OpenCV 常用的API总结（迅速查询）

OpenCV基本操作

matplotlib中文显示

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

openCV安装

pip install opencv-python==3.4.2.17
pip install opencv-contrib-python==3.4.2.17
#国内清华镜像
-i https://pypi.tuna.tsinghua.edu.cn/simple
# 设置清华镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set install.trusted-host pypi.tuna.tsinghua.edu.cn

读取图片（IO操作）

import cv2
# 读一个图片并进行显示(图片路径需自己指定)
img=cv2.imread("1.jpg")
cv2.imshow("image",img)
cv2.waitKey(0)

# 保存图片
cv.imwrite('messigray.png',img)

绘制集合图形

# 绘制直线
# 绘制直线
cv.line()
# 绘制直线
cv.circle()
# 绘制直线
cv.rectangle()
# 向图像中增加文字
cv.putText()

图像加法以及混合操作

# 图像加法
cv.add()
#2 图像混合
cv.addWeighted()

OpenCV图像处理

---

图像几何变换

#1 图像缩放
cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)
#2 图像平移
cv.warpAffine(img,M,dsize)
#3 图像旋转
cv2.getRotationMatrix2D(center, angle, scale) -> cv.warpAffine(img,M,dsize)
#4 仿射变换
cv2.getAffineTransform() -> cv.warpAffine(img,M,dsize)
#5 透射变换
cv.getPerspectiveTransform() -> cv.warpAffine(img,M,dsize)
#6 图像金字塔
cv.pyrUp(img)       #对图像进行上采样
cv.pyrDown(img)        #对图像进行下采样

形态学操作

# 腐蚀   
cv.erode(img,kernel,iterations)
# 膨胀
cv.dilate(img,kernel,iterations)
# 开运算  闭运算
cv.morphologyEx(img, op, kernel) # op: 处理方式：若进行开运算，则设为cv.MORPH_OPEN，若进行闭运算，则设为cv.MORPH_CLOSE
# 礼帽和黑帽
cv.morphologyEx(img, op, kernel)#  op: 处理方式：若进行开运算，则设为cv.MORPH_TOPHAT，若进行闭运算，则设为cv.BLACKHAT

图像平滑

#均值滤波
cv.blur(src, ksize, anchor, borderType)
#高斯滤波
cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
#中值滤波
cv.medianBlur(src, ksize)

直方图

# mask -> 直方图
cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])

'''
images: 原图像。当传入函数时应该用中括号 [] 括起来，例如：[img]。
channels: 如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。 　　
mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。（后边有例子） 　　
histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。 　　
ranges: 像素值范围，通常为 [0，256]
'''
# 掩模
mask -> cv.bitwise_and
# 直方图均衡化
dst = cv.equalizeHist(img)
#自适应的直方图均衡化
cv.createCLAHE(clipLimit, tileGridSize)
'''
clipLimit: 对比度限制，默认是40
tileGridSize: 分块的大小，默认为8*88∗8
'''

边缘检测

#sobel边缘检测
Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
'''
src：传入的图像
ddepth: 图像的深度
dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。
ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。
注意：如果ksize=-1，就演变成为3x3的Scharr算子。
scale：缩放导数的比例常数，默认情况为没有伸缩系数。
borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。
'''
# Laplacian算子
laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
'''
Src: 需要处理的图像，
Ddepth: 图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于原图像的深度；
ksize：算子的大小，即卷积核的大小，必须为1,3,5,7。
'''
# Canny边缘检测
canny = cv2.Canny(image, threshold1, threshold2)
'''
image:灰度图，
threshold1: minval，较小的阈值将间断的边缘连接起来
threshold2: maxval，较大的阈值检测图像中明显的边缘
'''

模板匹配

# 模板匹配
res = cv.matchTemplate(img,template,method)
'''
img: 要进行模板匹配的图像
Template ：模板
method：实现模板匹配的算法，主要有：
平方差匹配(CV_TM_SQDIFF)：利用模板与图像之间的平方差进行匹配，最好的匹配是0，匹配越差，匹配的值越大。
相关匹配(CV_TM_CCORR)：利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。
利用相关系数匹配(CV_TM_CCOEFF)：利用模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。
'''
#霍夫线检测
# 1 线性检测
cv.HoughLines(img, rho, theta, threshold)
# 2 圆环检测
circles = cv.HoughCircles(image, method, dp, minDist, param1=100, param2=100, minRadius=0,maxRadius=0 )

傅里叶变换

# 变换
dft = cv2.dft(src, dst=None)
# 逆变换
img = cv.idft(dft)

轮廓检测

# 查找轮廓
binary, contours, hierarchy = cv2.findContours(img, mode, method)
# 绘制轮廓
cv2.drawContours(img, contours, index, color, width)
'''
面积：ContourArea()
周长：ArcLength()
轮廓近似：approxPolyDP() 逼近图像的多边形曲线
凸包：ConvexHull()
边界矩形：BoundingRect()和MinAreaRect()
最小外接圆：MinEnclosingCircle()
椭圆拟合：fitEllipse()
直线拟合：fitline()
'''

图像分割

全域值分割

ret,th = threshold(src, thresh, maxval, type)

• src: 要处理的图像，一般是灰度图
• thresh: 设定的阈值
• maxval: 灰度中的最大值，一般为255，用来指明阈值分割中最大值的取值，主要指阈值二值化和阈值反二值化中
• type：阈值分割的方式，取值主要有以下五种：
  1、阈值二值化（threshold binary）
  2、阈值反二值化 （threshold binary Inverted）
  3、截断（truncate）
  4、阈值取零（threshold to zero）
  5、阈值反取零（threshold to zero inverted）
  自适应预支分割

dst = cv.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)

• src: 输入图像，一般是灰度图

• Maxval：灰度中的最大值，一般为255，用来指明像素超过或小于阈值（与type类型有关），赋予的最大值

• thresh_type : 阈值的计算方法，主要有以下两种： cv2.ADAPTIVE_THRESH_MEAN_C：邻域内像素值取均值

• cv2.ADAPTIVE_THRESH_GAUSSIAN_C：邻域内像素值进行高斯核加权求和

• type: 阈值方式，与threshold中的type意义相同

• block_size: 计算局部阈值时取邻域的大小，如果设为11，就取11*11的邻域范围，一般为奇数。

• C： 阈值计算方法中的常数项，即最终的阈值是邻域内计算出的阈值与该常数项的差值

全域值分割

res = watershed(image,markers)

• mage: 输入图像，必须是8位的3通道彩色图像
• marker: 标记图像，32位单通道图像，它包括种子点信息，使用轮廓信息作为种子点。在进行分水岭算法之前，必须设置好marker信息，它包含不同区域的轮廓，每个轮廓有唯一的编号，使用findCountours方法确定轮廓位置，不同区域的交界位置为-1

GrabCut算法

grabCut(img,mask,rect,bgdModel,fgdModel,iterCount,mode )

• img:输入图像，必须是8位的3通道彩色图像
• mask: 掩码图像，如果使用掩码进行初始化，那么mask保存初始化掩码信息；也可以将用户交互所设定的前景与背景保存到mask中，然后再传入grabCut函数；在处理结束之后，mask中会保存结果。mask只能取：0（背景）,1（前景）,2（可能的前景）,3（可能的背景）
• rect:用于限定需要进行分割的图像范围，只有该矩形窗口内的图像部分才被处理
• bgdModel:背景模型，如果为None，函数内部会自动创建一个bgdModel；bgdModel必须是单通道浮点型图像，且行数只能为1，列数只能为13x5
• fgdModel:前景模型，如果为None，函数内部会自动创建一个fgdModel；fgdModel必须是单通道浮点型图像，且行数只能为1，列数只能为13x5
• iterCount:迭代次数，必须大于0
• mode：指明grabcut函数进行哪种操作，cv.GC_INIT_WITH_RECT（矩形窗抠图）cv.GC_INIT_WITH_MASK（利用掩码抠图）

图像特征提取

#Harris角点检测
dst=cv.cornerHarris(src, blockSize, ksize, k)

• img：数据类型为 float32 的输入图像。
• blockSize：角点检测中要考虑的邻域大小。
• ksize：sobel求导使用的核大小
• k ：角点检测方程中的自由参数，取值参数为 [0.04，0.06].

#Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack ( image, maxcorners, qualityLevel, minDistance )

• Image: 输入灰度图像
• maxCorners : 获取角点数的数目。
• qualityLevel：该参数指出最低可接受的角点质量水平，在0-1之间。
• minDistance：角点之间最小的欧式距离，避免得到相邻特征点。

SIFT检测关键点

# 实例化sift
sift = cv.xfeatures2d.SIFT_create()
# 利用sift.detectAndCompute()检测关键点并计算
kp,des = sift.detectAndCompute(gray,None)
#将关键点检测结果绘制在图像上
cv.drawKeypoints(image, keypoints, outputimage, color, flags)

• image: 原始图像
• keypoints：关键点信息，将其绘制在图像上
• outputimage：输出图片，可以是原始图像
• color：颜色设置，通过修改（b,g,r）的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。
• flags：绘图功能的标识设置
  1. cv2.DRAW_MATCHES_FLAGS_DEFAULT：创建输出图像矩阵，使用现存的输出图像绘制匹配对和特征点，对每一个关键点只绘制中间点
  2. cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：不创建输出图像矩阵，而是在输出图像上绘制匹配对
  3. cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：对每一个特征点绘制带大小和方向的关键点图形
  4. cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS：单点的特征点不被绘制

视频读写

1. 读取视频：

   • 读取视频：cap = cv.VideoCapture()
   • 判断读取成功：cap.isOpened()
   • 读取每一帧图像：ret,frame = cap.read()
   • 获取属性：cap.get(proid)
   • 设置属性：cap.set(proid,value)
   • 资源释放：cap.release()

2. 保存视频

   • 保存视频： out = cv.VideoWrite()
   • 视频写入：out.write()
   • 资源释放：out.release()

# Meanshift
cv.meanShift(probImage, window, criteria)
ret, track_window = cv.CamShift(dst, track_window, term_crit)
    
# 绘制追踪结果
pts = cv.boxPoints(ret)
pts = np.int0(pts)
img2 = cv.polylines(frame,[pts],True, 255,2)

参考文档 OpenCV官方教程