OpenCV day7

函数内容接上文：OpenCV day4-CSDN博客 , OpenCV day5-CSDN博客

轮廓分析

44.cv2.convexHull()：

45.cv2.boundingRect()：

46.cv2.minAreaRect()：

47.cv2.minEnclosingCircle()：

形态学操作

48.cv2.getStructuringElement()：

49.cv2.erode()：

50.cv2.dilate()：

51.cv2.morphologyEx()：

直方图处理

52.cv2.calcHist()：

53.cv2.equalizeHist()：

54.cv2.createCLAHE()：

55.cv2.HoughLines()：

56.cv2.HoughLinesP()：

轮廓分析

44.cv2.convexHull()：

功能	计算轮廓的最小凸包（包围所有轮廓点的最小凸多边形）。
参数	1. `points`：输入轮廓点集（形状为 `(N,1,2)` 的 `np.array`）。 2. `clockwise`（可选）：点顺序（`True`=顺时针，默认 `False`）。 3. `returnPoints`（可选）：`True` 返回坐标（默认），`False` 返回轮廓索引。
返回值	凸包点坐标（`np.array`，形状 `(M,1,2)`）或原轮廓的索引（若 `returnPoints=False`）。

关键点：

输入需为 cv2.findContours() 的轮廓格式。
凸包无凹陷，常用于简化形状分析或计算凸性缺陷。

45.cv2.boundingRect()：

功能	计算轮廓的外接矩形（非旋转，边与图像轴平行）。
参数	`points`：输入轮廓点集（形状为 `(N,1,2)` 的 `np.array`）。
返回值	矩形参数元组 `(x, y, w, h)`： • `x,y`：左上角坐标 • `w,h`：宽高

关键点：

输入需为 cv2.findContours() 的轮廓格式。
返回的矩形始终为水平/垂直方向，不随轮廓旋转。

46.cv2.minAreaRect()：

功能	计算轮廓的最小外接矩形（可倾斜，面积最小）。
参数	`points`：输入轮廓点集（形状为 `(N,1,2)` 的 `np.array`）。
返回值	旋转矩形信息 `(center, size, angle)`： • `center`：矩形中心坐标 `(x,y)` • `size`：宽高 `(width, height)` • `angle`：旋转角度（顺时针，-90°~0°）

关键点：

输入需为 cv2.findContours() 的轮廓格式。
返回的矩形可旋转，适合倾斜物体（如车牌、文档）。

47.cv2.minEnclosingCircle()：

功能	计算轮廓的最小外接圆（面积最小的包围圆）。
参数	`points`：输入轮廓点集（形状为 `(N,1,2)` 的 `np.array`）。
返回值	元组 `(center, radius)`： • `center`：圆心坐标 `(x,y)` • `radius`：圆半径

关键点：

输入需为 cv2.findContours() 的轮廓格式。
适用于圆形或近圆形物体的包围检测。

形态学操作

48.cv2.getStructuringElement()：

功能	创建形态学操作（如腐蚀/膨胀）所需的结构化元素（核）。
参数	1. `shape`：核形状（`cv2.MORPH_RECT`矩形，`cv2.MORPH_ELLIPSE`椭圆，`cv2.MORPH_CROSS`十字形）。 2. `ksize`：核大小 `(width, height)`。 3. `anchor`（可选）：锚点位置（默认中心）。
返回值	结构化元素（`np.array`，二值矩阵）。

关键点：

核形状：矩形核全为1，椭圆核为内接椭圆，十字核为3像素宽十字线。
应用场景：用于 cv2.erode()、cv2.dilate() 等形态学操作。

常见核形状效果：

矩形核：均匀处理所有方向。
椭圆核：更适合圆形物体。
十字核：用于保护对角线细节。

49.cv2.erode()：

功能	对图像进行腐蚀操作（缩小前景物体，去除细小噪声）。
参数	1. `src`：输入图像（通常为二值图）。 2. `kernel`：结构化元素（来自 `cv2.getStructuringElement()`）。 3. `anchor`（可选）：锚点位置（默认核中心）。 4. `iterations`（可选）：腐蚀次数（默认1）。 5. `borderType`（可选）：边界填充方式（默认 `cv2.BORDER_CONSTANT`）。 6. `borderValue`（可选）：填充值（默认0）。
返回值	腐蚀后的图像（`numpy.ndarray`）。

关键特性

腐蚀原理
- 用核扫描图像，仅当核覆盖区域全为前景时，中心像素才保留为前景，否则置为背景。
核形状影响
- 矩形核：均匀腐蚀所有边缘。
- 十字核：优先腐蚀对角线方向。
- 椭圆核：更自然的圆形收缩效果。
迭代次数
- iterations=2 等价于连续腐蚀两次，效果更强。

50.cv2.dilate()：

项目	说明
功能	对图像进行膨胀操作（扩大前景物体，填充孔洞或断裂部分）。
参数	1. `src`：输入图像（通常为二值图）。 2. `kernel`：结构化元素（来自 `cv2.getStructuringElement()`）。 3. `anchor`（可选）：锚点位置（默认核中心）。 4. `iterations`（可选）：膨胀次数（默认1）。 5. `borderType`（可选）：边界填充方式（默认 `cv2.BORDER_CONSTANT`）。 6. `borderValue`（可选）：填充值（默认0）。
返回值	膨胀后的图像（`numpy.ndarray`）。

关键特性

膨胀原理
- 用核扫描图像，只要核覆盖区域存在前景像素，中心像素即置为前景。
核形状影响
- 矩形核：均匀扩展所有边缘。
- 十字核：优先填充对角线方向。
- 椭圆核：更自然的圆形扩展效果。
迭代次数
- iterations=2 等价于连续膨胀两次，效果更显著。

51.cv2.morphologyEx()：

功能	执行高级形态学操作（开运算、闭运算、梯度等复合操作）。
参数	1. `src`：输入图像（通常为二值图）。 2. `op`：操作类型（如 `cv2.MORPH_OPEN`）。 3. `kernel`：结构化元素（来自 `cv2.getStructuringElement()`）。 4. `anchor`（可选）：锚点位置（默认核中心）。 5. `iterations`（可选）：操作次数（默认1）。 6. `borderType`（可选）：边界填充方式（默认 `cv2.BORDER_CONSTANT`）。 7. `borderValue`（可选）：填充值（默认0）。
返回值	处理后的图像（`numpy.ndarray`）。

操作类型（op）详解

类型	等效操作	效果
`cv2.MORPH_OPEN`	先腐蚀后膨胀	去除小噪声，保持原形状
`cv2.MORPH_CLOSE`	先膨胀后腐蚀	填充小孔洞，平滑边缘
`cv2.MORPH_GRADIENT`	膨胀图减腐蚀图	提取物体边缘（类似边缘检测）
`cv2.MORPH_TOPHAT`	原图减开运算图	突出亮细节（背景均匀时有效）
`cv2.MORPH_BLACKHAT`	闭运算图减原图	突出暗细节（背景均匀时有效）

典型应用场景

开运算：去除指纹图像中的细小噪声。
闭运算：填充车牌字符中的断裂部分。
形态学梯度：提取细胞图像的边缘轮廓。
顶帽运算：检测光照不均匀图像中的亮区域。

注意：

彩色图像需分通道处理。
核大小和形状直接影响效果（如椭圆核更适合圆形物体）。

直方图处理

52.cv2.calcHist()：

功能	计算图像的直方图（统计像素强度分布）。
参数	1. `images`：输入图像列表（需用 `[]` 包裹）。 2. `channels`：统计的通道索引（如 `[0]` 表示灰度图，`[0,1,2]` 表示BGR三通道）。 3. `mask`（可选）：掩膜图像（仅统计掩膜非零区域）。 4. `histSize`：直方图的区间（bin）数量（如 `[256]`）。 5. `ranges`：像素值范围（如 `[0,256]`）。
返回值	直方图数据（`numpy.ndarray`，形状由 `channels` 和 `histSize` 决定）。

关键特性

多通道支持
- 可同时计算多通道直方图（如BGR图像的色彩分布）。
- 示例：channels=[0,1] 统计蓝色和绿色通道的2D直方图。
掩膜控制
- 通过 mask 参数可限定统计区域（如只分析ROI内的像素）。
输出格式
- 单通道返回 (histSize, 1) 的数组，多通道返回 (histSize, histSize,...) 的多维数组。

对比其他直方图工具

方法	优点	缺点
`cv2.calcHist()`	支持多通道和掩膜	需手动可视化
`np.histogram()`	无需OpenCV	仅支持单通道
`plt.hist()`	直接可视化	功能较简单

典型应用场景

图像增强：通过直方图均衡化调整对比度。
颜色分析：统计不同颜色通道的分布。
目标检测：利用直方图反向投影定位物体。

注意：

输入图像需为 uint8 或 float32 类型。

53.cv2.equalizeHist()：

项目	说明
功能	对灰度图像进行直方图均衡化，增强对比度（拉伸像素强度分布）。
参数	`src`：输入灰度图像（单通道，`uint8` 类型）。
返回值	均衡化后的图像（`numpy.ndarray`，与输入同尺寸）。

54.cv2.createCLAHE()：

功能	创建对比度受限的自适应直方图均衡化（CLAHE）对象，用于局部对比度增强。
参数	1. `clipLimit`：对比度限制阈值（默认40，建议2.0-5.0）。 2. `tileGridSize`：图像分块大小（如`(8,8)`，需能整除图像尺寸）。
返回值	CLAHE对象（需调用 `.apply()` 方法处理图像）。

关键特性

自适应原理
- 将图像划分为小方块（tile），对每个块独立均衡化，避免全局均衡化的噪声放大问题。
- clipLimit 控制局部直方图的裁剪强度（值越大对比度越强）。
优势场景
- 医学影像（X光、超声）。
- 光照不均的自然图像（如背光人脸）。
输出控制
- 需对返回对象调用 .apply(src) 方法处理图像

参数调优建议

参数	推荐值	影响
`clipLimit`	2.0~5.0	值越大，局部对比度越强（但噪声可能增加）
`tileGridSize`	`(8,8)`~`(16,16)`	分块越小，局部细节保留越好（计算量越大）

55.cv2.HoughLines()：

功能	使用标准霍夫变换检测图像中的直线（返回极坐标参数）。
参数	1. `image`：输入二值图像（推荐用Canny边缘检测结果）。 2. `rho`：距离分辨率（像素，如1）。 3. `theta`：角度分辨率（弧度，如π/180）。 4. `threshold`：投票阈值（低于此值的直线被忽略）。 5. `lines`（可选）：输出数组。 6. `srn`/`stn`（可选）：多尺度霍夫变换参数（默认0，禁用）。
返回值	直线列表（`np.array`，形状为`(N,1,2)`，每行存储`(ρ, θ)`）。

参数选择：

1. threshold：值越小，检测到的直线越多（但噪声也可能增加）。

2. theta：通常设为 np.pi/180（1度步长）。

56.cv2.HoughLinesP()：

功能	使用概率霍夫变换检测图像中的直线段（返回起点和终点坐标）。
参数	1. `image`：输入二值图像（推荐Canny边缘结果）。 2. `rho`：距离分辨率（像素，如1）。 3. `theta`：角度分辨率（弧度，如π/180）。 4. `threshold`：投票阈值（值越小检测越多）。 5. `minLineLength`（可选）：线段最小长度（低于此值忽略）。 6. `maxLineGap`（可选）：线段最大间断距离（超过此值视为两条线）。
返回值	线段列表（`np.array`，形状为`(N,1,4)`，每行存储`[x1,y1,x2,y2]`）。

关键特性

效率优化
- 相比 cv2.HoughLines()，概率霍夫变换直接返回线段端点，省去极坐标转换步骤。
参数控制
- minLineLength：过滤短线段（如设为50，忽略长度<50像素的线段）。
- maxLineGap：连接间断线段（如设为10，间断<10像素的线段合并）。
适用场景
- 更适合检测断裂的线段（如虚线车道线）。
- 对噪声敏感度低于标准霍夫变换。

57.cv2.HoughCircles()：

功能	使用霍夫变换检测图像中的圆形（返回圆心坐标和半径）。
参数	1. `image`：输入灰度图像（建议先模糊去噪）。 2. `method`：检测方法（仅支持 `cv2.HOUGH_GRADIENT`）。 3. `dp`：累加器分辨率与图像分辨率的反比（通常1.0）。 4. `minDist`：最小圆心间距（过小会合并邻近圆）。 5. `param1`：Canny边缘检测的高阈值（低阈值为 `param1/2`）。 6. `param2`：圆心累加器阈值（值越小检测越多，噪声也越多）。 7. `minRadius`（可选）：最小圆半径（默认0）。 8. `maxRadius`（可选）：最大圆半径（默认0，无限制）。
返回值	检测到的圆形列表（`np.array`，形状为 `(N,1,3)`，每行存储 `[x,y,半径]`）。