1 Python的opencv安装
OpenCV-Python Tutorials：
https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_tutorials.html
python 安装目录：C:\Users\w00250712\AppData\Local\Programs\Python
2 图像基本操作
获取图像的属性：
shape：返回行数，列数，通道数目
size：返回像素点个数
dtype：返回图像的数据类型
图像的单个像素点：img[x,y]
某个区域：img[x1:x2,y1:y2]
拆分通道：
B,g,r=cv2.split(img)
Img=cv2.merge(b,g,r)
或者：
B=img(:,:,0)
G=img(:,:,1)
Img(:,:,0)=0
图像空间转换：
cv2.cvtColor(input_image，flag)，其中flag就是转换类型。
对于BGR--->Gray 的转换， 我们用的cv2.COLOR_BGR2GRAY。
同样对于BGR---->HSV 的转换，我们用的flag 就是cv2.COLOR_BGR2HSV。
图像的缩放：
cv2.resize(): 缩放因子有cv2.INTER_AREA（默认），v2.INTER_CUBIC（慢)
img=cv2.imread('messi5.jpg')
# 下面的None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子
# 因此这里为None
res=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
#OR
# 这里呢，我们直接设置输出图像的尺寸，所以不用设置缩放因子
height,width=img.shape[:2]
res=cv2.resize(img,(2*width,2*height),interpolation=cv2.INTER_CUBIC)
3 图像的变换，二值化，滤波
OpenCV 提供了两个变换函数，cv2.warpAffine 和cv2.warpPerspective，
使用这两个函数你可以实现所有类型的变换。cv2.warpAffine 接收的参数是
2*3 的变换矩阵，而cv2.warpPerspective 接收的参数是3 * 3 的变换矩
这些获取旋转矩阵的方法：cv2.getRotationMatrix2D-----返回2*3矩阵
仿射变换的方法：cv2.getAffineTransform----返回2*3矩阵
透射变换：由函数cv2.getPerspectiveTransform() 构建，然后把这个矩阵传给函数
cv2.warpPerspective。
图像的二值化：
cv2.threshold，cv2.adaptiveThreshold
图像的滤波：
cv.filter2D()
#0 是指根据窗口大小（5,5）来计算高斯函数标准差
blur = cv2.GaussianBlur(img,(5,5),0)
#中值滤波
median = cv2.medianBlur(img,5)
#双边滤波
#9 邻域直径，两个75 分别是空间高斯函数标准差，灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img,9,75,75)
4 图像的形态学操作
图像腐蚀：
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
图像膨胀：
dilation = cv2.dilate(img,kernel,iterations = 1)
图像开运算：先腐蚀后膨胀，通常用来去除噪声
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
图像闭运算：先膨胀后腐蚀，通常用来填充前景物体中的小洞
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
形态学梯度：可以获取物体轮廓
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
5 图像的梯度和边缘
#cv2.CV_64F 输出图像的深度（数据类型），可以使用-1, 与原图像保持一致np.uint8
laplacian=cv2.Laplacian(img,cv2.CV_64F)
# 参数1,0 为只在x 方向求一阶导数，最大可以求2 阶导数。
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
# 参数0,1 为只在y 方向求一阶导数，最大可以求2 阶导数。
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
canny边缘检测：
在OpenCV 中只需要一个函数：cv2.Canny()，就可以完成以上几步。
让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三
个分别是minVal 和maxVal。第三个参数设置用来计算图像梯度的Sobel
卷积核的大小，默认值为3。最后一个参数是L2gradient，它可以用来设定
求梯度大小的方程。
图像的轮廓：。。。。。
6 图像模板匹配
模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。OpenCV 为
我们提供了函数：cv2.matchTemplate()。和2D 卷积一样，它也是用模
板图像在输入图像（大图）上滑动，并在每一个位置对模板图像和与其对应的
输入图像的子区域进行比较。OpenCV 提供了几种不同的比较方法（细节请看
文档）。返回的结果是一个灰度图像，每一个像素值表示了此区域与模板的匹配
程度。
如果输入图像的大小是（WxH），模板的大小是（wxh），输出的结果
的大小就是（W-w+1，H-h+1）。当你得到这幅图之后，就可以使用函数
cv2.minMaxLoc() 来找到其中的最小值和最大值的位置了。第一个值为矩
形左上角的点（位置），（w，h）为moban 模板矩形的宽和高。这个矩形就是
找到的模板区域了。
用法如下：
# Apply template Matching
res = cv2.matchTemplate(img,template,method)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
寻找最大值最小值的方法有：
# All the 6 methods for comparison in a list
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
其中TM_SQDIFF和TM_SQDIFF_NORMED取的是最小值，其他取的是最大值
# If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
如果是匹配到多个结果，那么就需要设置阈值：
loc = np.where( res >= threshold)
7 图像检测直线，圆
Hough变换：
img = cv2.imread('dave.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)
lines = cv2.HoughLines(edges,1,np.pi/180,200)
Probabilistic Hough Transform：
img = cv2.imread('dave.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)
minLineLength = 100 #线的最短长度。比这个短的线都会被忽略。
maxLineGap = 10 #两条线段之间的最大间隔，如果小于此值，这两条直线就被看成是一条直线。
lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[0]:
cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
hough检测圆：
img = cv2.imread('opencv_logo.png',0)
img = cv2.medianBlur(img,5)
cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,20,
param1=50,param2=30,minRadius=0,maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0,:]:
# draw the outer circle
cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)
# draw the center of the circle
cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)
8 图像分割
分水岭算法：
markers3 = cv2.watershed(img,markers)
opencv自带交互式分水岭图像分割算法实例：
watershed.py
grabcut进行交互式图像前景提取：
grabcut.py
9 图像特征检测和提取
Harris焦点检测：
Open 中的函数cv2.cornerHarris() 可以用来进行角点检测。参数如
下：
img - 数据类型为float32 的输入图像。
blockSize - 角点检测中要考虑的领域大小。
ksize - Sobel 求导中使用的窗口大小
k - Harris 角点检测方程中的自由参数，取值参数为[0,04，0.06].
Shi-Tomasi角点检测：适用于跟踪的图像特征
OpenCV 提供了函数：cv2.goodFeaturesToTrack()。这个函数可以
帮我们使用Shi-Tomasi 方法获取图像中N 个最好的角点（如果你愿意的话，也可以通过改变参数来使用Harris 角点检测算法）。通常情况下，输入的应该
是灰度图像。然后确定你想要检测到的角点数目。再设置角点的质量水平，0
到1 之间。它代表了角点的最低质量，低于这个数的所有角点都会被忽略。最
后在设置两个角点之间的最短欧式距离。
根据这些信息，函数就能在图像上找到角点。所有低于质量水平的角点都
会被忽略。然后再把合格角点按角点质量进行降序排列。函数会采用角点质量
最高的那个角点（排序后的第一个），然后将它附近（最小距离之内）的角点都
删掉。按着这样的方式最后返回N 个最佳角点。
SIFT特征点：前面两种角点具备旋转不变性，但是不能抵抗图像缩放，SIFT可以。
SURF: 加速版的SIFT
10 视频分析：meanshift和camshift
Opencv提供一个camshift的交互演示
11 KNN算法
KNN：k-Nearest Neighbour分类算法
Opencv3.3中的KNN算法如下：
knn = cv2.ml.KNearest_create()
knn.train(trainData,cv2.ml.ROW_SAMPLE,responses)
ret, results, neighbours ,dist = knn.findNearest(newcomer, 3)
KNN算法可以用来对手写数字和手写的英文字母进行识别，准确率还是很高的。
12 支持向量机SVM
Opencv自带函数digits.py，里面有svm和knn算法进行手写数字识别
13 K值聚类
前面的KNN和SVM都是有监督的分类方法，而K值聚类是无监督的分类方法
函数是：cv2.kmeans