opencv常用API记录(python版)

1. cv2.minAreaRect

函数cv2.minAreaRect()是OpenCV中用于计算最小外接矩形的函数。它可以根据给定的轮廓点集，计算出一个包围该轮廓的最小外接矩形。

以下是cv2.minAreaRect()函数的基本用法和参数说明：

rect = cv2.minAreaRect(points)

参数解释：

• points：包含轮廓点集的数组或矩阵。每个点可以表示为(x, y)的二维坐标。
• rect：返回的最小外接矩形，是一个(center(x, y), (width, height), angle)的元组。其中，center表示矩形中心点的坐标，(width, height)表示矩形的宽度和高度，angle表示矩形的倾斜角度（逆时针方向为正）。

下面是一个简单的示例，演示了如何使用cv2.minAreaRect()函数计算轮廓的最小外接矩形：

import cv2

# 读取图像并转换为灰度图像
image = cv2.imread('your_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用阈值化或其他方法得到轮廓
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 获取最小外接矩形
rect = cv2.minAreaRect(contours[0])

# 绘制最小外接矩形
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(image, [box], 0, (0, 255, 0), 2)

# 显示图像
cv2.imshow('Min Area Rectangle', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述示例中，我们首先将图像转换为灰度图像，并使用阈值化操作、边缘检测等方法获取轮廓。然后，通过调用cv2.minAreaRect()函数来计算最小外接矩形。接着，使用cv2.boxPoints()函数将最小外接矩形转换为顶点坐标，并使用cv2.drawContours()函数绘制该矩形的边界框。最后，显示带有绘制矩形的图像。

4.8.0.74版本举例：

2. cv2.boxPoints()

cv2.boxPoints()是OpenCV中的一个函数，用于计算给定旋转矩形的顶点坐标。旋转矩形是一个矩形，可以在图像中进行旋转。cv2.boxPoints()函数接受一个表示旋转矩形的参数，并返回一个四个顶点坐标的NumPy数组。

函数原型如下：

points = cv2.boxPoints(box)

其中，box是表示旋转矩形的参数，它可以是一个元组或一个包含4个浮点数的数组，表示旋转矩形的中心点坐标、宽度、高度和旋转角度。

cv2.boxPoints()函数返回一个形状为(4, 2)的NumPy数组，其中每一行表示一个顶点的坐标。

以下是一个示例，演示如何使用cv2.boxPoints()函数计算旋转矩形的顶点坐标：

import cv2

# 创建一个旋转矩形
rect = ((100, 100), (200, 100), 30)  # 格式为((中心点坐标), (宽度, 高度), 旋转角度)

# 计算顶点坐标
points = cv2.boxPoints(rect)

print(points)

在示例中，我们创建了一个旋转矩形rect，其中旋转角度为30度。然后调用cv2.boxPoints()函数计算旋转矩形的顶点坐标，并将结果存储在points中。最后，我们打印出顶点坐标。

运行代码后，你将得到一个形状为(4, 2)的NumPy数组，其中每一行表示旋转矩形的一个顶点的坐标。

注意：返回的坐标顺序是不确定的。

3. cv2.drawContours()

函数cv2.drawContours()是OpenCV中用于绘制轮廓的函数之一。它可以在图像上绘制指定的轮廓，用于可视化和分析图像中的对象边界。

以下是cv2.drawContours()函数的基本用法和参数说明：

image = cv2.drawContours(image, contours, contourIdx, color, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]])

参数解释：

• image：用于绘制轮廓的输入图像。
• contours：包含所有轮廓的列表。每个轮廓是一个由点组成的数组。
• contourIdx：表示要绘制的轮廓索引，-1表示绘制所有轮廓。
• color：绘制轮廓的颜色，可以是一个RGB元组或整数值。例如，(0, 255, 0)表示绿色轮廓。
• thickness：绘制轮廓的线条宽度，为正整数。使用-1表示填充轮廓内部。
• lineType（可选）：指定绘制线条的类型，默认为8连接线。可以使用cv2.LINE_AA来绘制抗锯齿线条。
• hierarchy（可选）：用于轮廓的层次结构信息。通常在查找轮廓时会返回。如果不需要轮廓层次信息，可以忽略。
• maxLevel（可选）：绘制轮廓的最大层级，如果设置为0，则绘制所有层级的轮廓。默认值为0。
• offset（可选）：绘制轮廓的偏移量，用于对轮廓进行平移。默认情况下为(0, 0)。

示例使用方法如下：

import cv2
import numpy as np

# 读取图像并转换为灰度图像
image = cv2.imread('your_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用阈值化或其他方法得到轮廓
_, threshold = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

# 显示图像
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述示例中，我们首先将图像转换为灰度图像，然后使用阈值化操作、边缘检测等方法得到轮廓。接下来，使用cv2.drawContours()函数绘制图像中的轮廓，并将其显示出来。通过调整参数，如轮廓索引、颜色、线条宽度等，可以对绘制的轮廓进行不同样式的定制。

4. cv2.GaussianBlur

cv2.GaussianBlur()是OpenCV中的一个函数，用于对图像进行高斯模糊处理。高斯模糊是一种常用的图像平滑滤波方法，它利用高斯函数对图像进行加权平均，降低图像的噪声和细节。

函数原型如下：

blurred_image = cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

参数说明：

• src：输入图像，可以是单通道或多通道图像（8位无符号或浮点型）。
• ksize：高斯核的大小，指定为ksize=(width, height)，width和height必须是奇数且大于0。它表示在X和Y方向上的高斯核大小。
• sigmaX：在X方向上的高斯核标准差。
• dst：可选参数，输出图像。
• sigmaY：可选参数，在Y方向上的高斯核标准差，如果未指定，则默认与sigmaX相等。
• borderType：可选参数，用于处理边界的插值方法，默认为cv2.BORDER_DEFAULT。

以下是一个示例，演示如何使用cv2.GaussianBlur()函数对图像进行高斯模糊处理：

import cv2

# 读取图像
image = cv2.imread('image.jpg')

# 高斯模糊处理
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# 显示原始图像和模糊处理后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在示例中，我们首先使用cv2.imread()函数读取一张图像。然后，我们使用cv2.GaussianBlur()函数对图像进行高斯模糊处理，指定了高斯核大小(5, 5)和标准差0。最后，我们使用cv2.imshow()函数显示原始图像和模糊处理后的图像。

运行代码后，你将看到显示了原始图像和经过高斯模糊处理后的图像。模糊处理后的图像会减少噪声，并使图像变得更加平滑。

5. cv2.Laplacian

cv2.Laplacian()是OpenCV中的一个函数，用于对图像进行Laplacian滤波处理，以检测图像中的边缘。Laplacian滤波器是一种二阶微分滤波器，它对图像的二阶导数进行计算，从而凸显出图像中的边缘或颜色变化区域。

函数原型如下：

dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

参数说明：

• src：输入图像，一般为灰度图像（单通道图像）。
• ddepth：输出图像的深度，可以是cv2.CV_64F或-1（表示与输入图像的深度相同）。
• dst：可选参数，输出图像。
• ksize：可选参数，Laplacian滤波器的孔径大小，必须为一个奇数。如果忽略该参数，默认使用3x3的孔径。
• scale：可选参数，可选参数，将计算结果进行缩放的比例因子，默认为1。
• delta：可选参数，将计算结果进行平移的数值，默认为0。
• borderType：可选参数，用于处理边界的插值方法，默认为cv2.BORDER_DEFAULT。

以下是一个示例，演示如何使用cv2.Laplacian()函数对图像进行Laplacian滤波处理：

import cv2
import numpy as np

# 读取灰度图像
image_gray = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用Laplacian滤波器处理图像
laplacian = cv2.Laplacian(image_gray, cv2.CV_64F)

# 将结果取绝对值并转换为8位无符号整数类型
laplacian = np.uint8(np.absolute(laplacian))

# 显示原始图像和Laplacian滤波器处理后的图像
cv2.imshow('Original Image', image_gray)
cv2.imshow('Laplacian Filter', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

在示例中，我们首先使用cv2.imread()函数读取一张图像，并将其转换为灰度图像。然后，我们使用cv2.Laplacian()函数对灰度图像进行Laplacian滤波处理，指定了输出图像的深度cv2.CV_64F。接下来，我们将结果取绝对值，转换为8位无符号整数类型（np.uint8）。最后，我们使用cv2.imshow()函数显示原始图像和经过Laplacian滤波处理后的图像。

运行代码后，你将看到显示了原始灰度图像和经过Laplacian滤波处理后的图像，边缘或颜色变化区域会变得更加明显。