OpenCV圖像處理技術(shù)項(xiàng)目八：圖像輪廓2課前任務(wù)提問(wèn)：猜想輪廓的長(zhǎng)度和面積是怎么計(jì)算的？CONTENTS輪廓查找與繪制計(jì)算輪廓的面積及長(zhǎng)度使用Hu特征進(jìn)行形狀匹配輪廓的幾何形狀擬合目錄CONTENTS01020304重難點(diǎn)重難點(diǎn)重點(diǎn)輪廓的幾何特征擬合難點(diǎn)使用Hu特征進(jìn)行形狀匹配03partone知識(shí)儲(chǔ)備：數(shù)字圖像31.Hu特征。2.形狀匹配。任務(wù)三：使用Hu特征進(jìn)行形狀匹配3 Hu矩是歸一化中心矩的線性組合，Hu矩再圖像旋轉(zhuǎn)，縮放，平移等操作后，仍能保持矩的不變性，經(jīng)常使用Hu矩來(lái)識(shí)別圖像的特征。在OpenCV中，使用函數(shù)cv2.HuMoments()可以得到Hu距。該函數(shù)使用cv2.moments()函數(shù)的返回值作為參數(shù)，返回7個(gè)Hu矩值。知識(shí)儲(chǔ)備：Hu特征3這塊數(shù)學(xué)太多了，我不想講道理，我們講應(yīng)用知識(shí)儲(chǔ)備：形狀匹配3 通過(guò)Hu矩可以來(lái)判斷兩個(gè)對(duì)象的一致性。但是結(jié)果比較抽象，OpenCV提供了cv2.matchShapes()對(duì)兩個(gè)對(duì)象的Hu矩進(jìn)行比較。retval=cv2.matchShapes(contour1,contour2,method,0.0)contour1:第一個(gè)輪廓或灰度圖像。contour2：第二個(gè)灰度或輪廓圖像。method：比較兩個(gè)對(duì)象的Hu矩的方法，寫(xiě)1吧知識(shí)儲(chǔ)備：繪制圖像輪廓1image=cv2.drawContours(image,contours,contourIdx,color,thickness=None,lineType=None,hierarchy=None,maxLevel=None,offset=None)P237例如：img=cv2.drawContours(img,contours,-1,(0,255,0),5)綠色輪廓線，線條粗細(xì)為5（若為-1，則會(huì)將輪廓內(nèi)部進(jìn)行填充）輪廓的幾何形狀擬合04parttwo任務(wù)四：輪廓的幾何形狀擬合41.矩形包圍框。2.最小包圍矩形框。3.最小包圍圓形。4.最優(yōu)擬合橢圓。5.最優(yōu)擬合直線。6.最小外包三角形。7.逼近多邊形。知識(shí)儲(chǔ)備：矩形包圍框4 retval=cv2.boundingRect(array)retval:矩形邊界左上角頂點(diǎn)的坐標(biāo)值及矩形邊界的寬度和高度。contour2：第二個(gè)灰度或輪廓圖像。method：比較兩個(gè)對(duì)象的Hu矩的方法，寫(xiě)1吧知識(shí)儲(chǔ)備：最小外包矩形框4 retval=cv2.minAreaRect(points)retval:回的矩陣特征信息，結(jié)構(gòu)是(最小外接矩形的中心(x,y),(寬度,高度),旋轉(zhuǎn)角度)。points：輪廓。知識(shí)儲(chǔ)備：最小包圍圓形4

center,radius=cv2.minEnclosingCircle(points)center：圓形。radius：半徑。points：輪廓。知識(shí)儲(chǔ)備：最優(yōu)擬合橢圓4

retval=cv2.fitEllipse(points)center：RotatedRect類型的值，這個(gè)是擬合橢圓的外界矩形，包含外接矩形的質(zhì)心，寬，高，旋轉(zhuǎn)角度等參數(shù)信息，這些信息與橢圓的中心點(diǎn)，軸長(zhǎng)度，旋轉(zhuǎn)角度等信息吻合。points：輪廓。知識(shí)儲(chǔ)備：最優(yōu)擬合直線4

line=cv2.fitLine(points,distType,param,reps,aeps)P261知識(shí)儲(chǔ)備：逼近多邊形4在數(shù)字化時(shí)，要對(duì)曲線進(jìn)行采樣，即在曲線上取有限個(gè)點(diǎn)，將其變?yōu)檎劬€，并且能夠在一定程度上保持原有的形狀。P263課前任務(wù)預(yù)習(xí)圖像矩的概念OpenCV圖像處理技術(shù)項(xiàng)目八：圖像輪廓2課前任務(wù)提問(wèn)：猜想輪廓的長(zhǎng)度和面積是怎么計(jì)算的？CONTENTS輪廓查找與繪制計(jì)算輪廓的面積及長(zhǎng)度使用Hu特征進(jìn)行形狀匹配輪廓的幾何形狀擬合目錄CONTENTS01020304重難點(diǎn)重難點(diǎn)重點(diǎn)輪廓的幾何特征擬合難點(diǎn)使用Hu特征進(jìn)行形狀匹配03partThree知識(shí)儲(chǔ)備：數(shù)字圖像31.Hu特征。2.形狀匹配。任務(wù)三：使用Hu特征進(jìn)行形狀匹配3 Hu矩是歸一化中心矩的線性組合，Hu矩在圖像旋轉(zhuǎn)，縮放，平移等操作后，仍能保持矩的不變性，經(jīng)常使用Hu矩來(lái)識(shí)別圖像的特征。在OpenCV中，使用函數(shù)cv2.HuMoments()可以得到Hu距。該函數(shù)使用cv2.moments()函數(shù)的返回值作為參數(shù)，返回7個(gè)Hu矩值。知識(shí)儲(chǔ)備：Hu特征3這塊數(shù)學(xué)太多了，我不想講道理，我們講應(yīng)用知識(shí)儲(chǔ)備：形狀匹配3 通過(guò)Hu矩可以來(lái)判斷兩個(gè)對(duì)象的一致性。但是結(jié)果比較抽象，OpenCV提供了cv2.matchShapes()對(duì)兩個(gè)對(duì)象的Hu矩進(jìn)行比較。retval=cv2.matchShapes(contour1,contour2,method,0.0)contour1:第一個(gè)輪廓或灰度圖像。contour2：第二個(gè)灰度或輪廓圖像。method：比較兩個(gè)對(duì)象的Hu矩的方法，寫(xiě)1吧知識(shí)儲(chǔ)備：繪制圖像輪廓1image=cv2.drawContours(image,contours,contourIdx,color,thickness=None,lineType=None,hierarchy=None,maxLevel=None,offset=None)P237例如：img=cv2.drawContours(img,contours,-1,(0,255,0),5)綠色輪廓線，線條粗細(xì)為5（若為-1，則會(huì)將輪廓內(nèi)部進(jìn)行填充）輪廓的幾何形狀擬合04partFour任務(wù)四：輪廓的幾何形狀擬合41.矩形包圍框。2.最小包圍矩形框。3.最小包圍圓形。4.最優(yōu)擬合橢圓。5.最優(yōu)擬合直線。6.最小外包三角形。7.逼近多邊形。知識(shí)儲(chǔ)備：矩形包圍框4 retval=cv2.boundingRect(contour)retval:矩形邊界左上角頂點(diǎn)的坐標(biāo)值及矩形邊界的寬度和高度。contour：第二個(gè)灰度或輪廓圖像。知識(shí)儲(chǔ)備：最小外包矩形框4 retval=cv2.minAreaRect(points)retval:回的矩陣特征信息，結(jié)構(gòu)是(最小外接矩形的中心(x,y),(寬度,高度),旋轉(zhuǎn)角度)。points：輪廓。知識(shí)儲(chǔ)備：最小包圍圓形4

center,radius=cv2.minEnclosingCircle(points)center：圓形。radius：半徑。points：輪廓。知識(shí)儲(chǔ)備：最優(yōu)擬合橢圓4

retval=cv2.fitEllipse(points)center：RotatedRect類型的值，這個(gè)是擬合橢圓的外界矩形，包含外接矩形的質(zhì)心，寬，高，旋轉(zhuǎn)角度等參數(shù)信息，這些信息與橢圓的中心點(diǎn)，軸長(zhǎng)度，旋轉(zhuǎn)角度等信息吻合。points：輪廓。知識(shí)儲(chǔ)備：最優(yōu)擬合直線4

line=cv2.fitLine(points,distType,param,reps,aeps)P261知識(shí)儲(chǔ)備：逼近多邊形4在數(shù)字化時(shí)，要對(duì)曲線進(jìn)行采樣，即在曲線上取有限個(gè)點(diǎn)，將其變?yōu)檎劬€，并且能夠在一定程度上保持原有的形狀。P263課前任務(wù)預(yù)習(xí)圖像矩的概念OpenCV圖像處理技術(shù)項(xiàng)目八：圖像輪廓3課前任務(wù)了解凸包的概念。CONTENTS凸包的概念及使用方法實(shí)踐：凸缺陷的使用場(chǎng)景輪廓常見(jiàn)特征值實(shí)踐：輪廓特征值的應(yīng)用場(chǎng)景目錄CONTENTS01020304重難點(diǎn)凸包查找與繪制重點(diǎn)凸缺陷的使用場(chǎng)景難點(diǎn)凸包的查找與繪制01partone任務(wù)一：凸包的查找與繪制11.使用cv2.convexHull()函數(shù)，實(shí)現(xiàn)圖像輪廓凸包的獲取。2.使用cv2.polylines()函數(shù)，實(shí)現(xiàn)圖像輪廓凸包的繪制。知識(shí)儲(chǔ)備：凸包的概念1凸包指的是完全包含原有輪廓，并且僅由輪廓上的點(diǎn)所構(gòu)成的多邊形。凸包的每一處都是凸的，即在凸包內(nèi)連接任意兩點(diǎn)的直線都在凸包的內(nèi)部。在凸包內(nèi)，任意連續(xù)三個(gè)點(diǎn)的內(nèi)角小于180°。知識(shí)儲(chǔ)備：凸包的獲取1hull=cv2.convexHull（points[,clockwise[,returnPoints]]）hull：凸包角點(diǎn)。clockwise：布爾值，True時(shí)，凸包角點(diǎn)將按順時(shí)針?lè)较蚺判颍現(xiàn)alse就是逆時(shí)針排列凸包角點(diǎn)。returnPoints：布爾值默認(rèn)True，函數(shù)返回凸包角點(diǎn)的x/y軸坐標(biāo)，F(xiàn)alse時(shí)，返回輪廓中凸包角點(diǎn)的索引。知識(shí)儲(chǔ)備：凸包的繪制1src：要處理的圖像。points：點(diǎn)集。isClosed：布爾型，True表示的是線段閉合，F(xiàn)alse表示的是僅保留線段。color：線段顏色，格式是（B,G,R）值。thickness：數(shù)值型，厚度，默認(rèn)值為1，如果對(duì)封閉圖形，正方形，三角形等傳入-1,則會(huì)填充整個(gè)圖形。cv2.polylines(src,[points],isClosed,color,thickness)知識(shí)儲(chǔ)備：繪制圖像輪廓1image=cv2.drawContours(image,contours,contourIdx,color,thickness=None,lineType=None,hierarchy=None,maxLevel=None,offset=None)P237例如：img=cv2.drawContours(img,contours,-1,(0,255,0),5)綠色輪廓線，線條粗細(xì)為5（若為-1，則會(huì)將輪廓內(nèi)部進(jìn)行填充）凸缺陷的查找與繪制02parttwo任務(wù)二：實(shí)踐：凸缺陷的使用場(chǎng)景2凸缺陷的應(yīng)用。Theconceptofconvexdefects.凸缺陷的實(shí)現(xiàn)。010203凸缺陷的使用場(chǎng)景凸缺陷的概念。Realizationofconvexdefects.Applicationsofconvexdefects.知識(shí)儲(chǔ)備：凸缺陷的概念2凸包與輪廓之間的部分，稱為凸缺陷。輪廓上距離這條線最遠(yuǎn)的點(diǎn)就是凸缺陷的點(diǎn)。知識(shí)儲(chǔ)備：cv2.convexityDefects()函數(shù)2defects=cv2.convexityDefects(contour,hull)contour：輪廓。hull：凸包.課前任務(wù)預(yù)習(xí)輪廓常見(jiàn)特征值的概念OpenCV圖像處理技術(shù)項(xiàng)目八：圖像輪廓4課前任務(wù)預(yù)習(xí)輪廓常見(jiàn)特征值的概念CONTENTS凸包的概念及使用方法實(shí)踐：凸缺陷的使用場(chǎng)景輪廓常見(jiàn)特征值實(shí)踐：輪廓特征值的應(yīng)用場(chǎng)景目錄CONTENTS01020304重難點(diǎn)輪廓常見(jiàn)特征值的概念重點(diǎn)輪廓特征值的使用場(chǎng)景難點(diǎn)輪廓常見(jiàn)特征值03partthree任務(wù)三：輪廓常見(jiàn)特征值35.極點(diǎn)。1.寬高比。2.Extent。3.最大值和最小值及它們的位置。4.平均顏色及平均灰度。0102030405知識(shí)儲(chǔ)備：寬高比3可以使用寬高比（AspectRation）來(lái)描述輪廓，例如矩形輪廓的寬高比為：寬高比=寬度（Width）/高度（Height）知識(shí)儲(chǔ)備：Extent3可以使用輪廓面積與矩形邊界（矩形包圍框、矩形輪廓）面積之比Extend來(lái)描述圖像及其輪廓特征。計(jì)算方法為：

Extend=輪廓面積/矩形邊界面積知識(shí)儲(chǔ)備：最大值和最小值及它們的位置3OpenCV提供了函數(shù)cv2.minMaxLoc()，用于在指定的對(duì)象內(nèi)查找最大值、最小值及其位置。該函數(shù)的語(yǔ)法格式是：min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(imgray,mask=mask)●min_val：最小值。

●max_val：最大值。

●min_loc：最小值的位置。

●max_loc：最大值的位置。知識(shí)儲(chǔ)備：繪制圖像輪廓3OpenCV提供了函數(shù)cv2.mean()，用于計(jì)算一個(gè)對(duì)象的平均顏色或平均灰度。該函數(shù)的語(yǔ)法格式為：mean_val=cv2.mean(im,mask=mask)●img：原圖像。

●mask：掩模。實(shí)踐：輪廓特征值的應(yīng)用場(chǎng)景04partFour任務(wù)四：實(shí)踐：輪廓特征值的應(yīng)用場(chǎng)景4分類計(jì)數(shù)課前任務(wù)預(yù)習(xí)直方圖的概念OpenCV圖像處理技術(shù)項(xiàng)目九圖像直方圖（一）課前任務(wù)根據(jù)教材，講述圖像直方圖的定義CONTENTS圖像直方圖直方圖均衡化直方圖比較直方圖閾值法目錄CONTENTS01020304重難點(diǎn)直方圖的繪制方法重點(diǎn)直方圖的均衡難點(diǎn)圖像直方圖01partone知識(shí)儲(chǔ)備：圖像直方圖1圖像直方圖是圖像內(nèi)灰度值的統(tǒng)計(jì)特性與圖像灰度值之間的函數(shù)，直方圖統(tǒng)計(jì)圖像內(nèi)各個(gè)灰度級(jí)出現(xiàn)的次數(shù)。知識(shí)儲(chǔ)備：圖像直方圖1直方圖是數(shù)值數(shù)據(jù)分布的精確圖形表示。這是一個(gè)連續(xù)變量（定量變量）的概率分布的估計(jì)，并且被卡爾·皮爾遜（KarlPearson）首先引入。它是一種條形圖。構(gòu)建直方圖：①將值的范圍分段②計(jì)算每個(gè)間隔中有多少值(1)顯示圖像質(zhì)量波動(dòng)的狀態(tài)(2)較直觀地傳遞有關(guān)過(guò)程圖像質(zhì)量狀況的信息(3)掌握過(guò)程的狀況，從而確定在什么地方集中力量進(jìn)行圖像質(zhì)量改進(jìn)工作作用知識(shí)儲(chǔ)備：圖像直方圖1matplotlib.pyplot.hist（X,BINS，facecolor='yellowgreen'）importmatplotlib.pyplotaspltX：一維數(shù)組BINS：數(shù)組的邊界（如256）hist()calcHist()知識(shí)儲(chǔ)備：圖像直方圖1matplotlib.pyplot.hist（X,BINS）importmatplotlib.pyplotaspltmatplotlib.pyplot是一個(gè)有命令風(fēng)格的函數(shù)集合，它看起來(lái)和MATLAB很相似hist()calcHist()知識(shí)儲(chǔ)備：圖像直方圖1cv2.calcHist（images,channels,mask,histSize,ranges,accumulate）channels：指定通道編號(hào)。通道編號(hào)需要用“[]”括起來(lái)。mask：掩模圖像。當(dāng)統(tǒng)計(jì)整幅圖像的直方圖時(shí)，將這個(gè)值設(shè)為NonehistSize:BINS的值，該值需要用“[]”括起來(lái)。ranges：即像素值范圍。例如，8位灰度圖像的像素值范圍是[0,255]accumulate：累計(jì)（累積、疊加）標(biāo)識(shí)，默認(rèn)值為Falsehist()calcHist()直方圖均衡化02partone知識(shí)實(shí)戰(zhàn)：直方圖均衡化2直方圖均衡化如果一幅圖像擁有全部可能的灰度級(jí)，并且像素值的灰度均勻分布，那么這幅圖像就具有高對(duì)比度和多變的灰度色調(diào)，灰度級(jí)豐富且覆蓋范圍較大。知識(shí)實(shí)戰(zhàn)：直方圖均衡化2Step1：計(jì)算累計(jì)直方圖Step2：對(duì)累計(jì)直方圖進(jìn)行區(qū)間轉(zhuǎn)換知識(shí)實(shí)戰(zhàn)：直方圖均衡化2彩色直方圖均衡三通道拆分，使用merge()連接OpenCV圖像處理技術(shù)項(xiàng)目九圖像直方圖（二）課前任務(wù)根據(jù)教材，講述圖像直方圖的定義CONTENTS圖像直方圖直方圖均衡化直方圖比較直方圖閾值法目錄CONTENTS01020304重難點(diǎn)直方圖的比較重點(diǎn)直方圖閾值法難點(diǎn)直方圖比較03parttwo知識(shí)實(shí)戰(zhàn)：直方圖比較3如果我們有兩幅圖像，并且這兩幅圖像的直方圖一樣，或者有極高的相似度，那么在一定程度上，我們可以認(rèn)為這兩幅圖像是一樣的，這就是直方圖比較的應(yīng)用之一。此外，兩幅圖像的直方圖反映了該圖像像素的分布情況。我們可以利用圖像的直方圖來(lái)分析這兩幅圖像的關(guān)系。在Opencv中，用戶可以使用pareHist()函數(shù)進(jìn)行直方圖比較。該函數(shù)的語(yǔ)法格式為：pareHist(H1,H2,method)知識(shí)實(shí)戰(zhàn)：直方圖比較3比較方式（method）如下：相關(guān)性比較（method=cv.HISTCMP_CORREL）的值越大，相關(guān)度就越高，最大值為1，最小值為0。卡方比較（method=cv.HISTCMP_CHISQR）的值越小，相關(guān)度就越高，最大值無(wú)上界，最小值為0。巴氏距離比較（method=cv.HISTCMP_BHATTACHARYYA）的值越小，相關(guān)度就越高，最大值為1，最小值為0。知識(shí)實(shí)戰(zhàn)：直方圖比較3Step1：先用cvtColor()把圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間;Step2：計(jì)算圖像的直方圖，然后歸一化到[0~1]之間，用到函數(shù)calcHist()和normalize()Step3：使用上述的四種方法之一進(jìn)行比較，用到函數(shù)compareHist()。場(chǎng)景直方圖閾值化04parttwo知識(shí)實(shí)戰(zhàn)：直方圖閾值化4含義直方圖閾值分割根據(jù)圖像的灰度直方圖尋找閾值，適用于直方圖為雙峰的圖像。Step1：計(jì)算灰度直方圖Step2：尋找灰度直方圖的最大峰值對(duì)應(yīng)的灰度值Step3：尋找灰度直方圖的第二個(gè)峰值對(duì)應(yīng)的灰度值Step4：尋找兩個(gè)峰值之間的最小對(duì)應(yīng)的灰度值，并將其作為閾值Step5：使用cv2.threshold()函數(shù)進(jìn)行閾值分割知識(shí)實(shí)戰(zhàn)：直方圖閾值化4場(chǎng)景一幅含有一個(gè)與背景呈現(xiàn)明顯對(duì)比的物體的圖像具有包合雙峰的直方圖。如下圖所示:對(duì)于任何一張圖像，它的直方圖中如果存在較為明顯的雙峰，用直方圖分割技術(shù)法可以達(dá)到很好的效果，否則，達(dá)到的效果會(huì)很不理想。作用OpenCV圖像處理技術(shù)項(xiàng)目十：模板匹配課前任務(wù)根據(jù)教材解釋模板匹配的概念CONTENTS模板匹配的概念實(shí)戰(zhàn)：印花檢測(cè)霍夫變換的概念實(shí)戰(zhàn)：車道檢測(cè)目錄CONTENTS01020304重難點(diǎn)模板匹配的方法重點(diǎn)模板匹配實(shí)戰(zhàn)難點(diǎn)知識(shí)儲(chǔ)備：模板匹配的概念1模板匹配就是在大圖中找小圖，也就說(shuō)在一幅圖像中尋找另一幅模板圖像的位置。知識(shí)儲(chǔ)備：模板匹配的實(shí)現(xiàn)過(guò)程1模板匹配的操作方法是將模板圖像B在圖像A上滑動(dòng)，遍歷所有像素以完成匹配。工作原理：在帶檢測(cè)圖像上，從左到右，從上向下計(jì)算模板圖像與重疊子圖像的匹配度，匹配程度越大，兩者相同的可能性越大。局限性：它只能進(jìn)行平行移動(dòng)，若原圖像中的匹配目標(biāo)發(fā)生旋轉(zhuǎn)或大小變化，該算法無(wú)效。知識(shí)儲(chǔ)備：模板匹配的函數(shù)使用1matchTemplateminMaxLocresult=cv2.matchTemplate(image,template,method)其中Result為運(yùn)行結(jié)果Image為待處理圖像Template為模板圖像Method為要采取的方法知識(shí)儲(chǔ)備：圖像直方圖1method：方法：有以下6種差值平方和匹配

cv2.TM_SQDIFF標(biāo)準(zhǔn)化差值平方和匹配

cv2.TM_SQDIFF_NORMED相關(guān)匹配

cv2.TM_CCORR標(biāo)準(zhǔn)相關(guān)匹配

cv2.TM_CCORR_NORMED相關(guān)匹配

cv2.TM_CCOEFF標(biāo)準(zhǔn)相關(guān)匹配

cv2.TM_CCOEFF_NORMEDmatchTemplateminMaxLoc知識(shí)儲(chǔ)備：模板匹配的函數(shù)使用1min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(src)函數(shù)結(jié)構(gòu)mothodmatchTemplateminMaxLoc其中min_val為返回的最小值max_val為返回的最大值min_loc為最小值的位置Max_loc為最大值的位置P342項(xiàng)目實(shí)戰(zhàn)：實(shí)現(xiàn)布料印花檢測(cè)2OpenCV圖像處理技術(shù)項(xiàng)目十:霍夫變換課前任務(wù)根據(jù)教材解釋霍夫檢測(cè)的概念CONTENTS模板匹配的概念實(shí)戰(zhàn)：印花檢測(cè)霍夫變換的概念實(shí)戰(zhàn)：車道檢測(cè)目錄CONTENTS01020304重難點(diǎn)霍夫變換的方法重點(diǎn)霍夫變換的實(shí)戰(zhàn)難點(diǎn)知識(shí)儲(chǔ)備：霍夫變換的概念3霍夫變換(HoughTransform)是圖像處理中的一種特征提取技術(shù)，來(lái)檢測(cè)任意能夠用數(shù)學(xué)公式表達(dá)的形狀，即使這個(gè)形狀被破壞或者有點(diǎn)扭曲?；舴蜃儞Q將圖像空間轉(zhuǎn)變?yōu)閰?shù)空間，在參數(shù)空間中執(zhí)行投票來(lái)決定物體的形狀。知識(shí)儲(chǔ)備：霍夫變換的概念31.一條直線可由兩個(gè)點(diǎn)A=(X1,Y1)和B=(X2,Y2)確定（圖a笛卡爾坐標(biāo)系）2.y=kx+q也可以寫(xiě)成關(guān)于（k,q）的函數(shù)表達(dá)式（圖b霍夫空間）知識(shí)儲(chǔ)備：霍夫變換的概念33.三個(gè)點(diǎn)共線的情況4.霍夫變換的后處理的基本方式：選擇由盡可能多直線匯成的點(diǎn)。知識(shí)儲(chǔ)備：霍夫變換的概念35.k=∞是不方便表示的，而且q怎么取值呢，這樣不是辦法。因此考慮將笛卡爾坐標(biāo)系換為：極坐標(biāo)表示。知識(shí)儲(chǔ)備：霍夫變換的概念3直線檢測(cè)圓檢測(cè)lines=cv2.HoughLines(image,rho,theta,threshold)其中image:待處理圖像。rho:(ρ，θ)中ρ的精度。theta:(ρ，θ)中θ的精度。threshold:閾值，(ρ，θ)對(duì)應(yīng)的最低投票數(shù)。>=threshold被檢測(cè)為一條線。知識(shí)儲(chǔ)備：霍夫變換的概念3直線檢測(cè)圓檢測(cè)lines=cv2.HoughLinesP(image,rho,theta,threshold,minLineLength,maxLineGap)其中image:待處理圖像。rho:(ρ，θ)中ρ的精度。theta:(ρ，θ)中θ的精度。threshold:閾值，(ρ，θ)對(duì)應(yīng)的最低投票數(shù)。>=threshold被檢測(cè)為一條線。minLineLength：最小長(zhǎng)度maxLineGap：共線線段之間的最小間隔知識(shí)儲(chǔ)備：霍夫變換的概念3直線檢測(cè)圓檢測(cè)circles=cv2.HoughCircles(image,method,dp,minDist）其中image:待處理圖像。method:定義檢測(cè)圖像中圓的方法，使用cv2.HOUGH_GRADIENT。dp:累加器分辨率與圖像分辨率的反比。threshold:閾值，(ρ，θ)對(duì)應(yīng)的最低投票數(shù)。>=threshold被檢測(cè)為一條線。minDist：檢測(cè)到的圓的中心，(x,y)坐標(biāo)之間的最小距離/github_39611196/article/details/81128380項(xiàng)目實(shí)戰(zhàn):車道檢測(cè)4OpenCV圖像處理技術(shù)項(xiàng)目十一：圖像分割與提取課前任務(wù)根據(jù)教材，解釋圖像分割的概念CONTENTS圖像分割與提取的概念實(shí)戰(zhàn)：分水嶺算法實(shí)戰(zhàn)：鼠標(biāo)交互實(shí)戰(zhàn)：區(qū)域生長(zhǎng)算法目錄CONTENTS01020304重難點(diǎn)圖像分割與提取的概念重點(diǎn)圖像分割的應(yīng)用難點(diǎn)知識(shí)儲(chǔ)備：圖像分割與提取的概念1在圖像處理的過(guò)程中,經(jīng)常需要從圖像中將前景對(duì)象作為目標(biāo)圖像提取出來(lái)。例如無(wú)人駕駛技術(shù),我們關(guān)心的是周圍的交通工具,其他障礙物等,而對(duì)于背景本身并不關(guān)注,故而,我們需要將這些東西從圖片(視頻)中提取出來(lái),而忽略那些只有背景的圖像。知識(shí)儲(chǔ)備：常見(jiàn)的圖像分割方法11.基于閾值的分割方法：全局閾值法、局部閾值法等

√2.基于區(qū)域的分割方法：分水嶺方法、區(qū)域生長(zhǎng)法等3.基于邊緣的分割方法：Canny邊緣檢測(cè)、輪廓檢測(cè)等

√4.基于特定理論的分割方法：聚類、模糊集等（機(jī)器學(xué)習(xí)）5.基于神經(jīng)網(wǎng)絡(luò)的分割方法：？？？？知識(shí)儲(chǔ)備：分水嶺算法的概念2圖像的灰度空間很像地球表面的整個(gè)地理結(jié)構(gòu)，每個(gè)像素的灰度值代表高度。其中的灰度值較大的像素連成的線可以看做山脊，也就是分水嶺。知識(shí)儲(chǔ)備：分水嶺算法的概念2當(dāng)水平面上升到一定高度時(shí)，水就會(huì)溢出當(dāng)前山谷，可以通過(guò)在分水嶺上修大壩，從而避免兩個(gè)山谷的水匯集，這樣圖像就被分成2個(gè)像素集，一個(gè)是被水淹沒(méi)的山谷像素集，一個(gè)是分水嶺線像素集。最終這些大壩形成的線就對(duì)整個(gè)圖像進(jìn)行了分區(qū)，實(shí)現(xiàn)對(duì)圖像的分割。知識(shí)儲(chǔ)備：分水嶺算法的概念2地形圖流程圖結(jié)果圖知識(shí)儲(chǔ)備：分水嶺算法的步驟2原圖

二值化距離變換標(biāo)記圖像分水嶺020301040506原圖

二值化形態(tài)學(xué)距離變換標(biāo)記圖像形態(tài)學(xué)OpenCV圖像處理技術(shù)項(xiàng)目十一：圖像分割與提取課前任務(wù)根據(jù)教材，解釋圖像分割的概念CONTENTS圖像分割與提取的概念實(shí)戰(zhàn)：分水嶺算法實(shí)戰(zhàn)：鼠標(biāo)交互實(shí)戰(zhàn)：區(qū)域生長(zhǎng)算法目錄CONTENTS01020304重難點(diǎn)鼠標(biāo)交互方法重點(diǎn)圖像分割與鼠標(biāo)交互的結(jié)合難點(diǎn)知識(shí)儲(chǔ)備：鼠標(biāo)交互3opencv的鼠標(biāo)交互操作主要通過(guò)兩個(gè)函數(shù)實(shí)現(xiàn)：第一個(gè)是cv2.setMouseCallback(windowName,onMouse[,param])第二個(gè)是setMouseCallback()的第二個(gè)參數(shù)，稱為鼠標(biāo)回調(diào)函數(shù)onMouse(event,x,y,flags,param)知識(shí)儲(chǔ)備：鼠標(biāo)交互函數(shù)3cv2.setMouseCallback(windowName,onMouse[,param])windowName：必需。類似于cv.imshow()函數(shù)，opencv具體操作哪個(gè)窗口以窗口名作為識(shí)別標(biāo)識(shí)，這有點(diǎn)類似窗口句柄的概念。onMouse：必需。鼠標(biāo)回調(diào)函數(shù)。鼠標(biāo)回調(diào)函數(shù)的定義是onMouse(event,x,y,flags,param)，我們想要做什么鼠標(biāo)操作，都是在這個(gè)函數(shù)內(nèi)實(shí)現(xiàn)。setMouseCallback()onMouse()知識(shí)儲(chǔ)備：鼠標(biāo)交互函數(shù)3onMouse(event,x,y,flags，param)函數(shù)結(jié)構(gòu)mothodsetMouseCallback()onMouse()event：由回調(diào)函數(shù)根據(jù)鼠標(biāo)對(duì)圖像的操作自動(dòng)獲得，內(nèi)容包含左鍵點(diǎn)擊，左鍵彈起，右鍵點(diǎn)擊...等等等非常多的操作。x，y：由回調(diào)函數(shù)自動(dòng)獲得，記錄了鼠標(biāo)當(dāng)前位置的坐標(biāo)，坐標(biāo)以圖像左上角為原點(diǎn)(0,0)，x方向向右為正，y方向向下為正。flags：記錄了一些專門(mén)的操作，下面有說(shuō)明。param：從setMouseCallback()里傳遞過(guò)來(lái)的參數(shù)。該參數(shù)在setMouseCallback()處是可選參數(shù)，所以可以不設(shè)置。知識(shí)儲(chǔ)備：鼠標(biāo)交互函數(shù)3各個(gè)鼠標(biāo)事件的含義（用時(shí)現(xiàn)查）函數(shù)結(jié)構(gòu)event類型cv2.EVENT_MOUSEMOVE鼠標(biāo)滑動(dòng)cv2.EVENT_LBUTTONDOWN左鍵點(diǎn)擊cv2.EVENT_RBUTTONDOWN右鍵點(diǎn)擊cv2.EVENT_MBUTTONDOWN中鍵點(diǎn)擊cv2.EVENT_LBUTTONUP左鍵放開(kāi)cv2.EVENT_RBUTTONUP右鍵放開(kāi)cv2.EVENT_MBUTTONUP中鍵放開(kāi)cv2.EVENT_LBUTTONDBLCLK左鍵雙擊cv2.EVENT_RBUTTONDBLCLK右鍵雙擊cv2.EVENT_MBUTTONDBLCLK中鍵雙擊cv2.EVENT_FLAG_LBUTTON左鍵拖曳cv2.EVENT_FLAG_RBUTTON右鍵拖曳cv2.EVENT_FLAG_MBUTTON中鍵拖曳cv2.EVENT_FLAG_CTRLKEY按Ctrl不放事件cv2.EVENT_FLAG_SHIFTKEY按Shift不放事件cv2.EVENT_FLAG_ALTKEY按Alt不放事件知識(shí)儲(chǔ)備：區(qū)域生長(zhǎng)算法的概念4選取某個(gè)種子點(diǎn)(一般實(shí)際交互時(shí)就是鼠標(biāo)點(diǎn)擊的位置)，從圖像種子點(diǎn)位置開(kāi)始，將種子點(diǎn)相鄰的符合某個(gè)閾值范圍內(nèi)的像素添加到生長(zhǎng)區(qū)域中，接著判斷下一個(gè)像素點(diǎn)，直到?jīng)]有可以符合條件的像素為止，此時(shí)分割完畢。知識(shí)儲(chǔ)備：區(qū)域生長(zhǎng)算法的步驟4選取種子點(diǎn)確定生長(zhǎng)條件（四通道或者八通道）生長(zhǎng)終止條件項(xiàng)目實(shí)戰(zhàn)：區(qū)域生長(zhǎng)算法4OpenCV圖像處理技術(shù)項(xiàng)目十二：視頻處理（一）課前任務(wù)根據(jù)教材，解釋視頻處理的概念CONTENTS視頻處理基礎(chǔ)VideoCapture類VideoWriter類案例實(shí)戰(zhàn)目錄CONTENTS01020304重難點(diǎn)視頻讀取、保存重點(diǎn)視頻逐幀處理難點(diǎn)知識(shí)儲(chǔ)備：視頻處理基礎(chǔ)1視頻信號(hào)（以下簡(jiǎn)稱為視頻）是非常重要的視覺(jué)信息來(lái)源，它是視覺(jué)處理過(guò)程中經(jīng)常要處理的一類信號(hào)。視頻是由一系列圖像構(gòu)成的，這一系列圖像被稱為幀，幀是以固定的時(shí)間間隔從視頻中獲取的。獲?。úシ牛乃俣确Q為幀速率，其單位通常使用“幀/秒”表示，代表在1秒內(nèi)所出現(xiàn)的幀數(shù)，對(duì)應(yīng)的英文是FPS（FramesPerSecond）知識(shí)儲(chǔ)備：視頻處理基礎(chǔ)1=1幀1幅圖像視頻是由一系列圖像構(gòu)成的，這一系列圖像被稱為幀，幀是以固定的時(shí)間間隔從視頻中獲取的。知識(shí)儲(chǔ)備：視頻處理基礎(chǔ)1怎么樣讀取視頻怎么樣讀取視頻每一幀對(duì)所讀的每一幀圖像進(jìn)行處理將所處理的視頻保存下來(lái)=1幀1幅圖像知識(shí)儲(chǔ)備：視頻處理基礎(chǔ)11.怎么樣打開(kāi)攝像頭2.怎么樣讀取視頻每一幀知識(shí)儲(chǔ)備：視頻處理基礎(chǔ)13.單幀圖像處理4.關(guān)閉攝像頭知識(shí)實(shí)戰(zhàn)：讀取攝像頭2VideoCapture類OpenCV提供了cv2.VideoCapture類來(lái)處理視頻1.初始化2.cv2.VideoCapture.open（）函數(shù)

和cv2.VideoCapture.isOpened（）函數(shù)3.捕獲幀4.釋放知識(shí)實(shí)戰(zhàn)：讀取攝像頭2VideoCapture類如何將視頻轉(zhuǎn)換為灰度如何將攝像頭顯示正常而不是鏡像練習(xí)一知識(shí)實(shí)戰(zhàn)：讀取攝像頭2獲得視頻屬性有時(shí)，我們需要獲取cv2.VideoCapture類對(duì)象的屬性，或是更改該類對(duì)象的屬性。函數(shù)cv2.VideoCapture.get（）用于獲取cv2.VideoCapture類對(duì)象的屬性，該函數(shù)的語(yǔ)法格式是：retval=cv2.VideoCapture.get（propId）P385-P386知識(shí)實(shí)戰(zhàn)：讀取攝像頭2獲得視頻屬性使用.set(propId,value)以原分辨率的一倍來(lái)捕獲練習(xí)四知識(shí)實(shí)戰(zhàn)：讀取攝像頭3VideoWriter類OpenCV中的cv2.VideoWriter類可以將圖片序列保存成視頻文件，也可以修改視頻的各種屬性，還可以完成對(duì)視頻類型的轉(zhuǎn)換。1.構(gòu)造函數(shù)2.write函數(shù)3.釋放知識(shí)實(shí)戰(zhàn)：讀取攝像頭3VideoWriter類OpenCV中的cv2.VideoWriter類可以將圖片序列保存成視頻文件，也可以修改視頻的各種屬性，還可以完成對(duì)視頻類型的轉(zhuǎn)換。知識(shí)實(shí)戰(zhàn)：讀取攝像頭3使用攝像頭進(jìn)行人臉識(shí)別知識(shí)實(shí)戰(zhàn)：讀取攝像頭4使用canny算子對(duì)“caruav.mp4”視頻進(jìn)行邊緣檢測(cè)并保存為carcanny.mp4知識(shí)融通：提取紅色球球4根據(jù)已經(jīng)學(xué)習(xí)的知識(shí)，獲取視頻中紅色球球部分OpenCV圖像處理技術(shù)項(xiàng)目十二：視頻處理（二）課前任務(wù)根據(jù)教材，解釋圖像分割的概念CONTENTS口罩佩戴檢測(cè)項(xiàng)目項(xiàng)目實(shí)戰(zhàn)目錄CONTENTS0102重難點(diǎn)模型調(diào)用重點(diǎn)數(shù)據(jù)分析難點(diǎn)課前準(zhǔn)備：importpaddlehubmodule=paddlehub.Module(name="pyramidbox_lite_mobile_mask")#口罩檢測(cè)模型安裝包：pipinstallpaddlehub==2.1.0pipinstallpaddlepaddle==2.1.2測(cè)試代碼：素質(zhì)目標(biāo)一：以近期疫情與口罩佩戴檢測(cè)這一真實(shí)案例作為引入，引起學(xué)生的學(xué)習(xí)興趣，同時(shí)弘揚(yáng)中國(guó)“抗疫”精神以及愛(ài)國(guó)主義精神國(guó)內(nèi)近期連續(xù)報(bào)告本地確診病例及無(wú)癥狀感染者，多地疾控發(fā)布疫情緊急風(fēng)險(xiǎn)提示。出門(mén)戴口罩是防止感染新冠肺炎最有效的方式。那么對(duì)于是否戴口罩能不能交給計(jì)算機(jī)去完成呢？引引入場(chǎng)景引出問(wèn)題引起興趣單元設(shè)計(jì)：《口罩佩戴檢測(cè)》案例素質(zhì)目標(biāo)二：提高學(xué)生的團(tuán)隊(duì)協(xié)作與歸納總結(jié)能力，同時(shí)明確學(xué)習(xí)目標(biāo)。知識(shí)目標(biāo)掌握視頻的概念與視頻處理的方法；掌握攝像頭打開(kāi)、讀取、顯示的方法（教學(xué)重點(diǎn)）；理解paddlehub調(diào)用模型的方法（教學(xué)重點(diǎn)）；掌握Python結(jié)構(gòu)化數(shù)據(jù)的分析方法（教學(xué)難點(diǎn)）；掌握實(shí)時(shí)檢測(cè)的實(shí)現(xiàn)與可視化。能力目標(biāo)能夠通過(guò)搜索引擎搜索所需的信息資源；能夠掌握觀察分析、抽象概括的能力；能夠調(diào)用第三方庫(kù)實(shí)現(xiàn)自己的想法；能夠調(diào)用深度學(xué)習(xí)預(yù)訓(xùn)練模型進(jìn)行圖像分析；能熟練使用數(shù)字化的學(xué)習(xí)平臺(tái)如“超星學(xué)習(xí)通平臺(tái)”。探分組探究信息探索發(fā)布成果測(cè)素質(zhì)目標(biāo)三：培養(yǎng)學(xué)生模塊化編程的能力，提高邏輯思維。問(wèn)題啟發(fā)任務(wù)引導(dǎo)測(cè)得學(xué)情學(xué)素質(zhì)目標(biāo)四：提高學(xué)生的專業(yè)認(rèn)知，增強(qiáng)專業(yè)自信。模塊間的協(xié)作需要嚴(yán)謹(jǐn)、認(rèn)真地調(diào)試，培養(yǎng)學(xué)生認(rèn)真負(fù)責(zé)、踏實(shí)敬業(yè)的工作態(tài)度和嚴(yán)謹(jǐn)求實(shí)、一絲不茍的工匠精神。模型解析學(xué)習(xí)調(diào)用數(shù)據(jù)處理數(shù)據(jù)形式：[{'data':[{'label':'NOMASK','confidence':0.9991316199302673,'top':112,'bottom':260,'left':333,'right':446}],'path':'ndarray_time=1653101271102525.0'}]悟素質(zhì)目標(biāo)五：自主探究是當(dāng)前能力培養(yǎng)的重點(diǎn)，培養(yǎng)學(xué)生自學(xué)能力，并能將過(guò)去所學(xué)的知識(shí)融會(huì)貫通。自主探究可視呈現(xiàn)代碼優(yōu)化評(píng)學(xué)生思考回顧怎么樣打開(kāi)攝像頭？怎么樣讀取視頻每一幀？對(duì)每一幀圖像進(jìn)行處理？怎么退出并關(guān)閉攝像頭？怎樣加載模型？怎樣調(diào)用模型？怎么處理數(shù)據(jù)？怎么可視化？怎么進(jìn)行面部標(biāo)識(shí)？素質(zhì)目標(biāo)六：培養(yǎng)學(xué)生概括總結(jié)的能力，學(xué)習(xí)口罩佩戴檢測(cè)也是專業(yè)知識(shí)在智能安防領(lǐng)域的實(shí)踐，培養(yǎng)學(xué)生以專業(yè)知識(shí)服務(wù)社會(huì)的責(zé)任意識(shí)。學(xué)習(xí)評(píng)價(jià)表評(píng)價(jià)內(nèi)容自評(píng)師評(píng)知識(shí)目標(biāo)掌握口罩佩戴檢測(cè)模型使用方法

能力目標(biāo)能夠具備觀察分析、抽象概括的能力

素質(zhì)目標(biāo)能否使用口罩佩戴檢測(cè)模型服務(wù)所在社區(qū)

評(píng)價(jià)指標(biāo)A．優(yōu)秀B.一般C.較差學(xué)生自評(píng)生生互評(píng)教師點(diǎn)評(píng)OpenCV圖像處理技術(shù)項(xiàng)目十三：

綜合實(shí)戰(zhàn)（一）課前任務(wù)探索生活中圖像處理技術(shù)的應(yīng)用場(chǎng)景CONTENTS產(chǎn)品缺陷檢測(cè)圖像拼接人臉檢測(cè)與人臉識(shí)別人體目標(biāo)跟蹤檢測(cè)目錄CONTENTS01020304重難點(diǎn)數(shù)字圖像處理方法綜合應(yīng)用重點(diǎn)觸類旁通、舉一反三的學(xué)習(xí)方法難點(diǎn)知識(shí)儲(chǔ)備：產(chǎn)品缺陷檢測(cè)1產(chǎn)品缺陷檢測(cè)是指生產(chǎn)生活中利用計(jì)算機(jī)視覺(jué)技術(shù)挑選和標(biāo)定不合格產(chǎn)品的一種方法，是指利用計(jì)算機(jī)視覺(jué)技術(shù)快速、有效地對(duì)產(chǎn)品的異常問(wèn)題進(jìn)行監(jiān)測(cè)和分類的技術(shù)。常見(jiàn)的產(chǎn)品缺陷檢測(cè)包括對(duì)產(chǎn)品表面孔洞、凸起、縫隙、鑄點(diǎn)等表層形態(tài)異常的檢測(cè)，以及產(chǎn)品表面顏色、紋理、標(biāo)簽位置和標(biāo)簽完整度、標(biāo)識(shí)字符的檢測(cè)，還應(yīng)包括以X光成像方式進(jìn)行的產(chǎn)品內(nèi)部缺陷（如縫隙、氣孔、裂痕、損傷點(diǎn)等）的檢測(cè)。知識(shí)儲(chǔ)備：產(chǎn)品缺陷檢測(cè)1產(chǎn)品缺陷檢測(cè)技術(shù)的本質(zhì)就是利用圖像色彩空間變換及形態(tài)學(xué)變化等操作，使不明顯的瑕疵特征能夠有效地凸顯出來(lái)，并能通過(guò)數(shù)值的方式被檢出，從而實(shí)現(xiàn)正常產(chǎn)品和瑕疵品之間的區(qū)分。在現(xiàn)代化工業(yè)生產(chǎn)流程中，產(chǎn)品缺陷檢測(cè)的好壞在很大程度上決定了產(chǎn)品整體質(zhì)量的優(yōu)劣，是人工智能產(chǎn)品技術(shù)在現(xiàn)代工廠中不可或缺的一部分。知識(shí)儲(chǔ)備：產(chǎn)品缺陷檢測(cè)1下圖所示為產(chǎn)品缺陷檢測(cè)邏輯框示意圖。知識(shí)儲(chǔ)備：產(chǎn)品缺陷檢測(cè)11.高斯濾波2.圖像二值化imgGauss=cv2.GaussianBlur(src,ksize,sigmaX,sigmaY)imgTh=cv2.threshold(src,thresh,maxval,type)知識(shí)儲(chǔ)備：產(chǎn)品缺陷檢測(cè)13.形態(tài)學(xué)操作4.瑕疵判斷imgMorp=cv2.morphologyEx(src,op,kernel)cv2.rectangle(img,pt1,pt2,color,thickness,lineType,shift)知識(shí)實(shí)戰(zhàn)：實(shí)現(xiàn)產(chǎn)品缺陷檢測(cè)1使用上述方法實(shí)現(xiàn)產(chǎn)品缺陷檢測(cè)知識(shí)融通：實(shí)現(xiàn)產(chǎn)品缺陷標(biāo)定1在任務(wù)演示部分的代碼中，我們直接根據(jù)坐標(biāo)標(biāo)定了痕跡的位置。在實(shí)際生產(chǎn)中痕跡位置并不是固定的，因此需要使用動(dòng)態(tài)標(biāo)定的方法尋找痕跡。最簡(jiǎn)單的特征位置尋找方法是區(qū)域求和，具體步驟為。（1）預(yù)設(shè)定能夠覆蓋痕跡面積的矩形框大小（實(shí)例中的矩形框大小為150×90）。（2）在痕跡可能出現(xiàn)的位置遍歷矩形框，并對(duì)矩形框內(nèi)的像素值進(jìn)行求和。（3）根據(jù)求和結(jié)果找到極值所在位置，此時(shí)所對(duì)應(yīng)的矩形框就是特征所在位置。OpenCV圖像處理技術(shù)項(xiàng)目十三：

綜合實(shí)戰(zhàn)（一）課前任務(wù)探索生活中圖像處理技術(shù)的應(yīng)用場(chǎng)景CONTENTS產(chǎn)品缺陷檢測(cè)圖像拼接人臉檢測(cè)與人臉識(shí)別人體目標(biāo)跟蹤檢測(cè)目錄CONTENTS01020304重難點(diǎn)數(shù)字圖像處理方法綜合應(yīng)用重點(diǎn)觸類旁通、舉一反三的學(xué)習(xí)方法難點(diǎn)知識(shí)儲(chǔ)備：圖像拼接1圖像拼接是指將拍攝到的具有重疊區(qū)域的若干圖像拼接成一幅無(wú)縫全景圖，使得在獲得大視角的同時(shí)確保圖像具有較高分辨率。圖像拼接被廣泛應(yīng)用于運(yùn)動(dòng)檢測(cè)和跟蹤、增強(qiáng)現(xiàn)實(shí)、分辨率增強(qiáng)、視頻壓縮和圖像穩(wěn)定等機(jī)器視覺(jué)領(lǐng)域，如無(wú)人機(jī)航拍、遙感圖像等。在生活場(chǎng)景中，利用手機(jī)無(wú)法一次性拍攝所有的景物，可以通過(guò)對(duì)該場(chǎng)景從左向右依次拍攝幾幅圖像，把想要拍攝的所有景物記錄下來(lái)。。知識(shí)儲(chǔ)備：圖像拼接1圖像配準(zhǔn)和圖像融合是圖像拼接的兩個(gè)關(guān)鍵技術(shù)。圖像配準(zhǔn)是圖像融合的基礎(chǔ)，而且圖像配準(zhǔn)算法的計(jì)算量一般非常大，因此圖像拼接技術(shù)的發(fā)展很大程度上取決于圖像配準(zhǔn)技術(shù)的創(chuàng)新。早期的圖像配準(zhǔn)技術(shù)主要采用點(diǎn)匹配法，這類方法速度慢、精度低，而且常常需要人工進(jìn)行操作。知識(shí)儲(chǔ)備：圖像拼接1下圖所示為圖像拼接邏輯框示意圖。知識(shí)儲(chǔ)備：SIFT角點(diǎn)檢測(cè)算法1SIFT角點(diǎn)檢測(cè)算法又被稱為“尺度不變特征轉(zhuǎn)換匹配算法”，是計(jì)算機(jī)視覺(jué)任務(wù)中的特征提取算法。SIFT可用于定位圖像中的局部特征，通常稱為圖像的“特征點(diǎn)”。這些特征點(diǎn)是比例尺和旋轉(zhuǎn)不變量，可用于各種計(jì)算機(jī)視覺(jué)應(yīng)用，如圖像匹配、物體檢測(cè)、場(chǎng)景檢測(cè)等。還可以將通過(guò)SIFT生成的特征點(diǎn)用作模型訓(xùn)練期間的圖像特征。與邊緣特征或單一特征相比，SIFT特征的主要優(yōu)勢(shì)在于不受圖像大小或方向的影響，是一種局部特征描述算子。知識(shí)儲(chǔ)備：SIFT角點(diǎn)檢測(cè)算法1SIFT特征檢測(cè)主要包括以下4個(gè)基本步驟：（1）尺度空間極值檢測(cè)：搜索所有尺度上的圖像位置。通過(guò)高斯微分函數(shù)來(lái)識(shí)別潛在的對(duì)于尺度和旋轉(zhuǎn)不變的興趣點(diǎn)。（2）特征點(diǎn)定位：在每個(gè)候選的位置上，通過(guò)一個(gè)擬合精細(xì)的模型來(lái)確定位置和尺度。特征點(diǎn)的選擇依據(jù)它們的穩(wěn)定程度。（3）方向確定：基于圖像局部的梯度方向，為每個(gè)特征點(diǎn)位置分配一個(gè)或多個(gè)方向。所有后面的對(duì)圖像數(shù)據(jù)的操作都相對(duì)于特征點(diǎn)的方向、尺度和位置進(jìn)行變換，從而提供對(duì)于這些變換的不變性。（4）特征點(diǎn)描述：在每個(gè)特征點(diǎn)周圍的鄰域內(nèi)，在選定的尺度上測(cè)量圖像局部的梯度。這些梯度被變換成一種表示，而這種表示允許比較大的局部形狀的變形和光照變化。知識(shí)儲(chǔ)備：SIFT角點(diǎn)檢測(cè)算法11.構(gòu)建SIFT對(duì)象2.計(jì)算圖像的特征點(diǎn)和特征向量sift=cv2.SIFT_create()kps,features=sift.detectAndCompute(gray,None)知識(shí)儲(chǔ)備：SIFT角點(diǎn)檢測(cè)算法13.match()函數(shù)matches=cv2.DescriptorMatcher.match(queryDescriptors,trainDescriptors[,mask])或者knnmatches=cv2.DescriptorMatcher.knnMatch(queryDescriptors,trainDescriptors,k[,mask[,compactResult]])知識(shí)儲(chǔ)備：SIFT角點(diǎn)檢測(cè)算法14.圖像融合M,status=cv2.findHomography(srcPoints,dstPoints,method=None,ransacReprojThreshold=None,mask=None,maxIters=None,confidence=None)revtal=cv2.warpPerspective(src,M,dsize)知識(shí)運(yùn)用：實(shí)現(xiàn)圖像拼接1使用上述方法實(shí)現(xiàn)實(shí)現(xiàn)圖像拼接知識(shí)融通：實(shí)現(xiàn)產(chǎn)品缺陷標(biāo)定1根據(jù)任務(wù)演示部分的代碼，如果對(duì)多幅圖像進(jìn)行拼接，其重點(diǎn)如下。（1）利用SIFT找到圖像之間的匹配點(diǎn)。（2）篩選出較好的匹配點(diǎn)。（3）找到圖像之間的相互關(guān)系，并進(jìn)行圖像融合。OpenCV圖像處理技術(shù)項(xiàng)目十三：

綜合實(shí)戰(zhàn)（三）課前任務(wù)探索生活中圖像處理技術(shù)的應(yīng)用場(chǎng)景CONTENTS產(chǎn)品缺陷檢測(cè)圖像拼接人臉檢測(cè)與人臉識(shí)別人體目標(biāo)跟蹤檢測(cè)目錄CONTENTS01020304重難點(diǎn)數(shù)字圖像處理方法綜合應(yīng)用重點(diǎn)觸類旁通、舉一反三的學(xué)習(xí)方法難點(diǎn)知識(shí)儲(chǔ)備：人臉檢測(cè)與人臉識(shí)別1人臉檢測(cè)和人臉識(shí)別技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域最熱門(mén)的應(yīng)用。目前，人臉識(shí)別技術(shù)已經(jīng)被廣泛應(yīng)用于金融、安防、司法等領(lǐng)域。人臉檢測(cè)是指在一幅圖像或視頻中完成人臉定位的過(guò)程，其返回的是人臉的位置矩形框。人臉識(shí)別是在人臉檢測(cè)的基礎(chǔ)上，根據(jù)人臉的特征判斷人的身份等信息，即確定檢測(cè)到的人臉是誰(shuí)。人臉識(shí)別是目前較為流行的一種生物特征識(shí)別技術(shù)。人臉識(shí)別技術(shù)是指利用計(jì)算機(jī)軟件分析、識(shí)別人臉，是針對(duì)人本身的生物特征來(lái)區(qū)分生物體個(gè)體的，其應(yīng)用廣泛，常被應(yīng)用于門(mén)禁、移動(dòng)支付等方面。本任務(wù)主要介紹人臉檢測(cè)與人臉識(shí)別的基礎(chǔ)知識(shí)，以及如何對(duì)圖像或視頻中出現(xiàn)的人臉進(jìn)行檢測(cè)。知識(shí)儲(chǔ)備：人臉檢測(cè)與人臉識(shí)別1下圖所示為人臉檢測(cè)與人臉識(shí)別邏輯框示意圖。知識(shí)儲(chǔ)備：人臉檢測(cè)與人臉識(shí)別1CascadeClassifier是在OpenCV中進(jìn)行人臉檢測(cè)時(shí)的一個(gè)級(jí)聯(lián)分類器。并且既可以使用Haar，也可以使用LBP特征。該函數(shù)的語(yǔ)法格式為：faceCascade=cv2.CascadeClassifier(XML)XML：在安裝完OpenCV后，在cv2/data文件夾中保存了很多已經(jīng)訓(xùn)練好的分類器，用來(lái)識(shí)別人臉、眼睛、鼻子等。它以XML文件的形式存儲(chǔ)，這些文件可用于檢測(cè)靜止圖像、視頻和攝像頭所得到圖像中的人臉。知識(shí)儲(chǔ)備：人臉檢測(cè)與人臉識(shí)別1在加載完用于人臉檢測(cè)的分類器后，用戶可以使用faceCascade.detectMultiScale()函數(shù)進(jìn)行人臉檢測(cè)。該函數(shù)的語(yǔ)法格式為：objects=faceCascade.detectMultiScale(image,scaleFactor,minNeighbors,flags,minSize,maxSize)知識(shí)運(yùn)用：靜態(tài)圖像中的人臉檢測(cè)1使用上述方法實(shí)現(xiàn)實(shí)現(xiàn)靜態(tài)圖片人臉檢測(cè)知識(shí)運(yùn)用：視頻中的人臉檢測(cè)1使用上述方法實(shí)現(xiàn)實(shí)現(xiàn)視頻中的人臉檢測(cè)知識(shí)運(yùn)用：圖像中的人臉識(shí)別1步驟一

人臉數(shù)據(jù)準(zhǔn)備。對(duì)待識(shí)別的人臉對(duì)象創(chuàng)建訓(xùn)練集，并對(duì)訓(xùn)練集做好標(biāo)記，要求每一個(gè)識(shí)別對(duì)象為一個(gè)文件夾，將文件夾命名為對(duì)應(yīng)的名字，如圖所示。知識(shí)運(yùn)用：圖像中的人臉識(shí)別1步驟二

執(zhí)行訓(xùn)練步驟。使用face_cascade.detectMultiScale()函數(shù)創(chuàng)建人臉特征。步驟三

人臉識(shí)別測(cè)試。使用cv2.face.LBPHFaceRecognizer_create()函數(shù)測(cè)試訓(xùn)練效果。知識(shí)融通：實(shí)現(xiàn)產(chǎn)品缺陷標(biāo)定1根據(jù)任務(wù)演示部分的代碼實(shí)現(xiàn)本任務(wù)拓展，將人臉中的鼻子、眼睛等部位檢測(cè)出來(lái)，效果如圖所示。任務(wù)拓展重點(diǎn)如下。（1）加載鼻子或眼睛的特征分類器。（2）實(shí)現(xiàn)鼻子或眼睛的檢測(cè)，并繪制在圖像中。（3）鼻子和眼睛相比于臉部區(qū)域較小，需要對(duì)應(yīng)地調(diào)整參數(shù)。。OpenCV圖像處理技術(shù)項(xiàng)目十三：

綜合實(shí)戰(zhàn)（四）課前任務(wù)探索生活中圖像處理技術(shù)的應(yīng)用場(chǎng)景CONTENTS產(chǎn)品缺陷檢測(cè)圖像拼接人臉檢測(cè)與人臉識(shí)別人體目標(biāo)跟蹤檢測(cè)目錄CONTENTS01020304重難點(diǎn)數(shù)字圖像處理方法綜合應(yīng)用重點(diǎn)觸類旁通、舉一反三的學(xué)習(xí)方法難點(diǎn)知識(shí)儲(chǔ)備：人體目標(biāo)跟蹤檢測(cè)1目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要問(wèn)題，目前廣泛應(yīng)用在體育賽事轉(zhuǎn)播、安防監(jiān)控和無(wú)人機(jī)、無(wú)人車、機(jī)器人等領(lǐng)域。知識(shí)儲(chǔ)備：人體目標(biāo)跟蹤檢測(cè)1下圖所示為人體目標(biāo)跟蹤檢測(cè)邏輯框示意圖。知識(shí)儲(chǔ)備：人體目標(biāo)跟蹤檢測(cè)1目標(biāo)跟蹤有哪些研究領(lǐng)域呢？單目標(biāo)跟蹤-給定一個(gè)目標(biāo)，追蹤這個(gè)目標(biāo)的位置。多目標(biāo)跟蹤