目录
一、Opencv简介
主要特点：
应用领域：
二、基础操作
1、模块导入
2、图片的读取和显示
（1）、读取
（2）、显示
3、 图片的保存
4、获取图像的基本属性
5、图像转灰度图
6、图像的截取
7、图像的缩放
8、图像的旋转
9、膨胀和腐蚀操作
（1）、膨胀操作
（2）、腐蚀操作
10、图像的轮廓检测
（1）、Sobel 算子轮廓检测法
（2）、findContours 边缘检测算法
（3）、Canny轮廓检测
一、Opencv简介
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它由一系列C++函数和少量C函数构成，同时也提供了Python、Java、MATLAB等语言的接口。OpenCV的设计目标是提供一个简单易用的计算机视觉框架，以便开发者能够快速实现各种视觉处理任务。
主要特点：
-
跨平台支持：OpenCV可以在Windows、Linux、macOS、Android和iOS等多个操作系统上运行。
-
丰富的图像处理功能：包括图像的读取、显示、保存、滤波、边缘检测、形态学操作、特征检测与描述、图像分割等。
-
视频处理：支持视频的读取、显示、保存，以及视频流的实时处理。
-
机器学习：内置了多种机器学习算法，如支持向量机（SVM）、K近邻（KNN）、决策树等，可以用于分类、回归等任务。
-
深度学习支持：OpenCV 3.3版本之后，集成了深度学习模块，支持TensorFlow、Caffe、Torch等主流深度学习框架的模型导入和推理。
-
高性能：OpenCV的许多算法都经过了优化，能够高效地处理大规模图像和视频数据。
-
开源社区支持：OpenCV拥有庞大的用户和开发者社区，提供了丰富的文档、教程和示例代码，方便用户学习和使用。
应用领域：
OpenCV广泛应用于各种计算机视觉和图像处理任务，包括但不限于：
-
图像处理：如图像增强、滤波、边缘检测等。
-
视频分析：如目标跟踪、运动检测、行为识别等。
-
机器视觉：如工业检测、机器人视觉、自动驾驶等。
-
医学图像处理：如CT、MRI图像的分析与处理。
-
增强现实：如虚拟物体叠加、实时特效等。
二、基础操作
1、模块导入
import cv2
2、图片的读取和显示
（1）、读取
- 读取原图
image = cv2.imread('图片名或路径')- 读取灰度图
在路径后面加上0，代表以灰度图的形式读取图片
image = cv2.imread('图片名或路径',0)（2）、显示
import cv2
# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()cv2.waitKey() 函数 ：用于等待用户的按键事件，它的参数表示等待按键的时间（单位是毫秒）。当参数设置为
0时，意味着程序会一直处于等待状态，直到用户按下任意一个按键为止;cv2.destroyAllWindows ( )函数 ：作用是关闭所有由 OpenCV 创建的图像显示窗口。
3、 图片的保存
import cv2
# 保存图像
cv2.imwrite('output_image.jpg', image)4、获取图像的基本属性
获取图像的BGR、像素点个数、数据类型。
# 获取图像的宽度和高度
height, width, channels = image.shape
# 获取图像的尺寸
size = image.size
# 获取图像的数据类型
dtype = image.dtype5、图像转灰度图
假设一张已经读取的非灰度图想转为灰度图，可用此方法
import cv2
gray_img = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)6、图像的截取
注：前面的参数截取的是高，后面的是宽。opencv中的图像坐标原点在图像的左上角。
img_cut = image[0:50,0:50]
# 前面的参数截取的是高，后面的是宽。7、图像的缩放
import cv2
# 缩放图像
resized_image = cv2.resize(image, (new_width, new_height))8、图像的旋转
import cv2
# 获取图像的中心点
(h, w) = image.shape[:2]
center = (w // 2, h // 2)
# 旋转图像
M = cv2.getRotationMatrix2D(center, angle, scale)
rotated_image = cv2.warpAffine(image, M, (w, h))center：图像的中心点；
angle：旋转的角度，正数为逆时针旋转，负数为顺时针旋转；
scale：图像旋转后的缩放比例；
M：为一个2*3的变换矩阵，会被后续的
cv2.warpAffine函数用来对图像实际执行旋转（以及缩放，如果有设置缩放比例的话）操作；(w,h)：经过旋转等变换后输出的图像 大小；
9、膨胀和腐蚀操作
（1）、膨胀操作
import cv2
import numpy as np
kernel = np.ones(3,3)
# 膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
（2）、腐蚀操作
import cv2
import numpy as np
kernel = np.ones(3,3)
# 腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)iterations参数：用于指定腐蚀操作执行的次数
10、图像的轮廓检测
注意：轮廓检测最好使用灰度图或者二值化的图，这样检测会更精准。
（1）、Sobel 算子轮廓检测法
import cv2
# 水平方向检测
sobelx = cv2.Sobel(image,cv2.CV_64F,1,0,ksize=3)
# 对结果取绝对值，以免负数被截取为0
sobelx = cv2.convertScaleAbs(sobelx)
# 垂直方向检测
sobely = cv2.Sobel(image,cv2.CV_64F,0,1,ksize=3)
# 对结果取绝对值，以免负数被截取为0
sobely = cv2.convertScaleAbs(sobely)
# 垂直水平方向根据权重进行相加
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv2.imshow('',sobelxy)此种方法最好水平检测与垂直检测分开，然后再求和。如果同时检测效果会不好。
（2）、findContours 边缘检测算法
使用cv2.findContours()算法时图片必须是灰度图或者经过二值化处理过的图
import cv2
# 查找轮廓
contours, hierarchy = cv2.findContours(image_gray, type1, type2)
# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)contours：包含了所有检测到的轮廓信息的列表；
hierarchy：它表示轮廓之间的层次关系信息；
image：表示待检测的图片；
type1（轮廓检测形式）有如下选项：
cv2.RETR_TREE：表示会检索所有的轮廓，并重构嵌套轮廓的完整层次结构；
cv2.RETR_EXTERNAL：只检索最外层的轮廓，忽略所有内部的子轮廓；
cv2.RETR_LIST：检索所有轮廓，但不建立轮廓间的层次关系；type2（轮廓逼近的方法）有如下选项：
cv2.CHAIN_APPROX_SIMPLE：会压缩水平、垂直和对角方向的线段，仅保留轮廓的端点信息，将轮廓用尽可能少的点来表示，以达到简化轮廓数据的目的；
cv2.CHAIN_APPROX_NONE：存储轮廓的所有边界点，也就是完整地记录轮廓经过的每一个像素点，不进行任何简化，这样得到的轮廓数据会比较详细、准确，但数据量通常很大。
（3）、Canny轮廓检测
import cv2
result_img = cv2.Canny(gray_img,50,150,apertureSize=3,L2gradient=True)
cv2.imshow('result_img',result_img)50,150:低阈值和高阈值；
apertureSize：Sobel算子核的大小,一般为奇数3，5，7等；
L2gradient：为True时使用采用更为精确的 L2 范数，为False时采用近似的 L1 范数。
