openCV纲要及部分代码

**OpenCV基础与实践** OpenCV（开源计算机视觉库）是一个强大的计算机视觉和机器学习库，广泛应用于图像处理、计算机视觉以及模式识别等领域。本文将深入探讨OpenCV的基础语法，并结合部分代码，介绍如何实现图像缩放、滑块操作、阈值处理、重映射、直方图、反向投影、绘制几何形状（如矩形和圆形）以及车牌检测等实用功能。 ### 图像缩放 在OpenCV中，可以使用`resize()`函数来改变图像的大小。例如，假设我们有一个名为`image.jpg`的图像，我们可以这样缩放它： ```python import cv2 # 加载图像 img = cv2.imread('image.jpg') # 缩放图像，新尺寸为原尺寸的一半 new_size = (int(img.shape[1] / 2), int(img.shape[0] / 2)) resized_img = cv2.resize(img, new_size) # 显示图像 cv2.imshow('Resized Image', resized_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 滑块操作 OpenCV提供了一个叫做`createTrackbar()`的函数，可以用来创建滑块，用于实时调整图像参数。下面是一个创建滑块并应用阈值的例子： ```python import cv2 # 读取图像 img = cv2.imread('image.jpg') # 创建窗口和滑块 win_name = 'Thresholding' cv2.namedWindow(win_name) cv2.createTrackbar('Threshold', win_name, 0, 255, lambda x: thresholding(img, x)) # 应用阈值函数 def thresholding(image, value): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) binary = cv2.threshold(gray, value, 255, cv2.THRESH_BINARY)[1] cv2.imshow(win_name, binary) # 显示图像 thresholding(img, 0) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 阈值处理 阈值处理是图像分割的基础，OpenCV提供了多种阈值方法，如全局阈值、自适应阈值等。上例中展示了全局阈值的应用。 ### 重映射 图像重映射是通过查找源图像像素的新位置来改变图像的几何形状。这个过程通常用于校正透视失真或执行其他复杂的几何变换。以下是一个简单的例子： ```python import numpy as np import cv2 # 加载图像 img = cv2.imread('image.jpg') # 定义映射矩阵 map_x = np.float32([[i, j] for i in range(img.shape[1]) for j in range(img.shape[0])]) map_y = np.float32([[i, j] for i in range(img.shape[1]) for j in range(img.shape[0])]) # 创建重映射函数 re_map = cv2.remap(img, map_x, map_y, interpolation=cv2.INTER_LINEAR, borderMode=cv2.BORDER_CONSTANT) # 显示原图像和重映射后的图像 cv2.imshow('Original', img) cv2.imshow('Remapped', re_map) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 直方图与反向投影 直方图可以表示图像中每个灰度级的像素数量。反向投影是直方图的一种应用，常用于目标检测。以下是如何计算直方图和反向投影： ```python import cv2 import numpy as np # 读取图像 img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE) # 计算直方图 hist = cv2.calcHist([img], [0], None, [256], [0, 256]) # 归一化直方图 hist = cv2.normalize(hist, hist).flatten() # 反向投影 inv_project = cv2.calcBackProject([img], [0], hist, [0, 256], 1) # 显示原始图像和反向投影 cv2.imshow('Original', img) cv2.imshow('Inverse Projection', inv_project) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 绘制几何形状 OpenCV提供了一系列函数来绘制几何形状，如`rectangle()`和`circle()`。以下是如何在图像上画矩形和圆形： ```python import cv2 # 加载图像 img = cv2.imread('image.jpg') # 画矩形 cv2.rectangle(img, (50, 50), (200, 200), (0, 255, 0), 2) # 画圆形 cv2.circle(img, (img.shape[1] // 2, img.shape[0] // 2), 50, (255, 0, 0), 2) # 显示图像 cv2.imshow('Shapes', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 寻找车牌 车牌检测通常涉及边缘检测、轮廓检测、模板匹配等步骤。OpenCV提供了多种方法来完成这些任务，如Canny边缘检测、Hough变换、模板匹配等。以下是一个简化的示例： ```python import cv2 import numpy as np # 加载图像 img = cv2.imread('image.jpg') # 转为灰度 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Canny边缘检测 edges = cv2.Canny(gray, 50, 150) # 查找轮廓 contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤出可能的车牌轮廓 plates = [] for contour in contours: area = cv2.contourArea(contour) if area > 1000 and area < 4000: # 根据实际情况调整面积范围 plates.append(contour) # 画出车牌轮廓 cv2.drawContours(img, plates, -1, (0, 255, 0), 2) # 显示图像 cv2.imshow('Detected Plates', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 请注意，这只是一个基本的示例，实际车牌检测通常需要更复杂的算法，如机器学习模型（如SVM或深度学习）来提高准确性。 以上就是OpenCV基础语法的概览，涵盖了一些核心功能的实现。通过理解并熟练掌握这些知识，你可以进行更复杂的计算机视觉任务。随着经验的积累，你还可以探索OpenCV的高级特性，如特征检测、图像配准、视频处理等。