压力表使用函数2

1.高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。

cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType)-> dst

#(5, 5)表示高斯矩阵的长与宽都是5，标准差取0

——src输入图像。
——dst输出图像的大小和类型与src相同。
——ksize高斯内核大小。 ksize.width和ksize.height可以不同，但​​它们都必须为正数和奇数，也可以为零，然后根据sigmaX和sigmaY计算得出。
——sigmaX X方向上的高斯核标准偏差。
——sigmaY Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigmaY。
原文链接：https://blog.csdn.net/weixin_52012241/article/details/122284713#

import numpy as np
import cv2
img = cv2.imread('./12.jpg')
img = cv2.resize(img, None, fx=0.5, fy=0.5,
                  interpolation=cv2.INTER_CUBIC)#调整图片大小
cv2.imshow('Original', img)
blur_image = cv2.GaussianBlur(img, (5, 5), 0)#(5, 5)表示高斯矩阵的长与宽都是5，标准差取0
cv2.imshow('Blurred Image', blur_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.#adaptiveThreshold虽然人物的信息丢失了很多，但是背景基本上被去掉了

binary = cv2.adaptiveThreshold(gray, 255,
                               cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, -10) #二值化

3.轮廓检测contours, hierarchy = cv2.findContours(image,mode,method)

轮廓检测也是图像处理中经常用到的。OpenCV-Python接口中使用cv2.findContours()函数来查找检测物体的轮廓。

image：输入图像
mode：轮廓的模式。cv2.RETR_EXTERNAL只检测外轮廓；cv2.RETR_LIST检测的轮廓不建立等级关系；cv2.RETR_CCOMP建立两个等级的轮廓，上一层为外边界，内层为内孔的边界。如果内孔内还有连通物体，则这个物体的边界也在顶层；cv2.RETR_TREE建立一个等级树结构的轮廓。
method：轮廓的近似方法。cv2.CHAIN_APPROX_NOME存储所有的轮廓点，相邻的两个点的像素位置差不超过1；cv2.CHAIN_APPROX_SIMPLE压缩水平方向、垂直方向、对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需要4个点来保存轮廓信息；cv2.CHAIN_APPROX_TC89_L1，cv2.CV_CHAIN_APPROX_TC89_KCOS
contours：返回的轮廓
hierarchy：每条轮廓对应的属性

注意：cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。

 4. cv2.polylines()用来画多边形。

• 第1个参数为图像对象；
• 第2个参数为包含一个三元组元素的列表，包含了多边形的各个顶点；
• 第3个参数为Bool型参数表示是否闭合；
• 第4个参数为颜色；

• 第5个参数为线条宽度，注意不能使用-1表示填充；

cv2.polylines(img, [box], True, (0, 255, 0), 1)  # pic