2021-08 cv复习_zj71hmvx-CSDN博客

本文链接：https://blog.csdn.net/zj71hmvx/article/details/119448098

opencv复习
B站视频

基础

一些基础操作
0黑
255白
图像为【B,G,R】

图像读取
ROI截取
边界填充
像素运算
图像阈值化
缩放
仿射变换
旋转
平移
透视

平滑处理

离散卷积
高斯平滑
均值平滑
中值平滑
双边滤波，联合双边滤波
导向滤波

形态学处理

形态学处理
腐蚀是白色区域变小，膨胀是白色区域变大
open去除亮色区域，close去除暗色区域
形态学梯度可以提取轮廓

腐蚀
膨胀
形态学梯度（膨胀运算结果减去腐蚀运算结果）
open（先腐蚀再膨胀）
close（先膨胀再腐蚀）
tophat（原图像减去open结果）
blackhat（原图像减去close结果）

边缘检测

Roberts算子
Prewitt算子
sobel算子
Scharr算子
Laplacian算子
高斯拉普拉斯(LoG)边缘检测
高斯差分(Difference of Gaussian, DoG)边缘检测

canny边缘检测算法

用高斯平滑滤波，滤除噪声
用sobel算子计算每个像素的梯度强度和方向
用非极大值（Non-Maximum Suppression）抑制，消除边缘检测带来的杂散相应
双阈值检测（Double-Threshold）以确定真实和潜在的边缘

图像金字塔

图像金字塔
层级越高，图像越小，分辨率越低。

高斯金字塔
拉普拉斯金字塔

高斯金字塔用来向下降采样图像，沿着金字塔往尖尖走，pyrDown函数，即缩小图像。
拉普拉斯金字塔则用来从金字塔底层图像中向上采样重建一个图像，pyrUp函数，即放大图像。

轮廓检测

轮廓检测
边缘是零散的，轮廓是连贯的
需要对数据先进行一些处理，比如二值灰度图，之后再进行检测
绘制轮廓的时候要记得用copy.()

findContours() 寻找图片中的轮廓
drawContours() 绘制检测到的轮廓
arcLength() 计算点集所围区域的周长
contourArea() 计算点集所围区域的面积
pointPolygonTest() 计算坐标点和一个轮廓的位置关系
approxPolyDP() 轮廓近似
minAreaRect() 最小外接矩形
minEnclosingCircle() 外接圆

模板匹配

模板匹配Template Match
和卷积类似，从左上角进行滑动匹配，计算差异程度，用max或min选最匹配的

CV_TM_SQDIFF() 平方差匹配法，值越小，越相关
CV_TM_CCORR() 相关性匹配法，值越大，越相关
CV_TM_CCOEFF() 系数匹配法，值越大，越相关
CV_TM_SQDIFF_NORMED() 归一化平方差，值越接近0，越相关
CV_TM_CCORR_NORMED() 归一化相关性，值越接近1，越相关
CV_TMCCOEFF_NORMED() 归一化相关系数，值越接近1，越相关

匹配多个对象：
设定阈值，画出所有满足阈值的location

直方图

从0到255，统计每个像素点出现的个数

calcHist() 函数
equalizeHist() 直方图均衡化
createCLAHE() 自适应均衡化

傅里叶变换

傅里叶变换
低通滤波器：只保留低频，让图像变模糊
高通滤波器：只保留高频，让图像细节强

傅里叶变换
快速傅里叶变换
傅里叶幅度谱和相位谱

harris角点检测

特征匹配
角点是图像灰度图，任意方向都变化迅速的点，是特征值都大，自相关函数在各自方向都大
边界是特征值一大一小，自相关函数在一个方向大，其他方向小
平面是特征值都小，自相关函数在各自方向都小

两幅视角不同的照片，通过寻找角点进行匹配
最后加非极大值抑制，进行过滤

SIFT

Scale-invariant feature transform
图像尺度空间用高斯模糊识别
高斯滤波后会有边界响应
每个特征点得到三个信息：位置，尺度，方向
一个特征点能产生多个位置，尺度相同，方向不同的特征点
用尺度和方向，生成特征描述，计算关键点梯度后用直方图统计相邻范围内像素的梯度个方向。
把特征转换成向量时，为了满足矢量的旋转不变性，以特征点为中心，在临近区域将坐标轴旋转。