满目星辰

返回目录36 SURF简介（加速的强大功能）36.1 目标在这一章当中， - 我们将了解SURF的基础 - 我们将在OpenCV中看到SURF函数36.2 理论在上一章中，我们看到了SIFT用于关键点检测和描述符。但相对缓慢，人们需要更多的加速版本。2006年，三个人，H.Tuytelaars，T.and Van Gool，L，发表了另一篇论文，“SURF：加速健壮的特征”，引入了一种名为“SURF”的新算法。正如名字所表明的那样,它是一个加速版本的SIFT。在SIFT中，Lowe用

返回目录目录35 SIFT尺度不变特征变换35.1 目标35.2 理论35.2.1尺度空间极值检测35.2.2关键点定位35.2.3方向分配35.2.4关键点描述35.2.5关键点匹配35 SIFT尺度不变特征变换35.1 目标在这一章当中， - 我们将学习SIFT算法的概念 - 我们将学习找到SIFT关键点和描述算符。35.2 理论在前两章中，我们看到了一些像Harris这样的拐角检测器。它们是旋转不变的，这意味着即使图像旋转了，我们也...

返回目录34Shi-tomas拐角检测器和益于跟踪的特征34.1 目标在本章中， - 我们将学习另一个拐角检测器：Shi-Tomasi拐角检测器 - 我们将看到以下函数：cv.goodFeaturesToTrack()34.2 理论在上一章中，我们看到了Harris Corner Detector。1994年下半年，J.Shi和C.Tomasi在他们的论文《有益于跟踪的特征》中做了一个小修改，与Harris Harris Detector相比，显示了更好的结果。哈里斯角落探测器的计分功.

返回目录目录33哈里斯角检测33.1 目标33.2 理论33.3OpenCV中的哈里斯角检测33.4SubPixel精度的转角33哈里斯角检测33.1 目标在本章中， - 我们将了解”Harris Corner Detection”背后的概念。 - 我们将看到以下函数：cv.cornerHarris() cv.cornerSubPix()33.2 理论在上一章中，我们看到角是图像中各个方向上强度变化很大的区域。Chris Harris和Mike S...

返回目录32交互式前景提取使用GrabCut算法32.1 目标在本章中，我们将尝试理解什么是特征，为什么拐角重要等等32.2 解释你们大多数人都会玩拼图游戏。你会得到很多小图像，需要正确组装它们以形成大的真实图像。问题是，你怎么做？将相同的理论投影到计算机程序上，以便计算机可以玩拼图游戏呢？如果计算机可以玩拼图游戏，为什么我们不能给计算机提供很多自然风光的真实图像，并告诉计算机将所有这些图像拼接成一个大图像呢？如果计算机可以将多个自然图像缝合在一起，那么如何给建筑物或任何结构提供大量图.

返回目录目录31交互式前景提取使用GrabCut算法31.1 目标31.2 理论31.3示例31.4练习31交互式前景提取使用GrabCut算法31.1 目标在本章中，我们将看到GrabCut算法来提取图像中的前景。我们将为此创建一个交互式应用程序。31.2 理论GrabCut算法由英国微软研究院的Carsten Rother，Vladimir Kolmogorov和Andrew Blake设计。在他们的论文“GrabCut”中：使用迭代图割的交互式前...

返回目录30 图像分割与Watershed算法30.1 目标在本章中，我们将学习使用分水岭算法实现基于标记的图像分割 - 我们将看到：cv.watershed()30.2 理论任何灰度图像都可以看作是一个地形表面，其中高强度表示山峰，低强度表示山谷。你开始用不同颜色的水(标签)填充每个孤立的山谷(局部最小值)。随着水位的上升，根据附近的山峰(坡度)，来自不同山谷的水明显会开始合并，颜色也不同。为了避免这种情况，你要在水融合的地方建造屏障。你继续填满水，建造障碍，直到所有的山峰都在水下。然

返回目录29霍夫圈变换29.1 目标在本章中，我们将学习使用霍夫变换来查找图像中的圆。我们将看到以下函数：cv.HoughCircles()29.2 理论圆在数学上表示为，其中是圆的中心，r是圆的半径。从等式中，我们可以看到我们有3个参数，因此我们需要3D累加器进行霍夫变换，这将非常低效。因此，OpenCV使用更加技巧性的方法，即使用边缘的梯度信息的Hough梯度方法。我们在这里使用的函数是cv.HoughCircles()。它有很多参数，这些参数在文档中有很好的解释。因此，我们直.

返回目录28霍夫线变换28.1 目标在这一章当中，我们将了解霍夫变换的概念。我们将看到如何使用它来检测图像中的线条。我们将看到以下函数：cv.HoughLines()，cv.HoughLinesP()28.2 理论欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。...

返回目录27模板匹配27.1 目标在本节中，我们将学习 - 使用OpenCV查找图像的傅立叶变换 - 利用Numpy中可用的FFT函数-傅立叶变换的某些应用程序 - 我们将看到以下函数：cv.dft()，cv.idft()等27.2 理论傅立叶变换用于分析各种滤波器的频率特性。对于图像，使用2D离散傅里叶变换(DFT)查找频域。欢迎评论区留言，一起探讨OpenCV成神之路.

返回目录目录26傅里叶变换26.1 目标26.2 理论26.3Numpy中的傅里叶变换26.4OpenCV中的傅里叶变换26.5DFT的性能优化26.6 为什么拉普拉斯算子是高通滤波器？26.7附加资源26傅里叶变换26.1 目标在本节中，我们将学习 - 使用OpenCV查找图像的傅立叶变换 - 利用Numpy中可用的FFT函数-傅立叶变换的某些应用程序 - 我们将看到以下函数：cv.dft()，cv.idft()等26.2 理论傅立叶...

返回目录25直方图-4：直方图反投影25.1 目标在本章中，我们将学习直方图反投影。25.2 理论这是由Michael J.Swain和Dana H.Ballard在他们的论文《通过颜色直方图索引》中提出的。用简单的话说是什么意思？它用于图像分割或在图像中查找感兴趣的对象。简而言之，它创建的图像大小与输入图像相同（但只有一个通道），其中每个像素对应于该像素属于我们物体的概率。用更简单的话来说，与其余部分相比，输出图像将在可能有对象的区域具有更多的白色值。好吧，这是一个直观的解释。（.

返回目录目录24直方图-3：二维直方图24.1 目标24.2 介绍24.3 OpenCV中的二维直方图24.4Numpy中的二维直方图24.5 绘制二维直方图24.5.1方法1：使用 cv.imshow()24.5.2方法2：使用Matplotlib24.5.3方法3：OpenCV示例样式24直方图-3：二维直方图24.1 目标在本章中，我们将学习查找和绘制2D直方图。这将在以后的章节中有所帮助。24.2 介绍在第一篇文章中，我们...

返回目录23直方图-2：直方图均衡23.1 目标在本节中，我们将学习直方图均衡化的概念，并利用它来提高图像的对比度。23.2理论考虑这样一个图像，它的像素值仅局限于某个特定的值范围。例如，较亮的图像将把所有像素限制在高值上。但是一幅好的图像会有来自图像所有区域的像素。因此，您需要将这个直方图拉伸到两端(如下图所示，来自wikipedia)，这就是直方图均衡化的作用(简单来说)。这通常会提高图像的对比度。我建议您阅读直方图均衡化上的Wikipedia页面，以获取有关它的更多详细..

返回目录目录22直方图-1：查找、绘制和分析22.1 目标22.2理论22.3寻找直方图22.3.1OpenCV中的直方图计算22.3.2numpy的直方图计算22.4绘制直方图22.4.1使用Matplotlib22.4.2使用OpenCV22.5掩码的应用22.6附加资源22直方图-1：查找、绘制和分析22.1 目标学会 - 使用OpenCV和Numpy函数查找直方图 - 使用OpenCV和Matplotlib函数绘...

返回目录21轮廓分层这次我们学习轮廓的层次，即轮廓中的父子关系。21.1 理论在前几篇关于轮廓的文章中，我们已经讨论了与OpenCV提供的轮廓相关的几个函数。但是当我们使用cv.findcontour()函数在图像中找到轮廓时，我们已经传递了一个参数，轮廓检索模式。我们通常通过了cv.RETR_LIST或cv.RETR_TREE，效果很好。但这到底意味着什么呢?另外，在输出中，我们得到了三个数组，第一个是图像，第二个是轮廓，还有一个我们命名为hierarchy的输出(请检查前面...

返回目录20 轮廓：更多属性在本章中，我们将学习 - 凸性缺陷以及如何找到它们 - 查找点到多边形的最短距离 - 匹配不同的形状20.1 理论和代码20.1.1凸性缺陷我们看到了关于轮廓的第二章的凸包。从这个凸包上的任何偏差都可以被认为是凸性缺陷。OpenCV有一个函数来找到这个，cv.convexityDefects()。一个基本的函数调用如下:hull = cv.convexHull(cnt,returnPoints = False)defects = cv.convexi.

返回目录19轮廓属性在这里，我们将学习提取一些常用的物体属性，如坚实度，等效直径，掩模图像，平均强度等。更多的功能可以在Matlab regionprops文档中找到。19.1 长宽比它是对象边界矩形的宽度与高度的比值。x, y, w, h = cv.boundingRect(cnt)aspect_ratio = float(w)/h19.3范围范围是轮廓区域与边界矩形区域的比值。area = cv.contourArea(cnt)x, y, w, h =..

返回目录17轮廓：入门17.1 目标了解轮廓是什么。 学习查找轮廓，绘制轮廓等。 你将看到以下功能：cv.findContours()，cv.drawContours()17.2什么是轮廓?轮廓可以简单地解释为连接具有相同颜色或强度的所有连续点（沿边界）的曲线。轮廓是用于形状分析以及对象检测和识别的有用工具。为了获得更高的准确性，请使用二进制图像。因此，在找到轮廓之前，请应用阈值或canny边缘检测。 从OpenCV 3.2开始，findContours()不再修改源...

返回目录目录16图像金字塔16.1 目标16.2 理论16.3使用金字塔进行图像融合16图像金字塔16.1 目标在本章中， - 我们将学习图像金字塔 - 我们将使用图像金字塔创建一个新的水果“Orapple” - 我们将看到以下功能：cv.pyrUp()，cv.pyrDown()16.2 理论通常，我们过去使用的是恒定大小的图像。但是在某些情况下，我们需要使用不同分辨率的（相同）图像。例如，当在图像中搜索某些（例如人脸）时，我们不确定对象...

15 Canny边缘检测15.1 目标在本章中，我们将学习 - Canny边缘检测的概念 - OpenCV函数: cv.Canny()15.2 理论Canny Edge Detection是一种流行的边缘检测算法。它由John F. Canny发明这是一个多阶段算法，我们将经历每个阶段。 降噪由于边缘检测容易受到图像中噪声的影响，因此第一步是使用5x5高斯滤波器消除图像中的噪声。我们已经在前面的章节中看到了这一点。15.2.1查找图像的强度梯度然后使用Sobel核在...

14 图像梯度14.1 目标在本章中，我们将学习：- 查找图像梯度，边缘等 - 我们将看到以下函数：cv.Sobel()，cv.Scharr()，cv.Laplacian()等14.2理论OpenCV提供三种类型的梯度滤波器或高通滤波器，即Sobel，Scharr和Laplacian。我们将看到他们每一种。14.2.1Sobel和Scharr算子Sobel算子是高斯平滑加微分运算的联合运算，因此它更抗噪声。你可以指定要采用的导数方向，垂直或水平（分别通过参数yorder和...

1形态学转换13.1 目标

12图像平滑12.1 目标学会： - 使用各种低通滤镜模

11图像阈值11.1 目标在本教程中，您将学习简单阈值，自适应阈值和Otsu阈值。 你将学习函数cv.threshold和cv.adaptiveThreshold。11.2简单阈值在这里，问题直截了当。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.threshold用于应用阈值。...

返回目录10 图像的几何变换10.1 目标学习将不同的几何变换应用到图像上，如平移、旋转、仿射变换等。 你会看到这些函数: cv.getPerspectiveTransform10.2变换OpenCV提供了两个转换函数cv.warpAffine和cv.warpPerspective，您可以使用它们进行各种转换。cv.warpAffine采用2x3转换矩阵，而cv.warpPerspective采用3x3转换矩阵作为输入。...

返回目录9 改变颜色空间9.1 目标在本教程中，你将学习如何将图像从一个色彩空间转换到另一个，像BGR↔灰色，BGR↔HSV等 除此之外，我们还将创建一个应用程序，以提取视频中的彩色对象。 你将学习以下功能：cv.cvtColor，cv.inRange等。9.2改变颜色空间...

返回目录8 性能衡量和提升技术8.1 目标在图像处理中

返回目录7 图像上的算术运算7.1 目标学习图像的几种算术运算，例如加法，减法，按位运算等。您将学习以下功能：cv.add，cv.addWeighted等。

返回目录6 图像的基本操作6.1 目标学会： - 访问像素值并修改它们 - 访问图像属性 - 设置感兴趣区域(ROI) - 分割和合并图像。本节中的几乎所有操作都主要与Numpy相关，而不是与OpenCV相关。要使用OpenCV编写更好的优化代码，需要Numpy的丰富知识。6.2访问和修改像素值让我们先加载彩色图像：import numpy as npimport cv2 as cvimg = cv.imread('21.jpg')运行结果如下：你可以通...

返回目录1 图像入门--图像要使用opencv之前，我们需要导入opencv，使用import cv2 as cv，接下来，开始重头戏。1.1 读取图像读取图像我们使用的是cv.imread(failname, flags)，其中：第一个参数是我们读取的图片名，第二个参数是一个标志，制定了读取图像的方式，一般有以下三种模式。cv.IMREAD_COLOR(1)： 加载彩色图像。任何图像的透明度都会被忽视。它是默认标志。 cv.IMREAD_GRAYSCALE(0)：以灰度模式加载.

返回目录4 鼠标作为画笔4.1 简单的演示这里用到函数是cv.setMouseCallback()。在这里，我们创建一个简单的应用程序，无论我们在哪里双击它，都可以在图像上绘制一个圆。首先，我们创建一个鼠标回调函数，该函数在发生鼠标事件时执行。鼠标事件可以是与鼠标相关的任何事物，例如左键按下，左键按下，左键双击等。它为我们提供了每个鼠标事件的坐标(x，y)。通过此活动和地点，我们可以做任何我们喜欢的事情。要列出所有可用的可用事件，请在Python终端中运行以下代码：import..

返回目录1 图像入门--图像要使用opencv之前，我们需要导入opencv，使用import cv2 as cv，接下来，开始重头戏。1.1 读取图像读取图像我们使用的是cv.imread(failname, flags)，其中：第一个参数是我们读取的图片名，第二个参数是一个标志，制定了读取图像的方式，一般有以下三种模式。cv.IMREAD_COLOR(1)： 加载彩色图像。任何图像的透明度都会被忽视。它是默认标志。 cv.IMREAD_GRAYSCALE(0)：以灰度模式加载.

2 图像入门--视频2.1 从相机中读取视频要捕获视频，你需要创建一个 VideoCapture 对象。它的参数可以是设备索引或视频文件的名称。设备索引就是指定哪个摄像头的数字。正常情况下，一个摄像头会被连接。所以我简单地传0(或-1)。你可以通过传递1来选择第二个相机，以此类推。在此之后，你可以逐帧捕获。但是在最后，不要忘记释放俘虏。代码如下：import cv2 as cvcapture = cv.VideoCapture(0)if not capture.isOpened():

1 图像入门--图像要使用opencv之前，我们需要导入opencv，使用import cv2 as cv，接下来，开始重头戏。1.1 读取图像读取图像我们使用的是cv.imread(failname, flags)，其中：第一个参数是我们读取的图片名，第二个参数是一个标志，制定了读取图像的方式，一般有以下三种模式。cv.IMREAD_COLOR(1)： 加载彩色图像。任何图像的透明度都会被忽视。它是默认标志。 cv.IMREAD_GRAYSCALE(0)：以灰度模式加载图像 cv.

欢迎关注『自学OpenCV4.1官方文档 @满目星辰wwq』 系列，持续更新自学OpenCV4.1官方文档（02）——图像入门--图像 自学OpenCV4.1官方文档（02）——图像入门--视频 自学OpenCV4.1官方文档（03）——OpenCV中的绘图功能 自学OpenCV4.1官方文档（04）——鼠标作为画笔 自学OpenCV4.1官方文档（05）——轨迹栏作为调色板 自学OpenCV4.1官方文档（06）——图像的基本操作 自学OpenCV4.1官方文档（07）——图像上的算.

欢迎关注『快速学完OpenCV+python计算机视觉图像处理 @满目星辰wwq』 系列，持续更新快速学完OpenCV+python计算机视觉图像处理（一）快速学完OpenCV+python计算机视觉图像处理（二）快速学完OpenCV+python计算机视觉图像处理（三）快速学完OpenCV+python计算机视觉图像处理（四）快速学完OpenCV+python计算机视觉图像处理（五）以下是快速学完OpenCV+python计算机视觉图像处理的个人总结。任何知识或者学科都不可能快