基础版笔记传送门
python3+opencv学习笔记汇总目录（适合基础入门学习）
进阶版笔记目录链接：
python+opencv进阶版学习笔记目录（适合有一定基础）
cannny边缘检测
基础版边缘讲解链接：
opencv学习笔记18：canny算子边缘检测原理及其函数使用
1cannny算法介绍
非极大值抑制：在获得梯度和方向，去除所有不是边界的点。实现方向：逐渐遍历像素点，判断当前像素点是否是周围像素点中具有相同方向梯度的最大值。是保留，不是则为0.
cannny代码实现
edges=cv2.Canny(image,threshold1,threshold2)
edges：处理结果
image:原始图像
threshold1:minVal
threshold2:maxVal
如果想让边界细节更多，则把threshold1和threshold2设小些。
import numpy as np
import cv2 as cv
def edge_demo(image):
blurred = cv.GaussianBlur(image, (3, 3), 0)#高斯模糊，降低噪声。canny对噪声比较敏感，也不能模糊太厉害，去掉了边缘信息。
gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)#转化为灰度图
# X Gradient 求x梯度
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
# Y Gradient #求y梯度
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
#edge
edge_output = cv.Canny(xgrad, ygrad, 50, 150)
#edge_output = cv.Canny(gray, 50, 150)
cv.imshow("Canny Edge", edge_output)
dst = cv.bitwise_and(image, image, mask=edge_output)#生成彩色边界图
cv.imshow("Color Edge", dst)
print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("duoren.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
edge_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
blurred = cv.GaussianBlur(image, (3, 3), 0)#高斯模糊，降低噪声。canny对噪声比较敏感，也不能模糊太厉害，去掉了边缘信息。
edge_output = cv.Canny(xgrad, ygrad, 50, 150)
#edge_output = cv.Canny(gray, 50, 150)
是相同的
高阈值应该是低阈值的3倍
直线检测
一、原理介绍：
1、对于直角坐标系中的任意一点A(x0,y0)，经过点A的直线满足Y0=k*X0+b.(k是斜率，b是截距)
2、那么在X-Y平面过点A(x0,y0)的直线簇可以用Y0=k*X0+b表示，但对于垂直于X轴的直线斜率是无穷大的则无法表示。因此将直角坐标系转换到极坐标系就能解决该特殊情况。
3、在极坐标系中表示直线的方程为ρ=xCosθ+ySinθ（ρ为原点到直线的距离）,如图所示：
直线检测代码实现方法1
1、标准霍夫线变换
void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 )
参数:
image:边缘检测的输出图像. 它应该是个灰度图 (但事实上是个二值化图)
lines:储存着检测到的直线的参数对 的容器，存储的是rho，theta
rho:参数极径 以像素值为单位的分辨率. 我们使用 1 像素.
theta:参数极角 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180)
theta:要”检测” 一条直线所需最少的的曲线交点
srn and stn: 参数默认为0.
import cv2 as cv
import numpy as np
def line_detection(image):
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)#转化为灰度
edges = cv.Canny(gray, 50, 150, apertureSize=3)#求取边缘 窗口大小apertureSize=3
lines = cv.HoughLines(edges, 1, np.pi/180, 200)#np.pi/180每次偏转1度
for line in lines:
#print(type(lines))
print(line)
rho, theta = line[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))
cv.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv.imshow("image-lines", image)
print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("zhiixian.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
line_detection(src)
cv.waitKey(0)
cv.destroyAllWindows()
直线检测代码实现方法2
2、统计概率霍夫线变换
void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold,double minLineLength=0, double maxLineGap=0 )
参数：
image: 边缘检测的输出图像. 它应该是个灰度图 (但事实上是个二值化图) *
lines: 储存着检测到的直线的参数对 的容器，也就是线段两个端点的坐标
rho : 参数极径 以像素值为单位的分辨率. 我们使用 1 像素.
theta: 参数极角 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180)
threshold: 要”检测” 一条直线所需最少的的曲线交点
minLinLength: 能组成一条直线的最少点的数量. 点数量不足的直线将被抛弃.线段的最小长度
maxLineGap:线段上最近两点之间的阈值
import cv2 as cv
import numpy as np
def line_detect_possible_demo(image):
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150, apertureSize=3)
lines = cv.HoughLinesP(edges, 1, np.pi/180, 100, minLineLength=50, maxLineGap=10)
for line in lines:
print(type(line))
x1, y1, x2, y2 = line[0]
cv.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv.imshow("line_detect_possible_demo", image)
print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("zhiixian.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
line_detect_possible_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
圆检测
1原理
圆周上任意三点所确定的圆，经Hough变换后在三维参数空间应对应一点。遍历圆周上所有点，任意三个点所确定的候选圆进行
投票。遍历结束后，得票数最高点（理论上圆周上任意三点确定的圆在Hough变换后均对应三维参数空间中的同一点）所确定的圆
即为该圆周上，绝大多数点所确定的圆（以下称为当选圆），即绝大多数点均在该当选圆的圆周上，以此确定该圆。
圆形的表达式为(x−xcenter)2+(y−ycenter)2=r2(x−xcenter)2+(y−ycenter)2=r2，一个圆环的确定需要三个参数。那么霍夫变换的累加器必须是三维的，但是这样的计算效率很低。
这里opencv中使用霍夫梯度的方法，这里利用了边界的梯度信息。
首先对图像进行canny边缘检测，对边缘中的每一个非0点，通过Sobel算法计算局部梯度。那么计算得到的梯度方向，实际上就是圆切线的法线。三条法线即可确定一个圆心，同理在累加器中对圆心通过的法线进行累加，就得到了圆环的判定。
2opencv API
因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波。
基于效率考虑，Opencv中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步：
检测边缘，发现可能的圆心
基于第一步的基础上从候选圆心开始计算最佳半径大小
cv2.HoughCircles函数的参数
cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius)
image为输入图像，需要灰度图
method为检测方法,常用CV_HOUGH_GRADIENT
dp为检测内侧圆心的累加器图像的分辨率于输入图像之比的倒数，如dp=1，累加器和输入图像具有相同的分辨率，如果dp=2，累计器便有输入图像一半那么大的宽度和高度
minDist表示两个圆之间圆心的最小距离，圆心距离小于mimDist认为为同一个圆
param1有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半
param2有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示在检测阶段圆心的累加器阈值，它越小，就越可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了
minRadius有默认值0，圆半径的最小值
maxRadius有默认值0，圆半径的最大值
import cv2 as cv
import numpy as np
def detect_circles_demo(image):
dst = cv.pyrMeanShiftFiltering(image, 10, 100)#均值偏移滤波
cv.imshow("dst", dst)
cimage = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)#灰度图
circles = cv.HoughCircles(cimage, cv.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)
circles = np.uint16(np.around(circles))#取整
for i in circles[0, :]:
cv.circle(image, (i[0], i[1]), i[2], (0, 0, 255), 2)#在原图上画圆，圆心，半径，颜色，线框
cv.circle(image, (i[0], i[1]), 2, (255, 0, 0), 2)#在原图上画圆心
cv.imshow("circles", image)
print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("coins.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
detect_circles_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
如果没有下面这一行
dst = cv.pyrMeanShiftFiltering(image, 10, 100)#均值偏移滤波
结果
原理：
meanShfit均值漂移算法是一种通用的聚类算法，它的基本原理是：对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。可以利用均值偏移算法的这个特性，实现彩色图像分割，
Opencv中对应的函数是pyrMeanShiftFiltering。这个函数严格来说并不是图像的分割，而是图像在色彩层面的平滑滤波，它可以中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域，
第一个参数src，输入图像，8位，三通道的彩色图像，并不要求必须是RGB格式，HSV、YUV等Opencv中的彩色图像格式均可；
第二个参数dst，输出图像，跟输入src有同样的大小和数据格式；
第三个参数sp，定义的漂移物理空间半径大小；
第四个参数sr，定义的漂移色彩空间半径大小；
第五个参数maxLevel，定义金字塔的最大层数；
第六个参数termcrit，定义的漂移迭代终止条件，可以设置为迭代次数满足终止，迭代目标与中心点偏差满足终止，或者两者的结合；
pyrMeanShiftFiltering函数的执行过程是这样的：
迭代空间构建
求取迭代空间的向量并移动迭代空间球体后重新计算向量，直至收敛（一个图像，然后选取一个球形，求得所有点相对于中心点的色彩向量之和后，移动选取的球形继续操作，有点类似卷积层）
更新输出图像dst上对应的初始原点P0的色彩值为本轮迭代的终点Pn的色彩值，如此完成一个点的色彩均值漂移。
4.输入图像src上其他点，依次执行步骤1,、2、3，遍历完所有点位后，整个均值偏移色彩滤波完成
半径越大，图像的细节就丢失的越多
电气专业的计算机萌新，写博文不容易。如果你觉得本文对你有用，请点个赞再走，谢谢。