opencv初学记录

准备工作：
1.找一张图片
2.准备python运行环境，并导入库，pip install opencv-python
读取文件，并打印维度

    import cv2  #为什么是cv2不是cv呢，这个2指的是c++的api，是为了兼容老板，cv指的就是c，而不是版本的意思，不要换成cv3
    path = r'./media/1.jpeg'
    print(cv2.getVersionString())
    image = cv2.imread(path)
    print(image.shape)  #输出(720, 1280, 3) 前面代表图片横行和纵列，3表示图片三原色彩色通道

然后把读取到的文件显示到一个窗口

    cv2.imshow("image", image)   #此时如果是加这个窗口会直接闪没
    cv2.waitKey()  #加上这个，按任意键关闭窗口（这个函数会窗体暂停，并等待键盘输入）

图像彩色通道学习
任何颜色都是由RGB按一定比例混合而成的，对openCV来说，存储一张彩色图片，等同于存储三张彩色图片，被存储在opencv的第三个维度上（此图来自b站）

opencv对颜色的顺序存储是BGR，与常见的RGB相反，当显示器要渲染一张彩色图片，计算机会依次取出图像数据中的三张灰色图，再把它们分别投影到显示器的蓝，绿红的LED芯片上，从而渲染出彩色画面，如下代码将显示下面四个图片

    cv2.imshow("image", image)
    cv2.imshow("blue", image[:, :, 0])
    cv2.imshow("green", image[:, :, 1])
    cv2.imshow("red", image[:, :, 2])

opencv还提供一种彩色图像的灰度变化算法，可以把三个彩色通道的图像做
平方和加权平均,如下，是BRG三原色的平均，他也描述了，图片的明暗分布，如果在计算机视觉中，通常把这个变换后的图像gray称为灰度图，可以基于灰度图，做不同算法，比如黑片检测图片相似度检测等等

图像的裁剪

    crop = image[10:170, 40:200]  
    # 将图片裁剪

绘制功能
OpenCV的图像数据，实际是numpy数组数据结构，所以可以直接使用numpy创建一个黑色画布

    image = numpy.zeros([300, 300, 3], dtype=numpy.uint8)      
    # 灰度的数值类型是无符号八位整数

是一个300*300的黑色画布

画一条线段

    cv2.line(image, (100, 100), (200, 250), (255,0,255), 2) 
    # 线段起点坐标(100, 100)，终点坐标(200, 250),线段颜色(255,0,255),线段粗细为两个像素

加一个矩形

    cv2.rectangle(image, (30,100), (60, 150), (0,255,33), 2) 
    #矩形框第一个顶点坐标30,100。对角对标60,150。颜色为(0,255,33)，粗细是两个像素

加一个圆

    cv2.circle(image, (150,100), 20, (0,12,155), 3)
    #圆心坐标，圆的半径，颜色，粗细

绘制字符串

    cv2.putText(image, "Hello OpenCV", (100,50) ,0,1,(11,144,67),1,2)   
     # 文字，坐标，字体需序号（0位默认字体），缩放系数，颜色，粗细，线条类型（1为实线）
     # 附加：putText函数不能使用任意字体

均值滤波–可以去噪点,但是会破坏图像细节

    # 高斯滤波器,高斯内核为5像素，sigema x设置为0，意思是sigema由内核大小来决定
    gauss = cv2.GaussianBlur(image, (5, 5), 0)
    cv2.imshow("image", image)
    cv2.imshow("gauss", gauss)

如下gauss就比原图噪点要少了

中值滤波器

    image = cv2.imread(path)
    median = cv2.medianBlur(image, 5)   # 设置内核为5个像素
    cv2.imshow("image", image)
    cv2.imshow("median", median)
    cv2.waitKey()

如下

合在一起就是

    image = cv2.imread(path)
    gauss = cv2.GaussianBlur(image, (5, 5), 0)  # 高斯滤波器,高斯内核为5像素，sigema x设置为0，意思是sigema由内核大小来决定
    median = cv2.medianBlur(image, 5)   # 设置内核为5个像素
    cv2.imshow("image", image)
    cv2.imshow("gauss", gauss)
    cv2.imshow("median", median)
    cv2.waitKey()

如下

图像特征的提取—转角特征

    image = cv2.imread(path)
    gary = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 把彩色图像转换为灰度图
    corners = cv2.goodFeaturesToTrack(gary, 500, 0.1, 10)   # 最多返回500个点，点的质量优于0。1，特征点之间的距离大于10个像素
    for corner in corners:      # 遍历，把点标记出来
        x, y = corner.ravel()
        cv2.circle(image, (int(x), int(y)), 3, (255, 0, 255), -1)  
    cv2.imshow("image", image)
    cv2.waitKey()

opencv的模板匹配学习 — 即，找图片中对应图片

image = cv2.imread(path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图片
    template = gray[273:370, 392:492]  #截图这个位置是一个葡萄
    match = cv2.matchTemplate(gray, template, cv2.TM_CCOEFF_NORMED)  # 标准相关匹配算法，把检测图片和被检测图片都标准化，再来计算匹配度，这样保证不受光照的影响
    locations = numpy.where(match >= 0.9)  # 找出匹配系数大于0.9的匹配点  
    w, h = template.shape[0:2]     # 计算模板图案的长和宽 
    for p in zip(*locations[::-1]):    # 遍历每一个匹配点，画出矩形框标记
        x1, y1 = p[0], p[1]
        x2, y2 = x1 + w, y1 + h
        cv2.rectangle(image, (x1,y1),(x2,y2), (0,0,0),2)

    cv2.imshow("image", image)
    cv2.imshow("temp", template)
    cv2.waitKey()

如下所有葡萄都用黑线框起来了， 在这里，如果图案一样，但是比截取的图片小和大的图案都不会被匹配上，也就是对大小敏感，如果想要不同大小的图都匹配到，可以放大缩小图像，匹配多次

图像梯度算法，特征点提取和匹配都使用了图像梯度， 就是图像的明暗变化，可以分别计算图像沿水平和垂直方向的明暗变化，再取这两个变化的平方和，就得到了梯度，可以类比地理中的梯度