Python OpenCV 的学习路线与重要知识点汇总 2

10

图像 ROI 与 mask 掩膜

本部分属于 OpenCV 中的重点知识，第一个为感兴趣区域 ROI，第二个是 mask 掩膜（掩码）操作 。

学习 ROI 部分时，还可以学习一下图像的深浅拷贝。

11

图像几何变换

图像几何变换依旧是对基础函数的学习与理解，涉及内容如下：

• 图像缩放 cv2.resize()；
• 图像平移 cv2.warpAffine()；
• 图像旋转 cv2.getRotationMatrix2D()；
• 图像转置 cv2.transpose()；
• 图像镜像 cv2.flip()；
• 图像重映射 cv2.remap()。

12

图像滤波

理解什么是滤波，高频与低频滤波，图像滤波函数。

线性滤波：方框滤波、均值滤波、高斯滤波，

非线性滤波：中值滤波、双边滤波，

• 方框滤波 cv2.boxFilter()；
• 均值滤波 cv2.blur()；
• 高斯滤波 cv2.GaussianBlur()；
• 中值滤波 cv2.medianBlur()；
• 双边滤波 cv2.bilateralFilter()。

13

图像固定阈值与自适应阈值

图像阈值化是图像处理的重要基础部分，应用很广泛，可以根据灰度差异来分割图像不同部分，阈值化处理的图像一般为单通道图像(灰度图)，核心要掌握的两个函数：

• 固定阈值：cv2.threshold()；
• 自适应阈值：cv2.adaptiveThreshold()。

14

图像膨胀腐蚀

膨胀、腐蚀属于形态学的操作，是图像基于形状的一系列图像处理操作。

膨胀腐蚀是基于高亮部分（白色）操作的，膨胀是対高亮部分进行膨胀，类似“领域扩张”， 腐蚀是高亮部分被腐蚀，类似“领域被蚕食”。

膨胀腐蚀的应用和功能：

• 消除噪声；
• 分割独立元素或连接相邻元素；
• 寻找图像中的明显极大值、极小值区域；
• 求图像的梯度；

核心需要掌握的函数如下：

• 膨胀 cv2.dilate()；
• 腐蚀 cv2.erode()。

形态学其他操作，开运算、闭运算、顶帽、黑帽、形态学梯度 这些都是基于膨胀腐蚀基础之上，利用 cv2.morphologyEx() 函数进行操作。

15

边缘检测

边缘检测可以提取图像重要轮廓信息，减少图像内容，可用于分割图像、特征提取等操作。

边缘检测的一般步骤：

• 滤波：滤出噪声対检测边缘的影响 ；
• 增强：可以将像素邻域强度变化凸显出来—梯度算子 ；
• 检测：阈值方法确定边缘 ；

常用边缘检测算子：

• Canny 算子，Canny 边缘检测函数 cv2.Canny()；
• Sobel 算子，Sobel 边缘检测函数 cv2.Sobel()；
• Scharr 算子，Scharr 边缘检测函数 cv2.Scahrr() ；
• Laplacian 算子，Laplacian 边缘检测函数 cv2.Laplacian()。

16

霍夫变换

霍夫变换（Hough Transform）是图像处理中的一种特征提取技术，该过程在一个参数空间中，通过计算累计结果的局部最大值，得到一个符合该特定形状的集合，作为霍夫变换的结果。

本部分要学习的函数：

• 标准霍夫变换、多尺度霍夫变换 cv2.HoughLines() ；
• 累计概率霍夫变换 cv2.HoughLinesP() ；
• 霍夫圆变换 cv2.HoughCricles() 。

17

图像直方图计算及绘制

先掌握直方图相关概念，在掌握核心函数，最后通过 matplotlib 模块对直方图进行绘制。计算直方图用到的函数是 cv2.calcHist()。

直方图相关应用：

• 直方图均衡化 cv2.equalizeHist()；
• 直方图对比 cv2.compareHist()；
• 反向投影 cv2.calcBackProject()。

18

模板匹配

模板匹配是在一幅图像中寻找与另一幅模板图像最匹配（相似）部分的技术。

核心用到的函数如下：

• 模板匹配 cv2.matchTemplate()；
• 矩阵归一化 cv2.normalize()；
• 寻找最值 cv2.minMaxLoc()。