第二章-----图像基础

1.图像处理的主要步骤是什么?

    ①读取图片。这个过程通常涉及一些功能，以便您可以从不同的

    来源(相机、视频流、磁盘、在线资源)读取图像；

    ②通过应用图像处理技术处理图像（阈值处理，图像混合、平滑图像、边缘检测、轮廓提取等待），实现所需的功能

    ③显示处理步骤的结果

2.图像三个处理级别是什么?

Low-level process 

低层处理：通常以图像作为输入，输出图像。包括以下内容：噪声消除 、图像锐化、光照归一化、 透视校正

Mid-level process

中间层处理：采用预处理后的图像来输出图像的某种表示形式。

High-level process

高级层获取数字向量，通常称为属性，并输出最终结果。

3.灰度图像与黑白图像的区别是什么?

黑白图像：就只有黑色和白色，不存在过渡性的灰色，它一个像素只需要一个二进制位就能表示出来，即0表示黑，1表示白。

灰度图像：灰度图是有级数的，出了黑与白之外，还有中间过渡的灰色，用来更加精细地表示明暗变化，一般我们电脑上用的灰度图是8位，256级灰度，即用8个二进制位（1字节）来表示一个灰度图的像素。

4.像素是什么?

像素是指基本原色素及其灰度的基本编码。像素是构成数码影像的基本单元，通常以像素每英寸PPI(pixels per inch)为单位来表示影像分辨率的大小。

5.图像分辨率是什么?

指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做:像素每英寸。

6.使用什么OpenCV函数来执行以下操作?

加载(读取)一个图像 ------img = cv2.imread（“读取的文件名字”，0) 0代表以灰度读入

显示图像 ---cv2.imshow(“窗口的名字”，前面加载图像给它取的名字如前面的img)

等待按键  cv2.waitkey(0)  代表程序会无限制的等待用户的按键事情；  

拆分通道 ---（b, g, r） = cv2.split(img)

合并通道 ----Img = cv2.merge((b, g, r))

8. 由下列三原色得到什么颜色?

B = 0,G = 255,R=255 -------> 黄色

B = 255,G = 255,R=0 -------> 青色

B = 255,G = 0,R=255 -------> 紫色

B = 255,G = 255,R=255 -------> 白色

9.假设已经在img中加载图像。如何检查img是彩色的还是灰度的

Print(img.shape)  输出（height，width）只有两个参数 代表这是灰度图

输入 （height，width，3） 3代表这是3通道图像 即彩色图

前面所说的：height，width  指的是图片的高度和宽度

第三章---文件和图像处理

1.sys.argv[1]是什么?

列表的第二个元素sys.argv[1]是脚本的第一个参数

2.编写代码，添加int类型的first_number参数，并含有parser.add_argument()添加的第 一个帮助号。

parser.add_argument("first_number", help="first number to be added", type=int)

3.编写代码，将图像img保存到磁盘，命名为image.png。。

import cv2
 img = cv2.imread('img.jpg', 1)
 cv2.namedWindow('picture', cv2.WINDOW_NORMAL)  # 此句可以调整图片的窗口
 cv2.imshow('picture.jpg', img)
 cv2.waitKey(0)
 s = input("按s保存，其他不保存")
 if s == "s":
     cv2.imwrite('image.png', img)

4.使用cv2.VideoCapture()创建捕获对象，从连接到计算机的第一个摄像头读取数据。

 5包含了4看5即可

5.使用cv2.VideoCapture()创建对象捕捉，从连接到计算机的第一个摄像头读取，并打印 CAP_PROP_FRAME_WIDTH属性。

import cv2
# 打开摄像头并灰度化显示
capture = cv2.VideoCapture(0)
# 获取捕获的分辨率
# capture.get返回的是VideoCaptureProperties中的属性标识符
# 属性标识符可以直接写数字，也可以用openCV符号表示   数字可以参考 “ VideoCaptureProperties ”文档
width = capture.get(cv2.CAP_PROP_FRAME_WIDTH)
print(width)
while True:
    # 获取一帧  若捕获到帧数，ret返回True
    ret, frame = capture.read()
    # 将这帧转换为灰度图
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) 
    cv2.imshow('frame', gray)
    if cv2.waitKey(1) == ord('q'):
        break

5.读取图像并将以同名加_copy的文件名保存到硬盘，如logo_copy.png。

  同3类似

6.编写脚本(read_video_file_backwards_save_video.py)，加载一个视频文件并向后播放，先播放视频最后帧，以此类推。

第四章---基本图形

1.绘制填充形状，例如，圆形或矩形，应配置哪个参数？

 画圆 

 cv2.circle( img, center, radius, color, thickness=None, lineType=None)

参数解释：

Center：(圆心坐标)  radius：半径长度  color：(圆的颜色)

           -1是线宽 这里表示填充

画矩形

 cv2.rectangle(img, pt1, pt2, color, thickness=None, lineType=None)

参数解释：

Img：图片, pt1：(左上角坐标), pt2：(右下角坐标), color:(线条颜色),lineType: 线宽

2.绘制反锯齿的线型，应配置哪个参数?

配置lineType。在第5个参数中输入：lineType=cv2.LINE_AA

3.绘制一条从(0,0)到(512,512)的对角线。

4.用所需的参数绘制“Hello OpenCV”。

5. 用12个点画一个多边形，形状为圆形。

7.用鼠标事件和Matplotlib事件在双击时绘制矩形。

start, end = (0, 0), (0, 0)
drawing = False

def mouse_event(event, x, y, flags, param):
global start, drawing, end, temp

# 鼠标按下，开始画图：记录下起点
if event == cv2.EVENT_LBUTTONDOWN:
drawing = True
start = (x, y)
# 实时移动的位置作为矩形终点（右下角点）
elif event == cv2.EVENT_MOUSEMOVE:
if drawing: # 若没有drawing这个参数，只要我们移动鼠标还会持续不断画圆
end = (x, y)
# 鼠标释放后，停止绘图，同时drawing 设置为False，目的是让上一步移动鼠标事件后续动作不执行
elif event == cv2.EVENT_LBUTTONUP:
drawing = False
cv2.rectangle(img, start, (x, y), (0, 255, 0), 2)
start = end = (0, 0)

img = np.zeros((512, 512, 3), np.uint8)
start, end = (0, 0), (0, 0)
drawing = False
 
 
def mouse_event(event, x, y, flags, param):
    global start, drawing, end, temp
 
    # 鼠标按下，开始画图：记录下起点
    if event == cv2.EVENT_LBUTTONDOWN:
        drawing = True
        start = (x, y)
    # 实时移动的位置作为矩形终点（右下角点）
    elif event == cv2.EVENT_MOUSEMOVE:
        if drawing:  # 若没有drawing这个参数，只要我们移动鼠标还会持续不断画圆
            end = (x, y)
    # 鼠标释放后，停止绘图，同时drawing 设置为False，目的是让上一步移动鼠标事件后续动作不执行
    elif event == cv2.EVENT_LBUTTONUP:
        drawing = False
        cv2.rectangle(img, start, (x, y), (0, 255, 0), 2)
        start = end = (0, 0)
 
 
img = np.zeros((512, 512, 3), np.uint8)

  第五章---图像处理技术

1.哪个函数将一个多通道分割成多个单通道图像?

(b,g,r) = cv2.split(img)

2.哪个函数将多个单通道图像合并成一个多通道图像?

img1 = cv2.merge（b, g, r）

3. 在x方向上平移150像素，在y方向上平移300像素。

height, width = image.shape[:2]M = np.float32([[1, 0, 150], [0, 1, 150]]) #平移矩阵2x3dst_image = cv2.warpAffine(image, M, (width, height))

5.将名为img的图像相对于图像中心旋转30度，比例系数为1。

height, width = image.shape[:2]
M = cv2.getRotationMatrix2D((width/2.0, height / 2.0), 30, 1)#旋转矩阵
dst_image = cv2.warpAffine(image, M, (width, height))

6.构建一个5 x 5的平均内核，并使用cv2.filter2D()将其应用于图像。

kernel_averaging_5_5 = np.ones((5, 5), np.float32)/25
smooth_image_f2D = cv2.filter2D(image, -1, kernel_averaging_5_5)

7.将灰度图像中的所有像素加40。

scalar = np.ones(image.shape , dtype="float") * 40added_image_2 = cv2.add(image, scalar)

7. 将COLORMAP_JET颜色映射应用于灰度图像。

  img_COLORMAP_HSV = cv2.applyColorMap(gray_img, cv2.COLORMAP_JET)

第六章----直方图构建

1.什么是图像直方图?

图像直方图是一种反映图像色调分布的直方图，描述每个色调值的像素数量。每个色调值的像素数也称为频率。因此，强度值在[0,K-1] 范围内的灰度图像的直方图将恰好包含K个数量。

直方图显示图像数据时会以左暗又亮的分布曲线形式呈现出来，而不是显示原图像数据，并且可以通过算法来对图像进行按比例缩小，且具有图像平移、旋转、缩放不变性等众多优点。直方图在进行图像计算处理时代价较小，所以经常用于图像处理！

2.用64 bins计算灰度图像的直方图。

img = cv2.imread('读取的图片') 
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
hist = cv2.calcHist([gray_img], [0], None, [64], [0, 256])

3.将灰度图像上的每个像素加50，图像看起来更亮，计算直方图。

array = np.ones(gray_img.shape, np.uint8) * 50 
result = cv2.add(gray_img, array) 
hist_result= cv2.calcHist([result], [0], None, [256],[0, 256])

4.计算没有掩码的BGR图像的红色通道直方图。

img_red = cv2.calcHist([img], [2], None, [256], [0, 256])
第二个参数「0」代表B即蓝色 「1」代表G即绿色

5.OpenCV、NumPy和Matplotlib提供了什么函数来计算直方图?

 1.opencv中

   使用cv2.calcHist(images, channels, mask, histSize, ranges)计算，其中：

   参数1：要计算的原图，以方括号的传入，如：[img]

   参数2：类似前面提到的dims，灰度图写[0]就行，彩色图B/G/R分别传入[0]/[1]/[2]

   参数3：是指要计算的区域(mask：目标区域白色，其余黑色)，计算整幅图的话，写None

     如果需要对图片某块区域进行直方图计算可以用如下方法

         mask = np.zero(img.shape, np.uint8)

         mask[y0:y1, x0:x1] = 255  再把mask 传入上述第三个参数即可实现某块区域的直方图计算

   参数4：子区段数目，如果我们统计0~255每个像素值，bins=256；如果划分区间，比如0~15, 16~31…240~255

   这样16个区间，bins=16

   参数5：要计算的像素值范围，一般为[0,256)

2.numpy中有两个

 hist, bins = np.histogram(img.ravel(), 256, [0, 256])
   hist = np.bincount(img.ravel(), minlength=256)      ---其实ravel()函数是将二维矩阵展平变成一维数组

3.matplotlib中

 plt.hist(img.ravel(), 256, [0, 256])   
 plt.show()

6.修改grayscale_histogram.py脚本，计算这三个图像

(gray_image、added_image和subtracted_image)的亮度。将脚本重

命名为grayscale_histogram_brightness.py。

7.修改comparing_hist_equalization_clahe.py脚本，以显示

cv2.equalizeHist()和CLAHE的执行时间。将其重命名为

comparing_hist_equalization_clahe_time.py。

第七章--阈值技术

固定阈值分割

cv2.threshold(src, thresh, maxval, type)用来实现阈值分割，ret是return value缩写，代表当前的阈值.

            函数有4个参数：

            *参数src：要处理的原图，一般是灰度图

            *参数thresh：设定的阈值

            *参数maxval：最大阈值，一般为255

            *参数type：阈值的方式，主要有5种

        自适应阈值:

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

                *参数1src：要处理的原图

                *参数2maxValue：最大阈值，一般为255

                *参数3adaptiveMethod：小区域阈值的计算方式

                 ADAPTIVE_THRESH_MEAN_C：小区域内取均值 ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

                *参数thresholdType：阈值方式（跟前面讲固定阈值的那5种相同）

                *参数blockSize：小区域的面积，如11就是11*11的小块

                *参数C：最终阈值等于小区域计算出的阈值再减去此值

1.使用cv2.threshold()应用阈值操作，阈值值为100，并使用cv2。THRESH_BINARY阈值类型。

img = cv2.imread(“读取的图片”)
ret, th1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)

2. 使用cv2. adapativethreshold ()，cv2应用自适应阈值设定操作。ADAPTIVE_THRESH_MEAN_C, C=2, blockSize=9。

img = cv2.imread(“读取的图片”) 
new_img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 9, 2)

3.使用cv2应用Otsu的阈值设定。THRESH_BINARY阈值类型。

img = cv2.imread(“读取的图片”)
ret, th = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

4. 使用cv2应用三角形阈值。THRESH_BINARY阈值类型。

img = cv2.imread(“读取的图片”) 
ret, th = cv2.threshold(img, 0, 255, cv2.THRESH_TRIANGLE + cv2.THRESH_BINARY)

5. 使用scikit-image应用大津的阈值设定。

6.使用scikit-image应用三角形阈值。

7. 使用scikit-image应用Niblack的阈值设定。

8. 应用Sauvola的阈值设定使用scikit-image和25的窗口大小。

9. 修改thresholding_example.py脚本，以便使用np.arange()，目的是定义应用到cv2.threshold()函数的阈值。然后，使用已定义的阈值调用cv2.threshold()函数，并将所有阈值图像存储在一个数组中。最后，为每个图像调用show_img_with_matplotlib()来显示数组中的所有图像。将脚本重命名为thresholding_example_arange.py。

第八章---轮廓检测

1.如果要检测二值图像中的轮廓，应该使用什么函数?

contours, hierarchy = findContours(image, mode,method )

参数image：指的是二值图

参数mode：轮廓的查找方式

参数method：轮廓的近似方法

2.OpenCV提供了哪四个旗子来压缩轮廓?

cv2.CHAIN_APPROX_NONEcv2.CHAIN_APPROX_SIMPLEcv2.CHAIN_APPROX_TC89_L1cv2.CHAIN_APPROX_TC89_KCOS

3.OpenCV提供了什么功能来计算图像矩?

M = cv2.moments(cnt)----此处cnt指之前findContours找到的轮廓

4.什么力矩提供了轮廓的大小?

图像矩

5.OpenCV提供了什么函数来计算7个Hu矩不变量?

hu = HuMoments(m) ---其中m指的是是由函数m = cv2.moments(cnt)计算得到矩特征值。

6.如果想要得到给定轮廓的轮廓近似值，应该使用什么函数?

cv2.findContours() ---以下是代码实现

**** 为了简洁 读取灰度图和那个显示图片步骤省略

ret,thresh=cv2.threshold(img,0,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
contours, hierarchy = cv2.findContours(thresh, 3, 2)cnt = contours[0]

# 2.进行多边形逼近，得到多边形的角点

approx = cv2.approxPolyDP(cnt, 40, True)

img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
cv2.polylines(img, [approx], True, (0, 255, 0), 2)

7.在contour_function.py脚本中定义的extreme_points()函数用更紧凑的方式重写。

8.如果想用Hu矩不变量作为特征来匹配轮廓，应用什么函数

cv2.matchShapes()