在完成毕业设计后我再也没有碰过图像处理相关的东西，进入公司后也是作为前端开发学习和工作（于是乎才有了Vue的学习笔记），但是当我再开始做图像处理相关的事情时，我发现自己全然忘却了怎么调用函数，于是乎决定整理一份。
本人习惯import cv2 as cv，所以下面的调用均以cv为准，格式中dst为目标图像的mat对象，src为原始图像的mat对象（就是用imread读进去的那个）
获取图片的尺寸
print一下src.shape，可以发现结果为（高度，宽度，通道数），那么获取图片的高度和宽度可以使用以下语句实现：src_height, src_width = src.shape[0:2]
图像缩放函数resize()
常用函数格式：dst = cv.resize(src, dsize)
其中dsize为类似于(int(source_width / 2), int(source_height / 2))形式的元组，代表了图片的放缩倍率，例子中是保持长宽比放缩了一半，参数可调。
图像颜色转换函数cvtColor()
常用函数格式：dst = cv.cvtColor(src, colorCode)
其中colorCode部分在库中有对应代码，例如cv.COLOR_RGB2GRAY这样子的。
该函数常用于灰度化等。
图像降噪常用方法高斯模糊GaussianBlur()
常用函数格式：dst = cv.GaussianBlur(src, ksize, sigmaX)
ksize为卷积核的大小，只能为正奇数元组，例如(3, 3)、(5, 5)这样子，通俗来讲就是邻域大小，对某个像素点周围多少像素在内的区域做处理，ksize越大得到的越模糊。
sigmaX实际上是σX，指的是在图像X向的标准差，为必要参数，如果未指定σY，则根据X的来设定
图像二值化函数threshold()
常用函数格式：dst = cv.threshold(src, thresh, maxval, type)
其中thresh为阈值，maxval为被设置的最大值，仅当type为cv.THRESH_BINARY或cv.THRESH_BINARY_INV时生效
type为二值化方法，在库中有对应值，如下所示：
cv.THRESH_BINARY：当前点大于thresh时设置为maxval的值，否则为0。
cv.THRESH_BINARY_INV：当前点值大于阈值时，设置为0，否则设置为Maxval
THRESH_TRUNC：当前点值大于阈值时，设置为阈值，否则不改变
THRESH_TOZERO：当前点值大于阈值时，不改变，否则设置为0
THRESH_TOZERO_INV：当前点值大于阈值时，设置为0，否则不改变
Canny算子边缘检测Canny()
常用函数格式：dst = cv.Canny(src, thresh1, thresh2)
其中，像素值低于thresh1的会认为不是边缘，像素值高于thresh2的会认为是边缘，像素值为两个阈值之间的像素点若与被认为是边缘的像素点相邻，则也被认为是边缘。
轮廓检测findContours()与轮廓绘制drawContours()
常用函数格式：
代码语言：txt复制contours, hierarchy = cv.findContours(src, mode, method)
dst = cv.drawContours(src, contours, contoursIdx, color, thickness)在findContours中，mode为轮廓检索方式，例如cv.RETR_TREE可以完全建立轮廓层级关系，method为轮廓表示方式，例如cv.CHAIN_APPROX_SIMPLE就是以尽量少的像素点表示轮廓。
在drawContours中，contours就是上一步检测出的轮廓，contoursIdx指绘制的轮廓编号，若为-1则是绘制所有的轮廓，color指颜色，可以用类似(255, 0, 0)这样的格式表示一个RGB颜色，thickness指轮廓线的宽度，是一个非必须参数。
通常来讲对边缘检测之后的图进行轮廓检测，得到的轮廓效果一般很好。
霍夫变换HoughLines()
常用函数格式：lines = cv.HoughLines(src, rho, theta,thresh)
输出为一组检测到的直线，rho为以像素为单位的距离精度，theta为以弧度为单位的角度精度，这里使用了极坐标来表示直线，thresh为阈值。在实际使用时若无特殊情况则一般为1, np.pi / 180, 0
该函数用于直线检测，应用场景为求角度进行旋正，例如以下代码用于旋转直线斜率对应的角度：
代码语言：txt复制lines = cv.HoughLines(img_canny, 1, np.pi / 180, 0)
for rho, theta in lines[0]:
a = np.cos(theta)
b = np.sin(theta)
x0 = a * rho
y0 = b * rho
x1 = int(x0 1000 * (-b))
y1 = int(y0 1000 * a)
x2 = int(x0 - 1000 * (-b))
y2 = int(y0 - 1000 * a)
if x1 == x2 or y1 == y2:
continue
t = float(y2 - y1) / (x2 - x1)
rotate_angle = math.degrees(math.atan(t))
img_result = ndimage.rotate(img_resize, rotate_angle)除另有声明外，本博客文章均采用知识共享(Creative Commons) 署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请注明文章出处。
