根据视觉检测流程快速入门OpenCv

一、图像读取与预处理

1.1、图像读取

cv2.imread(path, flags)：从指定路径读取图像。path为图像路径，flags指定读取模式

此外还有英文大写方式：cv2.IMREAD_COLOR（彩色模式，默认）、cv2.IMREAD_GRAYSCALE（灰度模式）、cv2.IMREAD_UNCHANGED（保留透明度通道）

1.2、图像显示

cv2.imshow(winname, mat)：在指定窗口中显示图像。winname是窗口名称，mat是要显示的图像矩阵。

cv2.waitKey(delay)：等待按键事件，delay为等待时间（毫秒），0 表示无限等待。

cv2.destroyAllWindows()：关闭所有 OpenCV 创建的窗口。

1.3、图像灰度转换

在实际的算法实现中，使用的都是灰度图，所以一般需要转化为灰度图。

cv2.cvtColor(src, code)：将图像从一种颜色空间转换为另一种。对于彩色转灰度，code通常设为cv2.COLOR_BGR2GRAY

cv2.COLOR_BGR2GRAY 是 OpenCV 库（在 Python 中通过 cv2 模块使用）中用于颜色空间转换的一个标志常量。

在 OpenCV 中，图像通常以 BGR（蓝、绿、红）格式存储。而 cv2.COLOR_BGR2GRAY 表示将 BGR 格式的彩色图像转换为灰度图像

1.4图像滤波

高斯滤波（Gaussian Blur）和均值滤波（Mean Blur）都是图像处理中常用的平滑技术，它们用于减少图像噪声、模糊图像边缘或细节，以及进行图像预处理。

在实际应用中，高斯滤波通常更受欢迎

在决定使用哪种滤波方法时，可以考虑以下因素：
图像内容：如果图像中包含重要的边缘信息，高斯滤波可能更合适。
噪声类型：如果主要是随机噪声，均值滤波可能更有效。
实现复杂度：如果需要快速实现，均值滤波可能更简单。
性能要求：如果对图像质量有较高要求，高斯滤波通常能提供更好的结果。

二、特征提取与检测

转角遇到爱：识别出来的特征一般都在图片的转角处，转角是一种最简单图像特征，同时提取转角也是非常高效的图像特征提取方式。

2.1、边缘检测cv2.Canny函数

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

其中image是源图像

threshold1：第一个阈值。在边缘检测过程中，低于此阈值的梯度值对应的像素点会被认为不是边缘点而被抑制

threshold2：第二个阈值。高于此阈值的梯度值对应的像素点会被直接认为是边缘点。

在threshold1与threshold2之间：如果它们与已确定的边缘点相连，则也会被认为是边缘点。这就是所谓的滞后阈值处理，它有助于连接边缘片段并减少噪声引起的虚假边缘。

2.2、角点检测cv2.goodFeaturesToTrack函数

corners = cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]])

其中image是源图像

maxCorners：表示要检测的最大角点数。有可能没有返回这么多个角点，但如果图像中的角点数量超过此值，函数将返回最显著的 maxCorners 个角点。例如，设置为 100，则最多返回 100 个角点。

qualityLevel：角点质量水平，取值范围在 0 到 1 之间。它表示角点的最低可接受质量分数。实际检测到的角点中，质量分数低于该值的角点将被忽略。例如，设置为 0.01，意味着只有质量分数大于 0.01 的角点才会被保留。

minDistance：两个角点之间的最小像素距离。若检测到的角点之间距离小于此值，那么质量分数较低的角点将被舍弃。这有助于确保检测到的角点分布较为均匀，避免角点过于集中。例如，设置为 10，表示角点之间的距离至少为 10 个像素。

常配合ravel 函数一起使用，是 一个数组对象的一个方法，其作用是将多维数组展平成一维数组，x, y = corners.ravel() 会依次从展平后的数组中取出值并分别赋给 x 和 y。

# 标记出每个点
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(image, (int(x), int(y)), 3, (255, 0, 255), -1)

三、目标检测与识别

经过上面的预处理以及特征提取，我们已经得到了一个经处理过的图片，我们使用这个图片与模板进行匹配。

3.1、模板匹配cv2.matchTemplate函数

result = cv2.matchTemplate(image, templ, method[, result[, mask]])

image：待搜索的图像

templ：模板图像，其数据类型需与 image 一致，且尺寸应小于或等于 image。这是我们希望在 image 中找到的小图像块。

method：cv2.TM_XXXX各种匹配方法。

计算平方差匹配（cv2.TM_SQDIFF）。归一化平方差匹配（cv2.TM_SQDIFF_NORMED）。

相关性匹配（cv2.TM_CCORR）。归一化相关性匹配（cv2.TM_CCORR_NORMED）。

系数匹配（cv2.TM_CCOEFF）。归一化系数匹配（cv2.TM_CCOEFF_NORMED）。

返回值是一个数字

四、图像形态学操作

对特征提取与模板匹配的图片进行优化，当然这个操作也可以在特征提取的前面。

这是对图片的进一步处理，，不同于预处理，此时根据现实需求，此时的二次处理更具有方向性。

4.1、腐蚀cv2.erode

让图像更加骨瘦如柴，或者说更加的细小

dst = cv2.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]])

src：源图像

kernel：腐蚀操作所使用的结构元素（核），它是一个 numpy.ndarray。结构元素的形状和大小决定了腐蚀操作的具体行为。常见的形状有矩形、椭圆和十字形等，可以通过 cv2.getStructuringElement 函数来创建不同形状和大小的结构元素。

例如，kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) 创建了一个 5x5 的矩形结构元素。

4.2、膨胀cv2.dilate

让图像更加饱满，或者说更加模糊

dst = cv2.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]])

src：源图像

kernel：胀操作使用的结构元素（核）。它是一个 numpy.ndarray，决定了膨胀操作的邻域形状和大小。常见的结构元素形状有矩形、椭圆和十字形。

可以通过 cv2.getStructuringElement 函数创建。例如，创建一个 3x3 的矩形结构元素可以使用 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))。

4.3、开运算与闭运算

开运算：先腐蚀后膨胀

可用于去除小的噪声物体，平滑较大物体的边界

cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)实现，src是输入图像，kernel是结构元素

闭运算：先膨胀后腐蚀

可用于填充物体内的小孔，连接邻近物体

通过cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)实现

五、图像几何变换

5.1、缩放cv2.resize函数

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])，调整图像大小。

src是原图片

dsize是输出图像的大小

以下为可选参数

fx和fy分别是水平和垂直方向的缩放因子

interpolation指定插值方法图像放大放小了，那么多出来的像素怎么选像素插入，少掉的像素怎么舍去，这就需要使用相应的算法了，如cv2.INTER_LINEAR（双线性插值，默认用于缩放）、cv2.INTER_NEAREST（最近邻插值）等。

5.2、旋转cv2.getRotationMatrix2D和cv2.warpAffine函数

cv2.getRotationMatrix2D(center, angle, scale)和cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])配合使用。

5.2.1、getRotationMatrix2D获取旋转矩阵

center是旋转中心的坐标，以元组 (x, y) 的形式表示。这里的坐标是相对于图像左上角原点的位置。在图像旋转过程中，该点保持不动，其他点围绕它进行旋转。

angle是旋转角度，单位为度。正值表示逆时针旋转，负值表示顺时针旋转。

scale是缩放因子。这是一个浮点数，用于指定在旋转的同时对图像进行缩放。

5.2.2、cv2.warpAffine应用仿射变换

src：源图像

M是变换矩阵，这个矩阵定义了仿射变换的具体操作，例如旋转、平移、缩放等。通常可以通过 cv2.getRotationMatrix2D（用于获取旋转矩阵）

dsize是输出图像大小，输出图像的尺寸，是一个元组 (width, height)，分别表示输出图像的宽度和高度。这个尺寸决定了变换后图像的大小。