OpenCV_basis

OpenCV_base

图片
加载图片：cv2.imread（‘图片文件名’，1彩色图/0灰度图/-1包含透明通道的彩色图）#图片若不在py文件中，则需要绝对路径，且不含中文。

根据图片大小自适应串口，显示图片：cv2.imshow（‘窗口名’，已加载的参数名）

#如果需要在已经打开的窗口显示图片，窗口名需一致

程序暂停（ms）：cv2.waitKey（time）#0表示等待，等待期间也可以获取用户的按键输入

创建一个窗口：cv2.namedWindow(1，2) #1窗口的名字，2默认是cv2.WINDOW_AUTOSIZE，表示窗口大小自适应图片，也可以设置为cv2.WINDOW_NORMAL，表示窗口大小可调整

保存图片：cv2.imwrite(1，2) #1是包含后缀名的文件名，2为已加载的参数名 #在参数1中，写上路径，教程中是没有写，但是我搜索电脑之后发现没有这个文件，在添加路径之后就可以了

摄像头

打开摄像头：cv2.VideoCapture(0)创建VideoCapture对象 #0指摄像头的编号，如果你电脑上有两个摄像头的话，访问第2个摄像头就可以传入1，依此类推 #如将数字改成路径，则是播放视频。
获取一帧：ret,frame = capture.read() #由于获取是一帧一帧的，因此需要在循环中不断获取帧 #返回值ret为布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。frame就是每一帧的图像，是个三维矩阵

等待键盘输入：
cv2.waitKey(1)，waitKey（）方法本身表示等待键盘输入，
#参数是1，表示延时1ms切换到下一帧图像，对于视频而言；参数为0，如cv2.waitKey(0)只显示当前帧图像，相当于视频暂停,；参数过大如cv2.waitKey(1000)，会因为延时过久而卡顿感觉到卡顿。
c得到的是键盘输入的ASCII码，esc键对应的ASCII码是27，即当按esc键是if条件句成立

转换颜色：cv2.cvtColor(图，颜色)，这里将彩色图转成灰度图。
另外，通过cap.get(propId)可以获取摄像头的一些属性，比如捕获的分辨率，亮度和对比度等。propId是从0~18的数字，代表不同的属性，完整的属性列表可以参考：VideoCaptureProperties。也可以使用cap.set(propId,value)来修改属性值。
判断是否正常打开：capture.isOpened() #返回的是布尔值

#30表示停留时间，越大，播放越慢。

录制视频1
创建对象 cv2.VideoWriter(1#输出的文件名，如’output.avi’, 2 #编码方式FourCC码, 3 #帧率FPS, 4 #要保存的分辨率大小) #录制或保存视频

FourCC是用来指定视频编码方式的四字节码，所有的编码可参考Video Codecs。如MJPG编码可以这样写： cv2.VideoWriter_fourcc(*‘MJPG’) 或 cv2.VideoWriter_fourcc(‘M’,‘J’,‘P’,‘G’）

#流程： 打开摄像头，创建VideoWriter对象，传入参数，在循环中：读帧，写帧

图像基本操作

1.获取和修改像素点值:(此法只改变了内存中的img像素点，因为没有保存，所以原图无改变）
①读入图片 ②获取像素点值 px = （读入的图片）（y,x）#行列分别对应y，x #只获取蓝色通道值，px_blue = (读入的图片)[y,x,0] #0蓝色 B 1绿色 G 2红色 R
③img[100, 90] = [255, 255, 255] #改变这个像素点的B G R
⭐性能更好的方式：获取：img.item(100,100,0)，修改：img.itemset((100,100,0),255) #但这种方式只能B,G,R逐一进行。（选择这个点的基色，修改属性）
2.获取图像的形状:对象名.shape #返回一个包含行数（高度）、列数（宽度）和通道数的元组，灰度图只返回行数和列数

3.获取图片数据类型：对象名.dtype #经验之谈：多数错误是因为数据类型不对导致的，所以健壮的代码应该对这个属性加以判断

4.获取图像总像素数：对象名.size
5.ROI(Region of Interest) #如我们要检测眼睛，因为眼睛肯定在脸上，所以我们感兴趣的只有脸这部分，其他都不care，所以可以单独把脸截取出来，这样就可以大大节省计算量，提高运行速度

6.通道分隔与合并：彩色图的BGR三个通道是可以分开单独访问的，也可以将单独的三个通道合并成一副图像。分别使用cv2.split()和cv2.merge()：

split（）比较耗时，用numpy中的索引跟高效

颜色空间转换

1.函数：cv2.cvtColor(), cv2.inRange() #cv2.cvtColor()用来进行颜色模型转换，参数1是要转换的图片，参数2是转换模式， COLOR_BGR2GRAY表示BGR→Gray，可用下面的代码显示所有的转换模式：
2.视频中特定颜色物体追踪（HSV模型）#OpenCV中色调H范围为[0,179]，饱和度S是[0,255]，明度V是[0,255]。虽然H的理论数值是0°~360°，但8位图像像素点的最大值是255，所以OpenCV中除以了2，某些软件可能使用不同的尺度表示，所以同其他软件混用时，记得归一化。
步骤：
1.捕获视频的一帧 #capture.read()
2.从BGR转换到HSV #cv2.cvtColor()
3.提取蓝色范围的物体# cv2.inRange()：介于lower/upper之间的为白色，其余黑色
4.只显示蓝色物体 #cv2.bitwise_and
#蓝色光范围获取：先将标准蓝色的BGR值用cvtColor（）转换：
根据此调节范围

总结：获取视频中每个像素点的BGR数值，转换成HSV数值，插入红蓝绿的HSV范围，与视频的HSV比较，如果在范围里面，则判断为是红蓝黄，如果是，则写入数组中，即，最终获得的是数组，如果需同时显示三色，则将三个数组相加即可，最后再保留所需颜色即可。

#颜色转换其实是数学运算，如灰度化最常用的是：gray=R0.299+G0.587+B*0.114

阈值分割（像素点值大于某一阈值转换为一类，小于则另一类）

1. ret, th = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #参数1：要处理的原图，一般是灰度图 参数2：设定的阈值 参数3：最大阈值，一般为255 参数4：阈值的方式，主要有5种，详情：ThresholdTypes
2. 自适应阈值（对于阴暗分布不均匀的图片）：
   
   cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
   ‘’’
   参数1：要处理的原图
   参数2：最大阈值，一般为255
   参数3：小区域阈值的计算方式
   o ADAPTIVE_THRESH_MEAN_C：小区域内取均值
   o ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
   参数4：阈值方式（跟前面讲的那5种相同）
   参数5：小区域的面积，如11就是11*11的小块 #越大越精细 效率？
   参数6：最终阈值等于小区域计算出的阈值再减去此值 #试验：为0时会很多小点，为个位数时能去除黑点，过大清除图片（全白）
   ‘’’

#在前面固定阈值中，我们是随便选了一个阈值如127，那如何知道我们选的这个阈值效果好不好呢？答案是：不断尝试，所以这种方法在很多文献中都被称为经验阈值。Otsu阈值法就提供了一种自动高效的二值化方法，不过我们直方图还没学，这里暂时略过。

图形几何变换

缩放就是调整图片的大小，使用cv2.resize()函数实现缩放。可以按照比例缩放，也可以按照指定的大小缩放：
import cv2
img = cv2.imread(‘drawing.jpg’)

按照指定的宽度、高度缩放图片

res = cv2.resize(img, (132, 150))

按照比例缩放，如x,y轴均放大一倍

res2 = cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_LINEAR)
cv2.imshow(‘shrink’, res), cv2.imshow(‘zoom’, res2)
cv2.waitKey(0)
我们也可以指定缩放方法interpolation，更专业点叫插值方法，默认是INTER_LINEAR，