《计算机视觉技术与应用》重点复盘

系列文章目录

《计算机视觉技术与应用》-----第二章 图像处理基础

《计算机视觉技术与应用》-----第三章 图形用户界面

《计算机视觉技术与应用》-----第四章 图像变换

《计算机视觉技术与应用》-----第五章 边缘和轮廓

《计算机视觉技术与应用》-----第六章 边缘和轮廓

《计算机视觉技术与应用》-----第七章 边缘和轮廓

《计算机视觉技术与应用》----- 重点复盘

---

---

前言

---

一、重点掌握

填空（15个题），判断（10个题），简答（1个题）共60分。

第一章 OpenCV起步

• 安装Numpy命令是pip install Numpy。

第二章 图像处理基础

• 在Python程序中，OpenCV使用NumPy数组来存储图像。 OpenCV默认的图像格式为BGR，即3通道图像数组的3个维度依次为B（蓝色）、G（绿色）和R（红色）通道的像素。
• 使用zeros()函数创建数组，数组元素默认值是0。
• img.shape的输出结果为（512，512，3），说明表示彩色图像的一个三维数组，3个值依次表示图像的高度、宽度和通道数；图像的分辨率为512x512。
• OpenCV播放视频的实质是逐帧读取和显示图像。 通常，计算机将灰度处理为256级，0表示黑色，255表示白色。
  cv2.split()函数用于拆分通道。

第三章 图形用户界面

• 绘制矩形的函数是cv2.rectangle() ，绘制圆的函数是cv2.circle()。
• 绘制椭圆的函数是cv2.ellipse()。
• 绘制文本的函数是cv2.putText()。

第四章 图像变换

• cv2.COLOR_BGR2RGB:将BGR色彩空间转换为RGB色彩空间。
• GRAY色彩空间通常指8位灰度图像，其颜色取值范围是**[0,256]** 。
• YCrCb色彩空间用亮度Y、红色Cr和蓝色Cb表示图像。
• 图像翻转函数是cv2.flip()。
• HSV色彩空间使用色调、饱和度和亮度表示图像。
• 仿射变换包含了平移、旋转、缩放等操作。
• 图像模糊主要目的是消除图像噪声和边缘。
• 均值滤波是指以当前点为中心，用其周围N x N个点像素值的平均值代替当前点的像素值。
• 中值滤波是取中间值作为邻域中心点的像素值。
• 开运算先将图像执行腐蚀操作，再对腐蚀结果执行膨胀操作。

第五章 边缘和轮廓

• 图像的边缘是指图像中灰度值发生急剧变化的位置，边缘检测的目的是为了绘制出边缘线条。
• 边缘检测的结果通常为黑白图像，图像中的白色线条表示边缘。

第六章 直方图

• 直方图横坐标表示图像像素的灰度级，纵坐标表示像素灰度级的数量。
• 二维直方图统计像素的色相和饱和度，用于查找图像的颜色直方图。

第七章 模版匹配和图像分割

• 模板匹配是指在当前图像中查找与目标图像相近的部分。图像分割是指将前景对象从图像中分割或提取出来。
• 单目标匹配是指输入图像中只存在一个可能匹配结果。

第八章 特征检测

• ORB特征检测以FAST特征检测器和BRIEF描述符为基础进行了改进，以获得更好的特征检测性能。
  FAST特征检测器主要根据像素周围16个像素的强度和阈值参数来判断像素是否为关键点。

二、编程题

两个编程题，共40分。

第二章习题

```python
#习题2-1.py：创建一幅大小为240×320的图像，图像中心是一个大小为100×100的红色正方形，周围是黑色

import cv2
import numpy
img = numpy.zeros((240,320,3),dtype=numpy.uint8) #创建黑色背景
img[70:170,110:210,2]=255  #创建红色区域（100*100）
cv2.imshow('xiti2-1',img)
cv2.waitKey(0)

#习题2-2.py：选择一幅彩色图像，完成下列操作：
#（1）将图像转换为灰度图像显示。
#（2）将图像尺寸减小为原来的1/2显示。
import cv2
img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)#（1）将彩色图像转换为灰度图像
cv2.imshow('GRASCALE',img)
img=cv2.imread('lena.jpg',cv2.IMREAD_REDUCED_COLOR_2)#(2)将图像尺寸缩小为原来的1/2
cv2.imshow('COLOR_2',img)
cv2.waitKey(0)
cv2.waitKey(0)

#习题2-3.py：选择一幅彩色图像，通过像素更改，在图像中显示一个大小为80×100的黑色正方形。
import cv2
img=cv2.imread('lena.jpg')
h,w,s=img.shape  #得到原图的高宽通道
h1=int(h/2)  #获取原图高度的一半，并且强制转换为int
w1=int(w/2)
img[h1-40:h1+40,w1-50:w1+50,:]=0  #也可以直接通过像素区域打码 在img中 img[::]=255
cv2.imshow('xiugai',img)
cv2.waitKey(0)

#习题2-4.py：选择一幅彩色图像，分别显示其B、G、R通道图像。
import cv2
img = cv2.imread('lena.jpg')
cv2.imshow('lena',img)
b,g,r=cv2.split(img)#重点
cv2.imshow('lena-b',b)
cv2.imshow('lena-g',g)
cv2.imshow('lena-r',r)
cv2.waitKey(0)

#习题2-5.py：选择一幅彩色图像，用NumPy数组创建掩模，在图像中心取出大小为80×120的图像。
import cv2
import numpy
src1 = cv2.imread('lena.jpg')
h,w,s=src1.shape
img = numpy.zeros((h,w,s),dtype=numpy.uint8) #创建黑色背景
h1=int(h/2)
w1=int(w/2)
img[h1-40:h1+40,w1-60:w1+60,:]=255
img2=cv2.bitwise_and(src1,img) #题目要求是用Numpy数组创建掩膜的方式打码 img[10:90,20:120,:]=255
cv2.imshow('yanmo',img2)
cv2.waitKey(0)

第五章习题

#习题5-1 选择一幅图像，对其执行Laplacian边缘检测
import cv2
img = cv2.imread('bee.jpg')
cv2.imshow('original',img)
#Laplacian边缘检测
img2 = cv2.Laplacian(img,cv2.CV_8U,ksize=1)
cv2.imshow('L',img2)
cv2.waitKey(0)

#习题5-2 选择一幅图像，对其执行Sobel边缘检测
import cv2
img = cv2.imread('bee.jpg')
cv2.imshow('original',img)
#Sobel边缘检测
img3 = cv2.Sobel(img,cv2.CV_8U,0,1) #0表示对x不求偏导，1表示对y偏导 dx>=0 && dy>=0 && dx+dy>0
cv2.imshow('C',img3)
cv2.waitKey(0)

#习题5-3 选择一幅图像，对其执行Canny边缘检测
import cv2
img = cv2.imread('bee.jpg')
cv2.imshow('original',img)
#Canny边缘检测
img4 = cv2.Canny(img,100,200,apertureSize=3)
cv2.imshow('Canny',img4)
cv2.waitKey(0)

#test5-4.py：查找和绘制轮廓
#先查找后绘制，前7行代码与查找轮廓代码一致
import cv2
import numpy as np
img=cv2.imread('shapes.jpg')        #读取图像
cv2.imshow('original',img)  	    #显示原图像
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转化为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 
img3=np.zeros(img.shape, np.uint8)+255 	    #按原图大小创建一幅白色图像
#image=cv2.drawContours(image,contours,contourIdx,color,thickness)
#image:原图
#contours为要绘制的轮廓
img3=cv2.drawContours(img3,c,-1,(0,0,255),2)    #绘制轮廓 -1表示绘制所有轮廓
cv2.imshow('Contours',img3)  	                #显示轮廓图像
cv2.waitKey(0)                                  #按任意键结束等待
cv2.destroyAllWindows()                         #关闭所有窗口

总结