发布于 由admin

OpenCV `cv2` 模块：高级图像处理与计算机视觉算法实现

好的，各位观众，欢迎来到今天的“OpenCV cv2 模块：高级图像处理与计算机视觉算法实现”讲座！今天咱们不讲虚的，直接上干货，用代码说话，保证让大家听得懂，学得会，还能乐得开怀。

首先，咱们得明确一个概念，cv2 模块是 OpenCV 库在 Python 中的接口，它就像一个神通广大的工具箱，里面装满了各种图像处理和计算机视觉的利器。

第一部分：图像基础操作，让图片“听话”

图像处理，顾名思义，就是对图像进行各种操作，让它变得更符合我们的需求。这就像给图片“化妆”，让它更漂亮，或者让它更“懂事”，能告诉我们更多信息。

  1. 读取和显示图像：你好，世界！

    这是任何图像处理的起点，就像编程界的“Hello, World!”。

    import cv2

# 读取图像
img = cv2.imread('your_image.jpg')  # 替换为你的图像路径

# 检查图像是否成功加载
if img is None:
   print("Error: Could not load image.")
else:
   # 显示图像
   cv2.imshow('Image', img)
   cv2.waitKey(0)  # 等待键盘按下任意键
   cv2.destroyAllWindows() # 关闭所有窗口

    这段代码很简单，cv2.imread() 函数负责读取图像，cv2.imshow() 函数负责显示图像。cv2.waitKey(0) 确保图像窗口不会一闪而过，而是会一直显示，直到你按下键盘上的任意键。cv2.destroyAllWindows() 会关闭所有打开的窗口，释放资源。

    注意事项：

    • 确保你的图像文件存在，并且路径正确。
    • OpenCV 默认读取的图像颜色通道顺序是 BGR（蓝绿红），而不是 RGB（红绿蓝）。如果你需要将其转换为 RGB，可以使用 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。

  2. 图像色彩空间转换：变色龙的秘密

    图像的色彩空间有很多种，比如 RGB、HSV、GRAY 等。不同的色彩空间在不同的应用场景下有不同的优势。

    • RGB (Red, Green, Blue): 最常见的色彩空间，用红、绿、蓝三个分量表示颜色。
    • HSV (Hue, Saturation, Value): 更符合人类视觉感知的色彩空间，用色调、饱和度、亮度三个分量表示颜色。
    • GRAY: 灰度图像，只有一个亮度分量，常用于图像预处理。
    import cv2

img = cv2.imread('your_image.jpg')

# 转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_img)

# 转换为 HSV 图像
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.imshow('HSV Image', hsv_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.cvtColor() 函数可以实现色彩空间之间的转换。 cv2.COLOR_BGR2GRAY 表示从 BGR 转换为灰度，cv2.COLOR_BGR2HSV 表示从 BGR 转换为 HSV。

  3. 图像裁剪和缩放：瘦身与拉伸

    裁剪图像可以截取图像的感兴趣区域 (ROI)，缩放图像可以改变图像的大小。

    import cv2

img = cv2.imread('your_image.jpg')

# 裁剪图像 (从 (100, 100) 到 (300, 400))
cropped_img = img[100:400, 100:300]
cv2.imshow('Cropped Image', cropped_img)

# 缩放图像 (缩放到 500x500 像素)
resized_img = cv2.resize(img, (500, 500))
cv2.imshow('Resized Image', resized_img)

# 缩放图像 (使用插值方法，例如双线性插值)
resized_img_linear = cv2.resize(img, (500, 500), interpolation=cv2.INTER_LINEAR)
cv2.imshow('Resized Image (Linear)', resized_img_linear)

cv2.waitKey(0)
cv2.destroyAllWindows()
    • 图像裁剪使用数组切片的方式，img[y1:y2, x1:x2] 表示截取图像的 (x1, y1) 到 (x2, y2) 区域。

    • cv2.resize() 函数可以缩放图像，第一个参数是图像，第二个参数是目标大小，interpolation 参数指定插值方法。常用的插值方法有：

      • cv2.INTER_LINEAR：双线性插值，速度快，效果较好。
      • cv2.INTER_AREA：区域插值，适用于图像缩小。
      • cv2.INTER_CUBIC：三次样条插值，效果最好，但速度较慢。
      • cv2.INTER_LANCZOS4：Lanczos 插值，效果也比较好，速度较慢。

第二部分：图像滤波，让图片更“光滑”

图像滤波是一种常用的图像处理技术，可以用来去除图像噪声，平滑图像，或者增强图像的某些特征。

  1. 均值滤波：模糊大师

    均值滤波是一种线性滤波器，它用图像中每个像素周围邻域的平均值来代替该像素的值。

    import cv2

img = cv2.imread('your_image.jpg')

# 均值滤波 (使用 5x5 的核)
blur_img = cv2.blur(img, (5, 5))
cv2.imshow('Blur Image', blur_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.blur() 函数可以实现均值滤波，第二个参数是核的大小，表示邻域的大小。核越大，图像越模糊。

  2. 高斯滤波：柔和的模糊

    高斯滤波也是一种线性滤波器，它使用高斯函数作为权重来计算邻域的平均值。高斯滤波比均值滤波更柔和，更能保留图像的细节。

    import cv2

img = cv2.imread('your_image.jpg')

# 高斯滤波 (使用 5x5 的核，标准差为 0)
gaussian_img = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow('Gaussian Image', gaussian_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.GaussianBlur() 函数可以实现高斯滤波，第三个参数是标准差，表示高斯函数的宽度。标准差越大，图像越模糊。如果标准差为 0，则 OpenCV 会自动计算标准差。

  3. 中值滤波：噪声克星

    中值滤波是一种非线性滤波器，它用图像中每个像素周围邻域的中值来代替该像素的值。中值滤波对椒盐噪声 (salt and pepper noise) 有很好的去除效果。

    import cv2

img = cv2.imread('your_image.jpg')

# 中值滤波 (使用 5x5 的核)
median_img = cv2.medianBlur(img, 5)
cv2.imshow('Median Image', median_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.medianBlur() 函数可以实现中值滤波，第二个参数是核的大小，必须是奇数。

  4. 双边滤波：磨皮神器

    双边滤波是一种非线性滤波器，它在考虑像素空间距离的同时，也考虑像素值之间的差异。双边滤波可以在去除噪声的同时，保留图像的边缘信息。

    import cv2

img = cv2.imread('your_image.jpg')

# 双边滤波 (参数分别为：图像，邻域直径，颜色标准差，空间标准差)
bilateral_img = cv2.bilateralFilter(img, 9, 75, 75)
cv2.imshow('Bilateral Image', bilateral_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.bilateralFilter() 函数可以实现双边滤波。参数说明：

    • d: 邻域直径。
    • sigmaColor: 颜色标准差，用于控制颜色相似度。
    • sigmaSpace: 空间标准差，用于控制空间距离。

    双边滤波的参数需要仔细调整，才能达到最佳效果。

第三部分：边缘检测，让轮廓显现

边缘是图像中像素值发生剧烈变化的地方，边缘检测可以用来提取图像的轮廓信息。

  1. Sobel 算子：梯度显形记

    Sobel 算子是一种基于图像梯度的一阶微分算子，可以用来检测图像的水平和垂直边缘。

    import cv2

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE) # 灰度图像

# Sobel 算子 (计算水平方向的梯度)
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)

# Sobel 算子 (计算垂直方向的梯度)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

# 将梯度值转换为绝对值，并转换为 8 位无符号整数
abs_sobelx = cv2.convertScaleAbs(sobelx)
abs_sobely = cv2.convertScaleAbs(sobely)

# 合并水平和垂直方向的梯度
sobelxy = cv2.addWeighted(abs_sobelx, 0.5, abs_sobely, 0.5, 0)

cv2.imshow('Sobel X', abs_sobelx)
cv2.imshow('Sobel Y', abs_sobely)
cv2.imshow('Sobel XY', sobelxy)

cv2.waitKey(0)
cv2.destroyAllWindows()

    • cv2.Sobel() 函数可以实现 Sobel 算子。

      • 第一个参数是输入图像，必须是灰度图像。
      • 第二个参数是输出图像的数据类型，cv2.CV_64F 表示 64 位浮点数，可以表示负数和更精确的梯度值。
      • 第三个参数是 x 方向的导数阶数，1 表示计算 x 方向的一阶导数。
      • 第四个参数是 y 方向的导数阶数，0 表示不计算 y 方向的导数。
      • ksize 参数是 Sobel 算子的核的大小，必须是奇数。

    • 由于 Sobel 算子计算的梯度值可能为负数，所以需要使用 cv2.convertScaleAbs() 函数将其转换为绝对值，并转换为 8 位无符号整数，才能正常显示。

    • cv2.addWeighted() 函数可以合并两个图像，alpha 和 beta 参数分别是两个图像的权重，gamma 参数是添加到结果上的一个标量。

  2. Laplacian 算子：二阶导的魅力

    Laplacian 算子是一种基于图像梯度的二阶微分算子，对噪声比较敏感。

    import cv2

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# Laplacian 算子
laplacian = cv2.Laplacian(img, cv2.CV_64F)

# 将梯度值转换为绝对值，并转换为 8 位无符号整数
abs_laplacian = cv2.convertScaleAbs(laplacian)

cv2.imshow('Laplacian', abs_laplacian)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.Laplacian() 函数可以实现 Laplacian 算子。

  3. Canny 边缘检测：边缘检测的王者

    Canny 边缘检测是一种多阶段的边缘检测算法，它包括以下步骤：

    1. 高斯滤波：去除图像噪声。
    2. 计算梯度：使用 Sobel 算子计算图像的梯度。
    3. 非极大值抑制：去除梯度方向上的非极大值。
    4. 双阈值检测：使用两个阈值来区分边缘像素和非边缘像素。
    5. 边缘连接：将边缘像素连接成完整的边缘。

    Canny 边缘检测是目前最常用的边缘检测算法之一。

    import cv2

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# Canny 边缘检测 (参数分别为：图像，低阈值，高阈值)
canny = cv2.Canny(img, 50, 150)

cv2.imshow('Canny', canny)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.Canny() 函数可以实现 Canny 边缘检测。threshold1 是低阈值，threshold2 是高阈值。建议高阈值是低阈值的2-3倍。

第四部分：图像形态学操作，让图像“变形”

图像形态学操作是一种基于形状的图像处理技术，可以用来去除图像噪声，连接断裂的边缘，或者填充图像中的空洞。

  1. 腐蚀：蚕食边缘

    腐蚀操作可以去除图像边缘的像素，使图像中的物体变小。

    import cv2
import numpy as np

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义一个 5x5 的矩形结构元素
kernel = np.ones((5, 5), np.uint8)

# 腐蚀操作
erosion = cv2.erode(img, kernel, iterations=1)

cv2.imshow('Erosion', erosion)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.erode() 函数可以实现腐蚀操作。

    • 第一个参数是输入图像，必须是灰度图像。
    • 第二个参数是结构元素，用来定义腐蚀的形状和大小。
    • iterations 参数是腐蚀的次数。

  2. 膨胀：扩张领土

    膨胀操作可以增加图像边缘的像素，使图像中的物体变大。

    import cv2
import numpy as np

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义一个 5x5 的矩形结构元素
kernel = np.ones((5, 5), np.uint8)

# 膨胀操作
dilation = cv2.dilate(img, kernel, iterations=1)

cv2.imshow('Dilation', dilation)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.dilate() 函数可以实现膨胀操作。

  3. 开运算：先腐蚀后膨胀

    开运算可以去除图像中的小噪声，连接断裂的边缘，并平滑图像的轮廓。

    import cv2
import numpy as np

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义一个 5x5 的矩形结构元素
kernel = np.ones((5, 5), np.uint8)

# 开运算
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('Opening', opening)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.morphologyEx() 函数可以实现各种形态学操作。cv2.MORPH_OPEN 表示开运算。

  4. 闭运算：先膨胀后腐蚀

    闭运算可以填充图像中的小空洞，连接相邻的物体，并平滑图像的轮廓。

    import cv2
import numpy as np

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义一个 5x5 的矩形结构元素
kernel = np.ones((5, 5), np.uint8)

# 闭运算
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Closing', closing)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.morphologyEx() 函数可以实现各种形态学操作。cv2.MORPH_CLOSE 表示闭运算。

第五部分：图像分割，化整为零

图像分割是将图像分成多个区域的过程，每个区域都具有相似的特征。图像分割是计算机视觉中的一个重要任务，可以用于目标检测、图像识别等应用。

  1. 阈值分割：简单粗暴

    阈值分割是一种最简单的图像分割方法，它根据像素值的大小将图像分成两个区域。

    import cv2

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 阈值分割 (大于 127 的像素设置为 255，小于等于 127 的像素设置为 0)
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

cv2.imshow('Threshold', thresh)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.threshold() 函数可以实现阈值分割。

    • thresh 是分割后的图像。
    • ret 是阈值。
    • cv2.THRESH_BINARY 表示二进制阈值分割，大于阈值的像素设置为最大值，小于等于阈值的像素设置为 0。
    • cv2.THRESH_BINARY_INV 表示反二进制阈值分割，大于阈值的像素设置为 0，小于等于阈值的像素设置为最大值。
    • cv2.THRESH_TRUNC 表示截断阈值分割，大于阈值的像素设置为阈值，小于等于阈值的像素保持不变。
    • cv2.THRESH_TOZERO 表示置零阈值分割，大于阈值的像素保持不变，小于等于阈值的像素设置为 0。
    • cv2.THRESH_TOZERO_INV 表示反置零阈值分割，大于阈值的像素设置为 0，小于等于阈值的像素保持不变。

  2. 自适应阈值分割：因地制宜

    自适应阈值分割可以根据图像的局部特征自动选择阈值，适用于光照不均匀的图像。

    import cv2

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 自适应阈值分割 (使用高斯加权平均)
thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

cv2.imshow('Adaptive Threshold', thresh)

cv2.waitKey(0)
cv2.destroyAllWindows()

    cv2.adaptiveThreshold() 函数可以实现自适应阈值分割。

    • cv2.ADAPTIVE_THRESH_MEAN_C 表示使用邻域的平均值作为阈值。
    • cv2.ADAPTIVE_THRESH_GAUSSIAN_C 表示使用邻域的高斯加权平均值作为阈值。
    • blockSize 参数是邻域的大小。
    • C 参数是从平均值或加权平均值中减去的常数。

  3. K-means 聚类：抱团取暖

    K-means 聚类是一种常用的无监督学习算法，可以将图像中的像素分成 K 个簇，每个簇的像素具有相似的颜色或灰度值。

    import cv2
import numpy as np

img = cv2.imread('your_image.jpg')

# 将图像转换为一维数组
pixels = img.reshape((-1, 3))
pixels = np.float32(pixels)

# 定义 K-means 聚类的参数
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
K = 3

# K-means 聚类
ret, labels, centers = cv2.kmeans(pixels, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

# 将聚类结果转换为图像
centers = np.uint8(centers)
segmented_data = centers[labels.flatten()]
segmented_image = segmented_data.reshape(img.shape)

cv2.imshow('Segmented Image', segmented_image)

cv2.waitKey(0)
cv2.destroyAllWindows()
    • cv2.kmeans() 函数可以实现 K-means 聚类。
      • 第一个参数是输入数据，必须是 np.float32 类型。
      • 第二个参数是簇的数量。
      • 第三个参数是最佳标签，可以设置为 None。
      • 第四个参数是终止条件。
        • cv2.TERM_CRITERIA_EPS 表示当聚类中心的移动距离小于某个值时，停止聚类。
        • cv2.TERM_CRITERIA_MAX_ITER 表示当聚类迭代次数达到最大值时，停止聚类。
      • 第五个参数是尝试不同的初始标签的次数。
      • 第六个参数是初始聚类中心的选择方法。
        • cv2.KMEANS_RANDOM_CENTERS 表示随机选择初始聚类中心。
        • cv2.KMEANS_PP_CENTERS 表示使用 K-means++ 算法选择初始聚类中心。

第六部分：目标检测，火眼金睛

目标检测是指在图像中识别和定位特定物体的过程。

  1. Haar 特征 + AdaBoost：古老的智慧

    Haar 特征是一种简单的图像特征，可以用来描述图像中的边缘、线段和中心点等结构。AdaBoost 是一种机器学习算法，可以用来训练分类器，将 Haar 特征组合成一个强分类器。

    OpenCV 提供了预训练的 Haar 分类器，可以用来检测人脸、眼睛等物体。

    import cv2

# 加载人脸检测器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 需要下载

img = cv2.imread('your_image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.1, 4)

# 在图像中标记人脸
for (x, y, w, h) in faces:
   cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

cv2.imshow('Faces detected', img)

cv2.waitKey(0)
cv2.destroyAllWindows()
    • cv2.CascadeClassifier() 函数可以加载 Haar 分类器。
    • detectMultiScale() 函数可以检测图像中的物体。
      • 第一个参数是输入图像，必须是灰度图像。
      • scaleFactor 参数是图像缩放比例，用来减少计算量。
      • minNeighbors 参数是每个目标至少需要多少个邻居才能被认为是有效的。

  2. HOG 特征 + SVM：曾经的王者

    HOG (Histogram of Oriented Gradients) 特征是一种用来描述图像局部梯度方向信息的特征。SVM (Support Vector Machine) 是一种机器学习算法，可以用来训练分类器，将 HOG 特征组合成一个强分类器。

    HOG 特征和 SVM 算法曾经是目标检测领域的主流方法。

  3. 深度学习目标检测算法：未来的方向

随着深度学习的发展，基于卷积神经网络的目标检测算法，如YOLO、SSD、Faster R-CNN等，已经成为目标检测领域的主流方法。这些算法具有更高的精度和更快的速度，但需要大量的训练数据和计算资源。这些算法的使用通常需要用到 dnn 模块。这里不深入介绍，只是提一下方向。

总结

今天我们学习了 OpenCV cv2 模块的一些常用图像处理和计算机视觉算法。希望大家能够掌握这些知识，并将其应用到实际项目中。当然，OpenCV 的功能远不止这些，还有很多更高级的算法等待我们去探索。记住，实践是检验真理的唯一标准，多写代码，多做实验，才能真正掌握 OpenCV！

功能 函数/方法 描述
读取图像 cv2.imread(filename, flags) 读取图像文件。flags 参数指定读取图像的方式，如 cv2.IMREAD_COLOR (默认), cv2.IMREAD_GRAYSCALE, cv2.IMREAD_UNCHANGED。
显示图像 cv2.imshow(window_name, image) 在窗口中显示图像。
关闭窗口 cv2.waitKey(delay) 等待键盘按下任意键，或等待指定时间（毫秒）。delay=0 表示无限期等待。
cv2.destroyAllWindows() 关闭所有打开的 OpenCV 窗口。
色彩空间转换 cv2.cvtColor(image, code) 转换图像的色彩空间。code 参数指定转换的方式，如 cv2.COLOR_BGR2GRAY, cv2.COLOR_BGR2HSV, cv2.COLOR_RGB2BGR 等。
缩放图像 cv2.resize(image, dsize[, fx[, fy[, interpolation]]]) 缩放图像。dsize 参数指定目标图像的大小，fx 和 fy 参数指定 x 和 y 方向的缩放比例，interpolation 参数指定插值方法。
图像滤波 cv2.blur(image, ksize) 均值滤波。ksize 参数指定滤波器的大小。
cv2.GaussianBlur(image, ksize, sigmaX[, sigmaY]) 高斯滤波。ksize 参数指定滤波器的大小，sigmaX 和 sigmaY 参数指定 x 和 y 方向的标准差。
cv2.medianBlur(image, ksize) 中值滤波。ksize 参数指定滤波器的大小，必须是奇数。
cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace) 双边滤波。d 参数指定滤波器的直径，sigmaColor 参数指定颜色空间的标准差，sigmaSpace 参数指定坐标空间的标准差。
边缘检测 cv2.Sobel(image, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]]]) Sobel 算子。ddepth 参数指定输出图像的深度，dx 和 dy 参数指定 x 和 y 方向的导数阶数，ksize 参数指定 Sobel 算子的大小。
cv2.Laplacian(image, ddepth[, ksize[, scale[, delta[, borderType]]]]]) Laplacian 算子。ddepth 参数指定输出图像的深度，ksize 参数指定 Laplacian 算子的大小。
cv2.Canny(image, threshold1, threshold2[, apertureSize[, L2gradient]]) Canny 边缘检测。threshold1 和 threshold2 参数指定低阈值和高阈值，apertureSize 参数指定 Sobel 算子的大小。
形态学操作 cv2.erode(image, kernel[, anchor[, iterations[, borderType[, borderValue]]]]) 腐蚀操作。kernel 参数指定结构元素，iterations 参数指定腐蚀的次数。
cv2.dilate(image, kernel[, anchor[, iterations[, borderType[, borderValue]]]]) 膨胀操作。kernel 参数指定结构元素，iterations 参数指定膨胀的次数。
cv2.morphologyEx(image, op, kernel[, anchor[, iterations[, borderType[, borderValue]]]]]) 形态学变换。op 参数指定形态学操作的类型，如 cv2.MORPH_OPEN (开运算), cv2.MORPH_CLOSE (闭运算), cv2.MORPH_GRADIENT (形态学梯度), cv2.MORPH_TOPHAT (顶帽变换), cv2.MORPH_BLACKHAT (黑帽变换)。
阈值分割 cv2.threshold(image, thresh, maxval, type) 阈值分割。thresh 参数指定阈值，maxval 参数指定最大值，type 参数指定阈值分割的类型，如 cv2.THRESH_BINARY, cv2.THRESH_BINARY_INV, cv2.THRESH_TRUNC, cv2.THRESH_TOZERO, cv2.THRESH_TOZERO_INV。
自适应阈值分割 cv2.adaptiveThreshold(image, maxValue, adaptiveMethod, thresholdType, blockSize, C) 自适应阈值分割。maxValue 参数指定最大值，adaptiveMethod 参数指定自适应方法，如 cv2.ADAPTIVE_THRESH_MEAN_C, cv2.ADAPTIVE_THRESH_GAUSSIAN_C，thresholdType 参数指定阈值分割的类型，blockSize 参数指定块大小，C 参数指定常数。
K-means 聚类 cv2.kmeans(data, K, bestLabels, criteria, attempts, flags) K-means 聚类。data 参数指定输入数据，K 参数指定簇的数量，criteria 参数指定终止条件，attempts 参数指定尝试的次数，flags 参数指定初始中心的选择方法。
Haar 特征检测 cv2.CascadeClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]]) 使用 Haar 分类器检测图像中的物体。scaleFactor 参数指定图像缩放比例，minNeighbors 参数指定每个目标至少需要多少个邻居才能被认为是有效的，minSize 参数指定最小目标大小，maxSize 参数指定最大目标大小。

希望以上内容对您有所帮助！ 以后有需要尽管吩咐。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注