本文共 1186 字，大约阅读时间需要 3 分钟。

OpenCV学习笔记

1. 基础操作

OpenCV（Open Computer Vision）是一款强大的图像处理库，广泛应用于计算机视觉领域。以下是 OpenCV 的一些基础操作：

• 形态学（Morphology）

  形态学是图像处理中的一个重要学科，主要用于分析、操作图像结构。常用的操作包括：
  • Erosion腐蚀：局部最小值计算，图片中细节逐渐消失，整体颜色变深。
  • Dilation膨胀：局部最大值计算，图片中细节增强，整体颜色变浅。
  • Opening开运算：首先进行类似腐蚀的操作，移除小白点，再进行膨胀，去除细小的黑点。
  • Closing闭运算：先膨胀，再腐蚀，移除细小的白点。
  • Gradient形态学梯度：通过膨胀减去腐蚀，得到图像轮廓。
  • Top Hat白帽：通过开运算得到的结果与原图减去，显示被去除的白点。
  • Black Hat黑帽：通过闭运算得到的结果与原图相减，显示被去除的黑点。

• 图像平滑

  平滑操作用于去除图像噪声：
  • Averaging均值模糊：每个像素由其本身及其邻域平均组成。
  • Gaussian Blur高斯模糊：利用高斯函数平滑图像。
  • Median Blur中值模糊：每个像素取其邻域的中值。
  • Bilateral双边滤波：保留图像的纹理，同时平滑噪声。

2. 颜色空间转换

图像的颜色表示方法多种，可根据需求选择：

• RGB：红、绿、蓝各有256个亮度值。
• HSV：色调（Hue）、饱和度（Saturation）、明度（Value）。
• Lab：L代表明度，a和b*分别代表颜色轴。
• 灰度图：仅使用明度来表示颜色，适合单调图像处理。

3. 二值化

将图像转换为黑白模式，常用方法包括：

• Otsu’s Method：自动计算图像的最佳阈值。

• Adaptive Thresholding：同一图像不同区域设定不同阈值。

  • 开源库中：
    • cv2.ADAPTIVE_THRESH_MEAN_C：自适应平均阈值。
    • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：自适应高斯阈值。

4. 图像梯度

计算图像上的变化率，常用算子：

• Sobel算子：计算水平或垂直方向的边缘。
• Scharr算子：与Sobel类似，但梯度计算更精确。
• Laplacian算子：计算图像的拉普拉斯变换，用于边缘检测。

5. 边缘检测

边缘检测是图像分析的重要组成部分，即确定图像中的边缘点：

• Canny边缘检测：流行的边缘检测算法，步骤包括：
• Noah去噪
• 计算图像梯度
• 非极大值抑制
• 滞后阈值

阈值设定直接影响检测效果，可采用自动阈值计算。

6. 人脸检测与识别

人脸检测与识别是一项复杂的任务，可采用以下方法：

• Hara特征：提取面部特征特征。
• Adaboost级联分类器：通过Boosting算法提升分类器性能。

通过以上技术，可以实现从图像到数据的处理流程，满足实际应用需求。