Python OpenCV 的學習路線與重要知識點匯總 2

10

圖像 ROI 與 mask 掩膜

本部分屬于 OpenCV 中的重點知識，第一個為感興趣區(qū)域 ROI，第二個是 mask 掩膜（掩碼）操作 。

學習 ROI 部分時，還可以學習一下圖像的深淺拷貝。

11

圖像幾何變換

圖像幾何變換依舊是對基礎函數(shù)的學習與理解，涉及內(nèi)容如下：

• 圖像縮放 cv2.resize()；
• 圖像平移 cv2.warpAffine()；
• 圖像旋轉(zhuǎn) cv2.getRotationMatrix2D()；
• 圖像轉(zhuǎn)置 cv2.transpose()；
• 圖像鏡像 cv2.flip()；
• 圖像重映射 cv2.remap()。

12

圖像濾波

理解什么是濾波，高頻與低頻濾波，圖像濾波函數(shù)。

線性濾波：方框濾波、均值濾波、高斯濾波，

非線性濾波：中值濾波、雙邊濾波，

• 方框濾波 cv2.boxFilter()；
• 均值濾波 cv2.blur()；
• 高斯濾波 cv2.GaussianBlur()；
• 中值濾波 cv2.medianBlur()；
• 雙邊濾波 cv2.bilateralFilter()。

13

圖像固定閾值與自適應閾值

圖像閾值化是圖像處理的重要基礎部分，應用很廣泛，可以根據(jù)灰度差異來分割圖像不同部分，閾值化處理的圖像一般為單通道圖像(灰度圖)，核心要掌握的兩個函數(shù)：

• 固定閾值：cv2.threshold()；
• 自適應閾值：cv2.adaptiveThreshold()。

14

圖像膨脹腐蝕

膨脹、腐蝕屬于形態(tài)學的操作，是圖像基于形狀的一系列圖像處理操作。

膨脹腐蝕是基于高亮部分（白色）操作的，膨脹是対高亮部分進行膨脹，類似“領域擴張”， 腐蝕是高亮部分被腐蝕，類似“領域被蠶食”。

膨脹腐蝕的應用和功能：

• 消除噪聲；
• 分割獨立元素或連接相鄰元素；
• 尋找圖像中的明顯極大值、極小值區(qū)域；
• 求圖像的梯度；

核心需要掌握的函數(shù)如下：

• 膨脹 cv2.dilate()；
• 腐蝕 cv2.erode()。

形態(tài)學其他操作，開運算、閉運算、頂帽、黑帽、形態(tài)學梯度 這些都是基于膨脹腐蝕基礎之上，利用 cv2.morphologyEx() 函數(shù)進行操作。

15

邊緣檢測

邊緣檢測可以提取圖像重要輪廓信息，減少圖像內(nèi)容，可用于分割圖像、特征提取等操作。

邊緣檢測的一般步驟：

• 濾波：濾出噪聲対檢測邊緣的影響 ；
• 增強：可以將像素鄰域強度變化凸顯出來—梯度算子 ；
• 檢測：閾值方法確定邊緣 ；

常用邊緣檢測算子：

• Canny 算子，Canny 邊緣檢測函數(shù) cv2.Canny()；
• Sobel 算子，Sobel 邊緣檢測函數(shù) cv2.Sobel()；
• Scharr 算子，Scharr 邊緣檢測函數(shù) cv2.Scahrr() ；
• Laplacian 算子，Laplacian 邊緣檢測函數(shù) cv2.Laplacian()。

16

霍夫變換

霍夫變換（Hough Transform）是圖像處理中的一種特征提取技術，該過程在一個參數(shù)空間中，通過計算累計結果的局部最大值，得到一個符合該特定形狀的集合，作為霍夫變換的結果。

本部分要學習的函數(shù)：

• 標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
• 累計概率霍夫變換 cv2.HoughLinesP() ；
• 霍夫圓變換 cv2.HoughCricles() 。

17

圖像直方圖計算及繪制

先掌握直方圖相關概念，在掌握核心函數(shù)，最后通過 matplotlib 模塊對直方圖進行繪制。計算直方圖用到的函數(shù)是 cv2.calcHist()。

直方圖相關應用：

• 直方圖均衡化 cv2.equalizeHist()；
• 直方圖對比 cv2.compareHist()；
• 反向投影 cv2.calcBackProject()。

18

模板匹配

模板匹配是在一幅圖像中尋找與另一幅模板圖像最匹配（相似）部分的技術。

核心用到的函數(shù)如下：

• 模板匹配 cv2.matchTemplate()；
• 矩陣歸一化 cv2.normalize()；
• 尋找最值 cv2.minMaxLoc()。