OpenCV

reference

• OpenCV Docs
• OpenCV Python Tutorial
• Face Recognition

  The world's simplest facial recognition api for Python and the command line

• DeepFaceLive

  Real-time face swap for PC streaming or video calls

• IGL

  Intermediate Graphics Library (IGL) is a cross-platform library that commands the GPU. It provides a single low-level cross-platform interface on top of various graphics APIs (e.g. OpenGL, Metal and Vulkan).

Usage

$ brew install opencv       # 安装 opencv
$ pip install opencv-python # 安装 opencv-python

Concept

• ROI : region of interest (感兴趣区域)

• 直线极坐标公式 : ρ = x * sinθ + y * cosθ

• 卷积(Convolution) & 滤波(Filtering)

• OpenCV 中的颜色空间

  颜色空间	说明
  BGR	不是我们常用RGB
  Gray	灰度图
  HSV	H(Hue, 色彩/色度) [0 179] ; S(Saturation, 饱和度) [0 255] ; V(Value, 亮度) [0 255]

  # BGR -> RGB
  img = cv2.imread(path, cv2.IMREAD_COLOR) # BGR
  # 方案一: 拆分 & 合并
  b, g, r = cv2.split(img)
  img2 = cv2.merge([r, g, b])
  # 方案二: 颜色空间转换
  img3 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
  # 方案三: 
  img4 = img[:, :, ::-1]
  img5 = img[..., ::-1]
  

• 运动目标检测

  方法	说明
  光流法	计算量大，运算比较复杂，抗噪音能力差，对硬件要求高
  背景减法	建模要求高，易受关照突变影响
  帧差分法	计算量小，硬件要求低

API

图像

• imread(filename[, flags]) -> retval : 读取图片

  • filename : 文件名称
  • flags : 读取方式
    • cv2.IMREAD_COLOR : 默认，彩色图片(不包含透明度)
    • cv2.IMREAD_GRAYSCALE : 灰度图
    • cv2.IMREAD_UNCHANGE : 原始图片(包含透明度)

• imshow(winname, mat) -> None : 显示图片

  • winname : 窗口名称
  • mat : 图片矩阵

• imwrite(filename, img[, params]) -> retval : 保存图片

  • filename : 保存的文件名
  • img : 图片
  • params : 特定格式参数
    • cv2.IMWRITE_JPEG_QUALITY : JPEG, 图像质量(0~100, 默认:95)
    • cv2.IMWRITE_PNG_COMPRESSION : PNG, 压缩级别(0~9, 默认:3)

img = cv2.imread('test.png')    # 读取图片
cv2.imshow('img', img)          # 显示图片
cv2.imwrite('save.png', img)    # 保存图片
cv2.imwrite("test1.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 10])
cv2.imwrite("test2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0]) 
cv2.namedWindow('image', cv2.WINDOW_NORMAL) # 创建窗口
cv2.imshow('image', img)        # 显示在指定窗口
cv2.waitKey(0)                  # 等待键盘输入
cv2.destoryAllWindows()         # 销毁窗口

视频

• VideoCapture() : 读取视频文件或摄像头视频流

  • get(propId) -> retval : 获取属性值
    • cv2.CAP_PROP_FPS : 每秒帧数
    • cv2.CAP_PROP_FRAME_HEIGHT : 图片帧高度
    • cv2.CAP_PROP_FRAME_WIDTH : 图片帧宽度
    • cv2.CAP_PROP_FRAME_COUNT : 总共帧数
    • cv2.CAP_PROP_POS_FRAMES : 当前帧数
  • set(propId, value) -> retval : 设置属性值
  • isOpened() -> retval : 检测是否初始化成功
  • read([, image]) -> retval, image : 读取视频下一帧
  • release() -> None : 关闭视频文件或摄像头硬件

• VideoWriter_fourcc(c1, c2, c3, c4) -> retval : 定义fourcc代码

• VideoWriter() : 视频保存

  • fourcc(c1, c2, c3, c4) -> retval : 定义fourcc代码
  • open(filename, fourcc, fps, frameSize[, isColor]) -> retval : 初始化视频写入
    • filename : 文件名
    • fourcc :
    • fps : 每秒帧数(frames per second)
    • frameSize : 每一帧图片尺寸
    • isColor :
  • write(image) -> None : 写入视频的下一帧
  • release() -> None : 关闭视频写入

窗口

• namedWindow(winname[, flags]) -> None : 创建窗口

  • winname : 窗口名字
  • flags : 显示方式
    • cv2.WINDOW_NORMAL : 窗口可以调整大小
    • cv2.WINDOW_AUTOSIZE : 自动调整
    • cv2.WINDOW_KEEPRATIO : 保持图片比例
    • cv2.WINDOW_GUI_EXPANDED :

• setWindowTitle(winname, title) -> None : 修改窗口标题

  • winname : 窗口名字
  • title : 窗口标题

• moveWindow(winname, x, y) -> None : 移动窗口

  • winname : 窗口名字
  • x, y : 指定位置的坐标

• waitKey([, delay]) -> retval : 等待键盘输入

  • delay : 等待延迟时间(毫秒)
    • 0 : 一直等待(forever)

• destroyAllWindows() -> None : 销毁所有窗口

• destroyWindow(winname) -> None : 销毁指定窗口

  • winname : 窗口名字

• setMouseCallback(windowName, onMouse [, param]) -> None : 设置鼠标回调

  • onMouse : 回调函数callback(event, x, y, flags, param) -> None
    • event : 鼠标事件
      • cv2.EVENT_LBUTTONDOWN : 鼠标左键按下
      • cv2.EVENT_MOUSEMOVE : 鼠标移动
      • cv2.EVENT_LBUTTONUP : 鼠标左键释放
      • cv2.EVENT_LBUTTONDBLCLK : 鼠标左键双击
    • x, y : 鼠标点击坐标
    • flags : 事件标记
      • cv2.EVENT_FLAG_LBUTTON : 鼠标左键
      • cv2.EVENT_FLAG_RBUTTON : 鼠标右键
      • cv2.EVENT_FLAG_MBUTTON : 鼠标中键
      • cv2.EVENT_FLAG_CTRLKEY : Ctr
      • cv2.EVENT_FLAG_ALTKEY : Alt
      • cv2.EVENT_FLAG_SHIFTKEY : Shift
    • param :

• createTrackbar(trackbarName, windowName, value, count, onChange) -> None : 创建滑动条

  • trackbarName : 滑动条名字
  • windowName : 窗口名字
  • value : 初始值
  • count : 最大值(0~count)
  • onChange : 回调函数callback(value) -> None
    • value : 修改之后的值

• getTrackbarPos(trackbarname, winname) -> retval : 获取滑动条的当前位置值

性能检测

• getTickCount() -> retval : 参考点到这个函数执行的时钟数

• getTickFrequency() -> retval : 返回时钟频率(每秒的时钟数)

• useOptimized() -> retval : 返回优化状态

• setUseOptimized(onoff) -> None : 设置是否优化

图像基础处理

绘图

• line(img, pt1, pt2, color[, thickness[, lineType[, shift]]]) -> img : 绘制一条直线

  • img : 图像
  • pt1 : 第一个点
  • pt2 : 第二个点
  • color : 颜色
  • thickness : 粗细
    • 1 : 默认
    • -1 : 闭合图形会被填充
  • lineType : 直线类型
    • cv2.LINE_8 : 八连接(默认)
    • cv2.LINE_4 : 四连接
    • cv2.LINE_AA : 抗锯齿
  • shift : 点坐标系的小数点位数

• polylines(img, pts, isClosed, color[, thickness[, lineType[, shift]]]) -> img : 绘制多条直线

  • pts : 多个点数组
  • isClosed : 是否闭环

• arrowedLine(img, pt1, pt2, color[, thickness[, line_type[, shift[, tipLength]]]]) -> img : 绘制箭头直线

• rectangle(img, pt1, pt2, color[, thickness[, lineType[, shift]]]) -> img : 绘制矩形

• circle(img, center, radius, color[, thickness[, lineType[, shift]]]) -> img : 绘制圆

  • center : 圆心
  • radius : 半径

• ellipse(img, center, axes, angle, startAngle, endAngle, color[, thickness[, lineType[, shift]]]) -> img : 绘制椭圆

  • center : 圆心
  • axes : 长轴和短轴长度
  • angle :
  • startAngle : 起始角度
  • endAngle : 结束角度

• putText(img, text, org, fontFace, fontScale, color[, thickness[, lineType[, bottomLeftOrigin]]]) -> img : 绘制文字

  • text : 文字内容
  • org : 文字的左下角坐标
  • fontFace : 文字字体
    • cv2.FONT_HERSHEY_SIMPLEX :
    • cv2.FONT_HERSHEY_TRIPLEX :
    • cv2.FONT_ITALIC : 斜体
  • fontScale : 字体缩放

位运算

• bitwise_not(src[, dst[, mask]]) -> dst : 非

  • src : 图像
  • mask : 掩模图像

• bitwise_and(src1, src2[, dst[, mask]]) -> dst : 与

  • src1 : 图像1
  • src2 : 图像2
  • mask : 掩模图像

• bitwise_or(src1, src2[, dst[, mask]]) -> dst : 或

• bitwise_xor(src1, src2[, dst[, mask]]) -> dst : 异或

图像处理

• split(m[, mv]) -> mv : 图像通道拆分

  • m :
  • mv :

• merge(mv[, dst]) -> dst : 图像通道合并

  • mv :
  • dst :

• add(src1, src2[, dst[, mask[, dtype]]]) -> dst : 图片相加

  • src1 : 图像1
  • src2 : 图像2

• subtract(src1, src2[, dst[, mask[, dtype]]]) -> dst : 图片相减

• addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst : 权重相加

  dst = α·img1 + β·img2 + γ

  • alpha : 图像1权重
  • beta : 图像2权重
  • gamma : 求和的标量

• flip(src, flipCode[, dst]) -> dst : 翻转

  • src : 图像
  • flipCode : 翻转方向
    • 1 : 水平翻转
    • 0 : 垂直翻转
    • -1 : 水平垂直翻转

• copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]]) -> dst : 图像扩边

  • top, bottom, left, right : 对应边界像素数
  • borderType : 边缘类型
    • cv2.BORDER_REPLICATE : 重复最后一个元素
    • cv2.BORDER_REFLECT : 边界元素滤镜
    • cv2.BORDER_REFLECT_101 :
    • cv2.BORDER_WRAP : 包裹
    • cv2.BORDER_CONSTANT : 有颜色的常数值边界
  • value : 边界颜色(配合BORDER_CONSTANT使用)

• cvtColor(src, code[, dst[, dstCn]]) -> dst : 转换颜色空间

  • code : 转换编码
    • cv2.COLOR_BGR2GRAY : BGR(彩色图) -> Gray(灰度图)
    • cv2.COLOR_BGR2HSV : BGR -> HSV

• inRange(src, lowerb, upperb[, dst]) -> dst : 取范围内的图片

几何变换

• resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst : 改变图片尺寸大小

  • src : 图像
  • dsize : 改变后的尺寸
  • fx, fy : 缩放因子(dsize==None时有效)
  • interpolation : 插值算法
    • cv2.INTER_LINEAR : 默认,
    • cv2.INTER_AREA : 缩放时推荐
    • cv2.INTER_CUBIC : 扩展时推荐

• warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) -> dst : 使用变换矩阵改变图片

  • M : 变换矩阵
  • dsize : 输出图片大小

• getRotationMatrix2D(center, angle, scale) -> retval : 旋转矩阵

  • center : 旋转中心
  • angle : 旋转角度
  • scale : 旋转后的缩放因子

• getAffineTransform(src, dst) -> retval : 仿射矩阵(2*3矩阵)

  • src : 原始图三个点坐标(2*3矩阵)
  • dst : 目标图三个点坐标(2*3矩阵)

• getPerspectiveTransform(src, dst) -> retval : 透视矩阵(3*3矩阵)

  • src : 原始图四个点坐标(2*4矩阵)
  • dst : 目标图四个点坐标(2*4矩阵)

阈值

• threshold(src, thresh, maxval, type[, dst]) -> retval, dst : 简单阈值

  • src : 图像(灰度图)
  • thresh : 对像素值进行分类的阈值
  • maxval : 像素值高于(或低于)阈值时,赋予的新值
  • type : 阈值类型
    • cv2.THRESH_BINARY : 二值阈值化
    • cv2.THRESH_BINARY_INV : 方向二值阈值化并反转
    • cv2.THRESH_TRUNC : 截断阈值化
    • cv2.THRESH_TOZERO : 超过阈值被置为0
    • cv2.THRESH_TOZERO_INV : 低于阈值被置为0
    • cv2.THRESH_OTSU : Otsu 二值化(用于处理双峰图)
  • retval : 最优阈值(Otsu类型)

• adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst : 自适应阈值

  • adaptiveMethod : 计算阈值的方法
    • cv2.ADPTIVE_THRESH_MEAN_C : 取相邻区域平均值
    • cv2.ADPTIVE_THRESH_GAUSSIAN_C : 取相邻区域加权平均,权重是一个高斯窗口
  • thresholdType : 阈值类型
  • blockSize : 领域大小
  • C : 常数(阈值 = (加权)平均值 - C)

图像高级处理

LPF(Low-Pass Filter, 低通滤波) : 去除噪音, 模糊图像(实质: 去除图片中的高频成分(边界、噪音)) HPF(High-Pass Filter, 高通滤波) : 找到图片的边缘

图像平滑(模糊)

• filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) -> dst : 2D卷积

  通过卷积核处理图片上的每一个像素点(卷积核求和 -> 再取平均)

  • src : 图像
  • ddepth : 目标图像的期望深度
  • kernel : 卷积核
  • anchor : 锚点, 过滤点的相对位置, 默认: (-1, -1) 在内核中心
  • delta : δ, 卷积处理后的添加值
  • borderType : 边界类型

• blur(src, ksize[, dst[, anchor[, borderType]]]) -> dst : 归一化卷积

  使用卷积核覆盖区域所有像素平均值替换中心像素点

  • ksize : 卷积核尺寸

• boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) -> dst :

  • normalize : 指定内核是否归一化(True : 归一化 == blur() ; False : 不使用归一化)

• GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst : 高斯模糊, 去除高斯噪音

  高斯核 : 中间值最大, 其它值根据距离递减(形成高斯分布) 核 >= (11, 11) : 使用 DFT-base 算法 ; 核 < (11, 11) : 直接计算

  • kisze : 高斯核尺寸, 宽高可以不同(必须是正奇数), 或者为0(由sigma计算)
  • sigmaX : 高斯核在X轴方向偏差
  • sigmaY : 高斯核在Y轴方向偏差

• getGaussianKernel(ksize, sigma[, ktype]) -> retval : 创建一个高斯核

  • ktype : 值的类型

• medianBlur(src, ksize[, dst]) -> dst : 中值模糊, 去除椒盐噪音

  使用卷积核区域的中值来代替中间像素值

• bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) -> dst : 双边滤波, 保持边界清晰, 去除噪音

  同时使用空间高斯权重和灰度值相识性高斯权重(计算时间长, 比较慢) 空间高斯函数 : 确保只有临近区域像素对中心点有影响 灰度相似性函数 : 确保只有与中心像素值相近才会被进行模糊处理(边界灰度值变化较大)

  • d : 过滤像素邻域直径(推荐 : 5, d > 5 : 非常慢)
  • sigmaColor : 色彩空间过滤值
  • sigmaSpace : 坐标空间过滤值

形态学转换

• erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst : 腐蚀, 白色区域减少, 去除白色噪音, 断开两个连接在一起的物体

  卷积核与原图像对应的像素点值所有都是1, 则保持中心像素值不变, 否则置为0

  • src : 图像
  • kernel : 卷积核
  • anchor : 锚点, 默认: (-1, -1) 在内核中心
  • iterations : 迭代次数
  • borderType : 边界类型
  • borderValue : 边框值

• dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst : 膨胀, 连接两个分开的物体

  卷积核与原图像对应的像素点只要有一个1, 则将中心像素值改为1, 否则为0 去除白色噪音 : 先腐蚀(白色前景色减少), 在膨胀(白色噪音以除去, 不会再膨胀回来)

• morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst : 形态学运算

  腐蚀和膨胀操作的变体

  • op : 操作类型
    • cv2.MORPH_OPEN : 开运算(== 腐蚀 & 膨胀), 去除白色椒盐噪音
    • cv2.MORPH_CLOSE : 闭运算(== 膨胀 & 腐蚀), 填补前景色中的小洞(小黑点)
    • cv2.MORPH_GRADIENT : 形态学梯度(膨胀 - 腐蚀), 提取前景物体轮廓
    • cv2.MORPH_TOPHAT : 礼帽(== 原始图像 - 开运算图像)
    • cv2.MORPH_BLACKHAT : 黑帽(== 闭运算图像 - 原始图像)

• getStructuringElement(shape, ksize[, anchor]) -> retval : 构建结构化元素

  用于构建不同形状的卷积核(一般是正方形, 还可以是圆、椭圆)

  • shape : 结构形状
    • cv2.MORPH_RECT : 矩形
    • cv2.MORPH_ELLIPSE : 椭圆形
    • cv2.MORPH_CROSS : 十字形
  • ksize : 结构化元素尺寸
  • anchor : 锚点

图像梯度

• Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst : Sobel算子

  一阶或二阶导数,高斯平滑与微分操作的结合, 抗噪能力好

  • src : 图像
  • ddepth : 图像深度(-1 : 与原图保持一致)
  • dx, dy : x和y方向求导阶数
  • ksize : 卷积核大小(ksize == -1, 会使用 Scharr 3x3 卷积核, 优于 Sobel 3x3)
  • scale : 缩放求导值(默认 : 没有缩放)
  • delta : 求导结果增量
  • borderType : 边界类型

• Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]) -> dst : Scharr算子

  一阶或二阶导数

• Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst : Laplacian算子

  二阶导数(类似于 Sobel 的二阶导数)

边界检测

• Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges : 边界检测

  原理 : 5x5 高斯去噪 -> Sobel 分别计算 X 和 Y 方向图像梯度, 找到边界梯度和方向 -> 非极大值抑制(去除非边界点) -> 滞后阈值(minVal, maxVal)

  • image : 图像
  • threshold1 : 滞后程序的第一个阈值
  • threshold2 : 滞后程序的第二个阈值
  • apertureSize : Sobel 卷积核
  • L2gradient : 求梯度大小的方程(默认 : False)

图像金字塔

高斯金字塔 : 顶部通过底部图像中的连续的去除行和列得到 拉普拉斯金字塔 : 通过高斯金字塔计算得到, 公式 : Li =Gi −PyrUp(Gi+1) 应用 : 图像融合

• pyrDown(src[, dst[, dstsize[, borderType]]]) -> dst : 高分辨率尺寸向上构建金字塔(尺寸变小, 分辨率变小)

  • src :
  • dstsize :
  • borderType : 边界类型

• pyrUp(src[, dst[, dstsize[, borderType]]]) -> dst : 低分辨率向下构建金字塔(尺寸变大, 分辨率不增加)

轮廓

轮廓 : 具有相同颜色或灰度连续的点, 连着一起的曲线(黑色背景找白色物体)

• findContours(image, mode, method[, contours[, hierarchy[, offset]]]) -> image, contours, hierarchy : 查找轮廓

  • image : 图像
  • mode : 轮廓检索模式
    • cv2.RETR_LIST : 提取所有轮廓, 不建立父子关系
    • cv2.RETR_TREE : 所有轮廓, 并创建完整的组织结构层级列表
    • cv2.RETR_CCOMP : 所有轮廓, 分为两级组织结构(外轮廓 & 内部空洞)
    • cv2.RETR_EXTERNAL : 只返回最外层轮廓, 内部子轮廓会被忽略
  • method : 轮廓近似方法
    • cv2.CHAIN_APPROX_NONE : 所有的边界点都会被存储
    • cv2.CHAIN_APPROX_SIMPLE : 压缩轮廓点, 去除冗余点
  • offset :
  • contours : 识别的轮廓
  • hierarchy : 计算的层级关系(格式 : [Next, Previous, First_Child, Parent])

• drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]]) -> image : 绘制轮廓

  • image :
  • contours :
  • contourIdx :
  • color :
  • thickness :
  • lineType :
  • hierarchy :
  • maxLevel :
  • offset :

• moments(array[, binaryImage]) -> retval : 图像的矩

  • array :
  • binaryImage :

• contourArea(contour[, oriented]) -> retval : 轮廓面积

  • contour :
  • oriented :

• arcLength(curve, closed) -> retval : 轮廓周长

  • curve :
  • closed :

• approxPolyDP(curve, epsilon, closed[, approxCurve]) -> approxCurve : 近似轮廓

  • curve :
  • epsilon :
  • closed :

• convexHull(points[, hull[, clockwise[, returnPoints]]]) -> hull : 凸包检测

  • points :
  • clockwise :
  • returnPoints :

• isContourConvex(contour) -> retval : 凸性检测

  • contour :

• boundingRect(points) -> retval : 边界矩形

  • points :
  • retval :

• minAreaRect(points) -> retval : 最小外接矩形

  • points :

• boxPoints(box[, points]) -> points : 转化为坐标

  • box :

• minEnclosingCircle(points) -> center, radius : 最小外接圆

  • points :
  • center :
  • radius :

• fitEllipse(points) -> retval : 椭圆拟合

  • points :

• fitLine(points, distType, param, reps, aeps[, line]) -> line : 直线拟合

  • points :
  • distType :
  • param :
  • reps :
  • aeps :

• convexityDefects(contour, convexhull[, convexityDefects]) -> convexityDefects : 凸缺陷(凹陷)

  • contour : 轮廓
  • convexhull :

• pointPolygonTest(contour, pt, measureDist) -> retval : 点到轮廓的最短距离

  正 : 轮廓内部 ; 0 : 轮廓上 ; 负 : 轮廓外面

  • pt : 测试的点
  • measureDist : (True : 计算距离 ; False : 仅返回位置关系, 不计算距离)

• matchShapes(contour1, contour2, method, parameter) -> retval : 形状匹配

  • contour1 :
  • contour2 :
  • method :
  • parameter :

直方图

图像的灰度分布, X轴灰度值(0~255), y轴具有同一灰度值的点数

BINS : 直方图每个灰度值对应的点数 DIMS : 收集数据的参考数目 RANGE : 统计灰度值范围(一般 : [0, 256])

• calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) -> hist : 计算直方图

  • images : 图像数组([img])
  • channels : 统计通道数组, 灰度图(只有一个通道, [0]), 彩色图(三个通道, B:[0] G:[1] R:[2])
  • mask : 掩模图像(None : 统计整副图像; mask : 统计掩模区域)
  • histSize : BIN的数目([256])
  • ranges : 像素值的范围([0, 256])
  • accumulate : 直方图是否叠加

• equalizeHist(src[, dst]) -> dst : 直方图均衡化

  • src : 图像

• createCLAHE([, clipLimit[, tileGridSize]]) -> retval : 自适应直方图均衡化

  • clipLimit :
  • tileGridSize :

• calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst : 反向投影

  • images :
  • channels :
  • hist :
  • ranges :
  • scale :

傅里叶变换

DFT : Discrete Fourier Transform IDFT : Inverse Discrete Fourier Transform

• dft(src[, dst[, flags[, nonzeroRows]]]) -> dst : 傅里叶变换

• idft(src[, dst[, flags[, nonzeroRows]]]) -> dst : 发傅里叶变换

• getOptimalDFTSize(vecsize) -> retval : 得到最佳傅里叶变换尺寸

模板匹配

在一副大图中搜寻查找模板图像位置

• matchTemplate(image, templ, method[, result[, mask]]) -> result : 模板匹配

• minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc : 获取最大值最小值位置

直线检测

• HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]]) -> lines : 霍夫直线

• HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]) -> lines : 概率霍夫直线

  P : Probabilistic(概率)

  • minLineLength : 线的最短长度(小于该值被忽略)
  • maxLineCap : 两条线段之间的最大间隔(小于该值两条直线被看成一条直线)

• createLineSegmentDetector([, _refine[, _scale[, _sigma_scale[, _quant[, _ang_th[, _log_eps[, _density_th[, _n_bins]]]]]]]]) -> retval : 创建直线检测

  detecte()

斑点检测

• impleBlobDetector_create([, parameters]) -> retval : 创建斑点检测

• drawKeypoints(image, keypoints, outImage[, color[, flags]]) -> outImage : 绘制关键点

圆形检测

• HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles : 霍夫圆环
  • image : 灰度图
  • method : 检测方法，目前唯一方法: HOUGH_GRADIENT
  • dp : 累加器分辨率与图像分辨率的反比。
    • dp = 1，则累加器具有与输入图像相同的分辨率。
    • dp = 2，则累加器的宽度和高度都是一半。
  • minDist : 检测到的圆的中心之间的最小距离。
  • param1 : 检测方法的参数1
  • param2 : 检测方法的参数2
  • minRadius : 最小圆半径
  • maxRadius : 最大圆半径

图像分割

• distanceTransform(src, distanceType, maskSize[, dst[, dstType]]) -> dst : 距离变换

• connectedComponents(image[, labels[, connectivity[, ltype]]]) -> retval, labels :

• watershed(image, markers) -> markers : 分水岭算法

前景提取

• grabCut(img, mask, rect, bgdModel, fgdModel, iterCount[, mode]) -> mask, bgdModel, fgdModel : GrabCut算法提取图像的前景

图像特征

角点检测

• cornerHarris(src, blockSize, ksize, k[, dst[, borderType]]) -> dst : Harris 角点检测

• cornerSubPix(image, corners, winSize, zeroZone, criteria) -> corners : 亚像素级精确度角点检测

• goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]]) -> corners : Shi-Tomasi 角点检测,

• FastFeatureDetector_create([, threshold[, nonmaxSuppression[, type]]]) -> retval : Fast 角点检测

SIFT

SURF

BRIEF

ORB

• ORB_create([, nfeatures[, scaleFactor[, nlevels[, edgeThreshold[, firstLevel[, WTA_K[, scoreType[, patchSize[, fastThreshold]]]]]]]]]) -> retval : ORB 算法

特征匹配

• BFMatcher() : 蛮力匹配器

  • create(cls, normType=None, crossCheck=None) : 静态, 创建方法
  • match(queryDescriptors, trainDescriptors[, mask]) -> matches : 匹配
  • knnMatch(queryDescriptors, trainDescriptors, k[, mask[, compactResult]]) -> matches : knn 匹配

• drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg[, matchColor[, singlePointColor[, matchesMask[, flags]]]]) -> outImg : 绘制 knn 匹配

• FlannBasedMatcher() : FLANN 匹配器

• findHomography(srcPoints, dstPoints[, method[, ransacReprojThreshold[, mask[, maxIters[, confidence]]]]]) -> retval, mask :

• drawMatches(img1, keypoints1, img2, keypoints2, matches1to2, outImg[, matchColor[, singlePointColor[, matchesMask[, flags]]]]) -> outImg : 绘制匹配

视频分析

Meanshift & Camshift

• CamShift(probImage, window, criteria) -> retval, window :

• meanShift(probImage, window, criteria) -> retval, window :

光流

• calcOpticalFlowPyrLK(prevImg, nextImg, prevPts, nextPts[, status[, err[, winSize[, maxLevel[, criteria[, flags[, minEigThreshold]]]]]]]) -> nextPts, status, err :

• calcOpticalFlowFarneback(prev, next, flow, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags) -> flow :

背景减除

• createBackgroundSubtractorMOG2([, history[, varThreshold[, detectShadows]]]) -> retval :

• createBackgroundSubtractorKNN([, history[, dist2Threshold[, detectShadows]]]) -> retval :

摄像机标定和 3D 重构

• findChessboardCorners(image, patternSize[, corners[, flags]]) -> retval, corners :

• drawChessboardCorners(image, patternSize, corners, patternWasFound) -> image :

• calibrateCamera(objectPoints, imagePoints, imageSize, cameraMatrix, distCoeffs[, rvecs[, tvecs[, flags[, criteria]]]]) -> retval, cameraMatrix, distCoeffs, rvecs, tvecs :

• getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, imageSize, alpha[, newImgSize[, centerPrincipalPoint]]) -> retval, validPixROI :

• undistort(src, cameraMatrix, distCoeffs[, dst[, newCameraMatrix]]) -> dst :

• initUndistortRectifyMap(cameraMatrix, distCoeffs, R, newCameraMatrix, size, m1type[, map1[, map2]]) -> map1, map2 :

• remap(src, map1, map2, interpolation[, dst[, borderMode[, borderValue]]]) -> dst :

• projectPoints(objectPoints, rvec, tvec, cameraMatrix, distCoeffs[, imagePoints[, jacobian[, aspectRatio]]]) -> imagePoints, jacobian :

• findFundamentalMat(points1, points2[, method[, param1[, param2[, mask]]]]) -> retval, mask :

• computeCorrespondEpilines(points, whichImage, F[, lines]) -> lines :

• StereoBM_create([, numDisparities[, blockSize]]) -> retval :

• cv2.ml.KNearest_create() :

  • train(self, samples, responses) :
  • findNearest(samples, k[, results[, neighborResponses[, dist]]]) -> retval, results, neighborResponses, dist :
  • predict(self, samples) :

• cv2.ml.SVM_create() :

• cartToPolar(x, y[, magnitude[, angle[, angleInDegrees]]]) -> magnitude, angle :

• kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) -> retval, bestLabels, centers :

• fastNlMeansDenoisingColored(src[, dst[, h[, hColor[, templateWindowSize[, searchWindowSize]]]]]) -> dst :

• fastNlMeansDenoisingMulti(srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, templateWindowSize[, searchWindowSize]]]]) -> dst :

• createMergeDebevec() -> retval :

• createMergeRobertson() -> retval :

• createTonemapDurand([, gamma[, contrast[, saturation[, sigma_space[, sigma_color]]]]]) -> retval :

• createMergeMertens([, contrast_weight[, saturation_weight[, exposure_weight]]]) -> retval :

• createCalibrateDebevec([, samples[, lambda[, random]]]) -> retval :

• createCalibrateRobertson([, max_iter[, threshold]]) -> retval :

• inpaint(src, inpaintMask, inpaintRadius, flags[, dst]) -> dst :

• CascadeClassifier() :