里插入图片描述

笛卡尔坐标系下的一条直线y=kx+q对应霍夫空间下的一个点q=-kx+y，这些点(k,q)构成了霍夫空间

在这里插入图片描述

特殊情况（k,q难以确定的时候），转换成极坐标

在这里插入图片描述

霍夫线检测

在这里插入图片描述

代码实现：

霍夫圆检测

霍夫圆检测可以分为圆心的确定和圆半径的确定

在这里插入图片描述

9、角点检测

在这里插入图片描述

Harris角点检测

在这里插入图片描述

如何判断角点？

在这里插入图片描述

代码实现：

blockSize指的是邻域大小，也就是M（计算λ1λ2时的矩阵大小）

在这里插入图片描述

shi-tomas角点检测

在这里插入图片描述

10、SIFT/SURF算法

“SIFT(Scale Invariant Feature Transform)即尺度不变特征变换算法,该特征向量集具有对图像缩放,平移,旋转不变的特征。

在这里插入图片描述

概念
缩小图像（或称为下采样（subsampled）或降采样（ downsampled ））的主要目的有两个：
1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。
放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。

降采样描述
在这里插入图片描述

在这里插入图片描述

SIFT与SURF的对比

在这里插入图片描述
SIFT代码实现

11、FAST算法

今天主要复习了角点检测算法FAST(Feature from Accelerated Segment Test)，该算法原理比较简单，检测出的特征点比较多。 该算法的缺点也很明显：

不具备尺度不变性
不具备旋转不变性
ORB特征点检测中专门针对这两个缺点做了改进。
个人认为该算法检测的特征点准确性不高，容易受噪声的干扰，相较于SIFT与SURF算法而言，准确性要低，优点在于检测速度快。

在这里插入图片描述

代码实现：