OpenCV思维脑图思维导图

要读取的对象

读取方式

例子：img = cv.imread('messi5.jpg',0)

显示图像的窗口名称，以字符串类型表示

要加载的图像

例子： cv.imshow('image',img) cv.waitKey(0) # matplotlib中展示 plt.imshow(img[:,:,::-1])

文件名，要保存在哪里

要保存的图像

例子：cv.imwrite('messigray.png',img)

src : 输入图像

dsize: 绝对尺寸，直接指定调整后图像的大小

fx,fy: 相对尺寸，将dsize设置为None，然后将fx和fy设置为比例因子即可

interpolation：插值方法

dsize: 输出图像的大小

M： 2∗3移动矩阵

img: 输入图像

center：旋转中心

angle：旋转角度

scale：缩放比例

在仿射变换中，原图中所有的平行线在结果图像中同样平行。为了创建这个矩阵我们需要从原图像中找到三个点以及他们在输出图像中的位置。然后cv2.getAffineTransform 会创建一个 2x3 的矩阵，最后这个矩阵会被传给函数 cv2.warpAffine。

在opencv中，我们要找到四个点，其中任意三个不共线，然后获取变换矩阵T，再进行透射变换。通过函数cv.getPerspectiveTransform找到变换矩阵，将cv.warpPerspective应用于此3x3变换矩阵

对图像进行上采样

对图像进行下采样

两个像素连通的两个必要条件是

有4联通、8联通和m联通三种

cv.erode(img,kernel,iterations)

cv.dilate(img,kernel,iterations)

开运算是先腐蚀后膨胀，其作用是：分离物体，消除小区域。特点：消除噪点，去除小的干扰块，而不影响原来的图像。

闭运算与开运算相反，是先膨胀后腐蚀，作用是消除/“闭合”物体里面的孔洞，特点：可以填充闭合区域。

原图像与开运算之差

闭运算与原图像之差

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。

高斯噪声是指噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。

cv.blur(src, ksize, anchor, borderType)

均值滤波的优点是算法简单，计算速度较快，缺点是在去噪的同时去除了很多细节部分，将图像变得模糊。

cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

高斯平滑在从图像中去除高斯噪声方面非常有效。

cv.medianBlur(src, ksize )

中值滤波是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。

dims：需要统计的特征数目。在上例中，dims = 1 ，因为仅仅统计了灰度值。

bins：每个特征空间子区段的数目，可译为 “直条” 或 “组距”，在上例中， bins = 16。

range：要统计特征的取值范围。在上例中，range = [0, 255]。

images: 原图像。当传入函数时应该用中括号 [] 括起来，例如：[img]。

channels: 如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。

mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。

histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。

ranges: 像素值范围，通常为 [0，256]

参数

返回

clipLimit: 对比度限制，默认是40

tileGridSize: 分块的大小，默认为8∗8