lin_yu_cheng的博客

找一个正方形轮廓很简单，要找不规则的、歪斜的以及旋转的形状可以用Opencv中通过使用findContours函数，简单几个的步骤就可以检测出物体的轮廓，很方便。取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层。第二个参数：contours，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。

它是一个准确度参数。approxPolyDP()函数是opencv中对指定的点集进行多边形逼近的函数，其逼近的精度可通过参数设置,返回参数是输出的点集，当前点集是能最小包容指定点集的,画出来即是一个多边形。我们右击相应的文件目录，选择new—>点击Python File，然后输入新建的文件名，点击确定，相应的.py文件就建好了，可以进行编写代码了。第二个参数double epsilon：是一个距离值，即是原始曲线与近似曲线之间的最大距离，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确。

第三个参数是（轮廓的）层析结构，这是一个ndarray，其中的元素个数和轮廓个数相同，对于每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。经分析，0号轮廓没有同级轮廓，有两个子级轮廓1和3，没有父级轮廓，所以其轮廓继承关系向量hierarchy为[-1 -1 1-1]，-1表示无对应的关系，1表示0号轮廓的一个子轮廓的序号为1号。

使用inRange函数将图像转变为二值图，其中黄色部分显示为白色，其余为黑色，然后获取到指定颜色范围的物体，第一步是大体分离出主体部分，满足条件的颜色区域会被标记为白色（255）其余为黑色（0）。色域检测重要的一步是把图像转为HSV图像，由于HSV的颜色空间比BGR空间更容易表示特定的颜色，故我们将BGR空间转换成HSV，一般以HSV为颜色检测和识别：H--色调（红-绿-蓝）；其实摄像头的色域跟踪也是和图像是一样的，只不过多了while循环，不断获取摄像头的每一帧进行掩模提取颜色。识别颜色，跟踪颜色。

在inRange二值化处理后我们要进行腐蚀膨胀操作消除其他干扰，erode函数实现腐蚀操作，dilate函数实现膨胀操作，先腐蚀后膨胀可以去掉小的对象，假设对象是前景色，背景是黑色，这样我们就得到了一张掩模图像，就可以与源图像进行与操作，把不是我们需要的颜色置成黑色，否则不变。色域检测重要的一步是把图像转为HSV图像，由于HSV的颜色空间比BGR空间更容易表示特定的颜色，故我们将BGR空间转换成HSV，一般以HSV为颜色检测和识别：H--色调（红-绿-蓝）；选择正确的阈值是阈值分割的关键。

把 x 和 y 带入上边的方程组，然后遍历 θ 的取值：0，1，2，3，. . .，180。现在取直线上的第二个点。如果你搜索累加器中的最大值，并找到其位置（50,90），这就说明图像中有一条直线，这条直线到原点的距离为 50，它的垂线与横轴的夹角为 90 度。直线检测可以通过OpenCV的HoughLines和HoughLinesP函数来完成，它们仅有的差别是：第一个函数使用标准的Hough变换，第二个函数使用概率Hough变换，即只通过分析点的子集并估计这些点都属于一条直线的概率，这在计算速度上更快。

检测圆半径的方法是从圆心到圆周上的任意一点的距离（即半径）是相同，只要确定一个阈值，只要相同距离的数量大于该阈值，我们就认为该距离就是该圆心所对应的圆半径，该方法只需要计算半径直方图，不使用霍夫空间。其实我们的目的就是在参数空间找聚集点，思想和检测直线是一样的，找参数空间中曲线交点最多的位置，可以看到在r=3的时候所有圆都相交于同一个点，这个点对应的圆就是图像空间中经过所有点的那个圆，这样就把圆给检测出来了。这里r取的是[1,2,3,4,5]，没取成无限的，要是取成无限了，图就没有办法看了。

hierarchy：可选参数，表示轮廓的层次信息(拓扑信息，有种树结构的感觉)，每个轮廓元素contours[i]对应4个hierarchy元素hierarchy[i][0]~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的编号，若无对应项，则该参数为负值。cv2.CHAIN_APPROX_SIMPLE：压缩水平方向、垂直方向和对角线方向的元素，保留该方向的终点坐标，如矩形的轮廓可用4个角点表示，这是一种常用的方法，比第一种方法能得出更少的点。

Sobel算子是一种常用的边缘检测算子，是一阶的梯度算法；它是一阶微分算子(离散差分算子)，利用临近(上下、左右)的像素值(灰度值)来计算当前像素值(灰度值)，因为图像中边缘处的灰度变化比较快，呈现阶跃现象，sobel算法边缘检测利用这一特点对图像中每个像素计算其余周围相邻像素的差分值来判断该像素点是否属于边缘，这可根据阈值来取舍。将模板的中 心和图像上的某个像素重合，并将该像素周围的点 与模板上对应的系数相乘， 最后选取合适的阈值，将像素点的灰度值与阈 值进行比较，若大于阈值，则该点则为图像边缘点。

了解Laplacian边缘检测的用途及原理

熟悉opencv读入图片，以及图片的修复.

熟悉opencv读入图片，显示图像，了解canny边缘检测的用途及原理.

熟悉opencv读入图片，以及图片的放大和缩小

熟悉opencv读入图片，存储图片，视频的读取、存储。