OpenCV

计算机视觉（computer vision）是人工智能的一个分支

 

在计算机眼中图像是长什么样子      

        图像在计算机中是由很多个像素点组成的，就像一个矩阵一样，矩阵中的数值是0-255,0是最暗，就是黑色，255是最亮，就是白色，共有红绿蓝三通道，

所有如果图片大小是500*500，则矩阵就是[500,500,3]

图像处理的第一步是把图像读进来转换成像素矩阵

 

视频也是由图像组成的，把每一帧（每一个静止图像）连在一起了，就形成看着像是动的视频了

 

图像基本操作

数据读取-图像

数据读取-视频

截取部分图像数据（ROI，Region of interest）

颜色通道提取

边界填充

数值计算

图像融合

https://github.com/skyerhxx/blog-code/blob/master/%E5%9B%BE%E5%83%8F%E5%9F%BA%E6%9C%AC%E6%93%8D%E4%BD%9C.ipynb

https://github.com/skyerhxx/blog-code/blob/master/%E5%9B%BE%E5%83%8F%E6%93%8D%E4%BD%9C.zip

 

图像处理

图像阈值

图像平滑

说白了就是对图像进行各种滤波操作（卷积处理）

现在图像上有噪音点，想通过一些滤波或者是平滑操作去掉这些噪音点

 

图像形态学处理

腐蚀操作

用腐蚀操作就能够去掉这些毛刺

毛刺都没有了，线条变细了

iteration改成2、3就更细了

膨胀操作

膨胀操作可以让变细的线条变粗，和腐蚀操作是互为逆操作的

腐蚀是在这种混合的情况下都变黑，而膨胀是在这种情况下都变白

开运算与闭运算

开：先腐蚀再膨胀

闭：先膨胀再腐蚀

梯度运算

梯度=膨胀-腐蚀

提取轮廓

礼貌与黑帽

礼帽 = 原始输入-开运算结果

      提取出刺来
黑帽 = 闭运算-原始输入

    只留下一个大致轮廓

 

图像梯度处理

图像梯度-Sobel算子

 

对变化会比较敏感

边缘检测

因为是一个叫Canny的人发表论文提出来，所以叫Canny边缘检测

非极大值抑制的一个基本应用举例：

人脸检测过程中，检测人脸的位置可能会得出比较多的结果，好几个框，那么最终检测出来的只有一个，这个就是去的极大值。比如红框检测到是人脸的可能性99%，蓝框97%，黄框96%，那就是取红框了，黄框和蓝框就抑制了

 

Canny函数中的80,150就是就是minvalue和maxvalue

左边是80,150的，右边是50,100的

右边小一点的得到的信息更多，可以看出图上点更多

图像金字塔与轮廓检测

图像金字塔

从下往上走叫向下采样

如果先执行上采样再执行下采样得到的图片大小可能和原来一样，但是清晰度会变的，会损失一些信息，因为扩大的时候是拿0来填充的

拉普拉斯金字塔

图像轮廓

之前图像的边缘检测，是零零散散的线段，不能算作轮廓。轮廓首先得是一个整体的

如果不img.copy(),下面的操作就会把原图像改变了

轮廓特征

轮廓近似

边界矩形

就是外接矩形

contours[x]  x的不同会选择不同的图形

外接圆

傅里叶变换

 

https://github.com/skyerhxx/blog-code/blob/master/%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86.ipynb

https://github.com/skyerhxx/blog-code/blob/master/%E5%9B%BE%E5%83%8F%E6%93%8D%E4%BD%9C.zip

直方图与模板匹配

直方图

统计每个值出现的点的个数

（256,1）中的1是指二维的图像

mask操作

直方图均衡化

自适应直方图均衡化

 

模板匹配

就是找左图在右图中的匹配的位置

带归一化的结果都不太差

匹配多个对象

匹配的模板是一个金币

 

https://github.com/skyerhxx/blog-code/blob/master/%E7%9B%B4%E6%96%B9%E5%9B%BE%E4%B8%8E%E6%A8%A1%E6%9D%BF%E5%8C%B9%E9%85%8D.ipynb

https://github.com/skyerhxx/blog-code/blob/master/%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86.zip

 

图像特征—harri角点检测

 

参考：

https://www.bilibili.com/video/av59316056/?p=1