函数积累

1.高斯模糊：去噪音点

img = cv2.GaussianBlur(img, kernel_size, sigma)

2.边缘检测：

edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

#threshhold1,threshhold2偏小的话，检测出来的边缘越详细，越大检测出来的边缘越少

3.填充多边形：

cv2.fillConvexPoly(img,area,color): 填充凸多边形，只需要提供凸多边形的顶点即可

cv2.fillPoly(img,area,color): 填充任意形状的图形，可以用来绘制多边形，也可以一次填充多个图形

4.霍夫变换直线检测

原理：霍夫变换主要是从图像中分离出具有相同特征的几何形状（直线，圆等），最基本的就是从黑白图像中检测出直线

（1）直线的表示方式

　　在霍夫变换中，用（r，theta）来表示一条直线，其中r为该直线到原点的距离，theta为该直线的垂线与x轴的夹角

（2）如何判断多个点在一条直线上

　　由于过一个点的直线有无数条，假设这个点为i，则通过这个点的直线用（ri，thetai）表示；再设另外一个点j，通过它的直线为（rj，thetaj）。

　　因两点决定一条直线，故当i，j在一条直线上时，必定有ri=rj，thetai=thetaj

　　对于三个点来说，假设第三个点是k，则通过k的直线是（rk，thetak），当这三点在这一条直线上时，必定有ri=rj=rk=r，thetai=thetaj=thetak=theta

　　（3）如何检测出直线

　　设经过一个点的直线有n条，则我们可以找到n个（r，theta），对这Nn个（r，theta），利用统计学，统计到theta=thetai时，多个点的r近似等于ri时，则这多个点在一条直线（r，theta）上

　　（4）举例说明

　　如何检测空间上这三个点是否在一条直线上

这个例子中，对于每个点均求过该点的6条直线的（r,theta）坐标，共求了3*6个（r,theta）坐标。可以发现在theta=60时，三个点的r都近似为80.7，由此可判定这三个点都在直线（80.7，60）上。

参考：https://blog.csdn.net/weixin_40196271/article/details/83346442

cv2.HoughLinesP（image,rho,theta,threshhold[,lines[,minLineLength[,maxLineGap]]]）

image：是canny边缘检测后的图像,单通道8位二进制图像。

rho：r，以像素值为单位的分辨率

theta：theta，以弧度为单位的分辨率

threshold：检测一条直线所需最少的曲线交点
lines：检测到的直线参数对，也就是线段两个端点的坐标

minLineLength：能组成一条直线的最少点的数量，点数量不足的直线被抛弃

maxLineGap：能被认为在一条直线上的两点的最大距离

5.operrator.itemgetter()：获取某一对象特定维度的数据

input:

　　a=[1,2,3,4]

　　b = operator.itemgetter(1) #获取下标为1的元素

　　b(a)

output:

input:

　　b = operator.itemgetter(1,0)

b(a)

output:

　　(2,1)

>>> a=[('john', 'A', 15), ('jane', 'B', 12), ('dave', 'B', 10)]
>>> sorted(a, key=operator.itemgetter(1,2)) #先按照元组中下标为1的值对对象排序，当下标为1的值相同时，再按照下标2来排序
[('john', 'A', 15), ('dave', 'B', 10), ('jane', 'B', 12)]
>>> sorted(a, key=operator.itemgetter(1,2), reverse=True) #从大到小
[('jane', 'B', 12), ('dave', 'B', 10), ('john', 'A', 15)]
>>> sorted(a, key=operator.itemgetter(2), reverse=True) #仅仅   按照元组中下标为2的值对对象排序，从大到小。
[('john', 'A', 15), ('jane', 'B', 12), ('dave', 'B', 10)]

6.cv2.getStructuringElement(shape,ksize,anchor=None):返回指定形状和尺寸的卷积核

shape的选择有三个：

MORPH_RECT:矩形

MORPH_CROSS:交叉形

MORPH_ELLIPSE:椭圆形

ksize: 内核尺寸

7.cv2.VideoWriter(filename,fourcc,fps,frameSize[,isColor]) 保存视频

filename:文件要保存的路径

fourcc:指定编码器

fps：要保存的视频的帧率

frameSize：要保存的视频的画面大小

isColor：保存的视频是彩色还是黑白

#视频常见编码格式有：x264，h264，mpeg-4

8.blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size, mean, swapRB=True，crop=False,ddepth = `CV_32F` ) 返回的是输入的图像从缩放，减均值，通道交换的结果

image：传入的图像

scalefactor：执行减均值后需要缩放图像，缩放比例默认是1，scalefactor = $1 / \sigma$ ,这是真正乘上的值

size：神经网络，真正支持的值

mean：减去的均值，可以是R,G,B三元组，或者是一个值，每个通道都减去这个值。如果输入的图像的通道顺序是B,G,R，确保swapRB=Ture。

swapRB：OpenCV认为图像通道顺序是B、G、R，而减均值时顺序是R、G、B，为了解决这个矛盾，设置swapRB=True即可。

crop：当crop=True时，先等比例缩放，直至宽高尺寸一个等于对应的size尺寸，另一个大于或者等于对应的size尺寸，然后再从中心进行裁剪。如果crop=False，则直接调整大小而不进行裁剪并保留纵横比。

ddepth：输出的blob的深度，CV_32F，或者CV_8U，如果进行减均值操作，不能选CV_8U

9.math.inf

math.inf常量是在math模块中定义的预定义常量，它返回浮点正无穷大(等效于float('inf'))

-math.inf可用于找到浮点负无穷大(等效于float('-inf'))　　

posted @ 2021-08-10 17:50 俗了清风阅读(82) 评论(0) 收藏举报

俗了清风