# openCV_learn

**Repository Path**: lirongman/open-cv_learn

## Basic Information

- **Project Name**: openCV_learn
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-24
- **Last Updated**: 2026-03-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: OpenCV

## README

# OpenCV 学习笔记

## 一、图像基础操作

### 1.1 图像的读取、显示和保存

| 函数 | 说明 | 参数 | 应用场景 |
|------|------|------|----------|
| `cv2.imread()` | 读取图像 | `('文件路径')` | 加载图片文件 |
| `cv2.imshow()` | 显示图像 | `('窗口名', 图像)` | 预览图像 |
| `cv2.imwrite()` | 保存图像 | `('文件名', 图像)` | 保存处理结果 |
| `cv2.waitKey()` | 等待按键 | `(延迟毫秒)` | 控制显示时间 |
| `cv2.destroyAllWindows()` | 关闭所有窗口 | 无 | 释放资源 |

```python
# 示例：图片读取、显示和保存
import cv2
image = cv2.imread('songshu.png')
cv2.imshow('image', image)
cv2.waitKey(1000)
cv2.imwrite('songshu_copy.png', image)
cv2.destroyAllWindows()
```

### 1.2 图像属性

| 属性 | 说明 | 示例 |
|------|------|------|
| `image.shape` | 图像大小 | `(480, 640, 3)` 表示高480，宽640，3通道 |

```python
# 示例：查看图像属性
print(image.shape)  # 输出：(高, 宽, 通道数)
print(image.size)   # 像素总数
print(image.dtype)  # 数据类型
```

### 1.3 图像尺寸调整

| 函数/方法 | 说明 | 参数 |
|------|------|------|
| `cv2.resize()` | 调整图像大小 | `(图像, (目标宽, 目标高))` |
| 数组切片 | 图像裁剪 | `[起始y:结束y, 起始x:结束x]` |

```python
# 示例：图像缩放和裁剪
img_resize = cv2.resize(img0, (400, 200))           # 缩放到400x200
img_crop = img0[50:350, 200:600]                    # 裁剪区域
```

---

## 二、颜色空间转换

### 2.1 颜色空间转换函数

| 函数/常量 | 说明 | 应用场景 |
|------|------|----------|
| `cv2.cvtColor()` | 颜色空间转换 | 颜色分析、特征提取 |
| `cv2.COLOR_BGR2RGB` | BGR转RGB | 正确显示颜色（matplotlib） |
| `cv2.COLOR_BGR2GRAY` | BGR转灰度 | 简化处理、减少计算 |
| `cv2.COLOR_BGR2HSV` | BGR转HSV | 颜色识别、分割 |

```python
# 示例：颜色空间转换
img_rgb = cv2.cvtColor(img0, cv2.COLOR_BGR2RGB)     # RGB格式
img_gray = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)   # 灰度图
img_hsv = cv2.cvtColor(img0, cv2.COLOR_BGR2HSV)     # HSV格式
```

---

## 三、图像模糊处理

### 3.1 模糊算法

| 函数 | 说明 | 参数 | 特点 |
|------|------|------|------|
| `cv2.blur()` | 均值模糊 | `(图像, (核宽, 核高))` | 简单平均，速度快 |
| `cv2.GaussianBlur()` | 高斯模糊 | `(图像, (核大小,核大小), 标准差)` | 保留边缘，自然 |
| `cv2.medianBlur()` | 中值模糊 | `(图像, 核大小)` | 去噪效果好，保留边缘 |

```python
# 示例：不同模糊效果
k_size = 9
img_mean = cv2.blur(img0, (k_size, k_size))                # 均值模糊
img_gaussian = cv2.GaussianBlur(img0, (k_size, k_size), 3) # 高斯模糊
img_median = cv2.medianBlur(img0, k_size)                  # 中值模糊
```

---

## 四、阈值处理

### 4.1 全局阈值

| 函数 | 说明 | 参数 |
|------|------|------|
| `cv2.threshold()` | 阈值处理 | `(图像, 阈值, 最大值, 类型)` |

**阈值类型：**
| 类型 | 说明 |
|------|------|
| `cv2.THRESH_BINARY` | 二值化（大于阈值设最大值，否则0） |
| `cv2.THRESH_BINARY_INV` | 反向二值化 |
| `cv2.THRESH_TRUNC` | 截断（大于阈值设阈值，否则不变） |
| `cv2.THRESH_TOZERO` | 归零（小于阈值设0，否则不变） |
| `cv2.THRESH_TOZERO_INV` | 反向归零 |

```python
# 示例：全局阈值
ret, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, img_binary_inv = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
```

### 4.2 自适应阈值

| 函数 | 说明 | 参数 | 特点 |
|------|------|------|------|
| `cv2.adaptiveThreshold()` | 自适应阈值 | `(图像, 最大值, 方法, 类型, 块大小, 常数)` | 适应光照变化 |

**自适应方法：**
| 方法 | 说明 |
|------|------|
| `cv2.ADAPTIVE_THRESH_MEAN_C` | 邻域均值作为阈值 |
| `cv2.ADAPTIVE_THRESH_GAUSSIAN_C` | 邻域加权均值作为阈值 |

```python
# 示例：自适应阈值
img_adapt_mean = cv2.adaptiveThreshold(img_gray, 255, 
                                       cv2.ADAPTIVE_THRESH_MEAN_C,
                                       cv2.THRESH_BINARY, 11, 2)
img_adapt_gaussian = cv2.adaptiveThreshold(img_gray, 255,
                                          cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                          cv2.THRESH_BINARY, 11, 2)
```

### 4.3 Otsu阈值

| 方法 | 说明 | 特点 |
|------|------|------|
| `cv2.THRESH_OTSU` | Otsu自动阈值 | 自动选择最佳全局阈值 |

```python
# 示例：Otsu阈值
ret, img_otsu = cv2.threshold(img_gray, 0, 255, 
                              cv2.THRESH_BINARY + cv2.THRESH_OTSU)
```

---

## 五、边缘检测

### 5.1 Canny边缘检测

| 函数 | 说明 | 参数 | 应用 |
|------|------|------|------|
| `cv2.Canny()` | Canny边缘检测 | `(图像, 低阈值, 高阈值)` | 物体轮廓提取 |

```python
# 示例：Canny边缘检测
img_canny1 = cv2.Canny(img_gray, 50, 150)    # 低阈值50，高阈值150
img_canny2 = cv2.Canny(img_gray, 100, 200)   # 更严格的阈值
```

### 5.2 Sobel算子

| 函数 | 说明 | 参数 |
|------|------|------|
| `cv2.Sobel()` | Sobel边缘检测 | `(图像, 数据类型, dx, dy, 核大小)` |

```python
# 示例：Sobel边缘检测
sobel_x = cv2.Sobel(img_gray, cv2.CV_64F, 1, 0, ksize=3)  # x方向梯度
sobel_y = cv2.Sobel(img_gray, cv2.CV_64F, 0, 1, ksize=3)  # y方向梯度
sobel_x = np.absolute(sobel_x).astype(np.uint8)
sobel_y = np.absolute(sobel_y).astype(np.uint8)
sobel_combined = cv2.bitwise_or(sobel_x, sobel_y)
```

### 5.3 Laplacian算子

| 函数 | 说明 | 参数 |
|------|------|------|
| `cv2.Laplacian()` | Laplacian边缘检测 | `(图像, 数据类型, 核大小)` |

```python
# 示例：Laplacian边缘检测
laplacian = cv2.Laplacian(img_gray, cv2.CV_64F, ksize=3)
laplacian = np.absolute(laplacian).astype(np.uint8)
```

### 5.4 形态学操作

| 函数 | 说明 | 参数 | 效果 |
|------|------|------|------|
| `cv2.dilate()` | 膨胀 | `(图像, 核)` | 加粗边缘，填充空洞 |
| `cv2.erode()` | 腐蚀 | `(图像, 核)` | 细化边缘，去除噪点 |
| `cv2.morphologyEx()` | 形态学操作 | `(图像, 操作类型, 核)` | 开运算、闭运算等 |

```python
# 示例：膨胀和腐蚀
kernel = np.ones((5,5), np.uint8)
img_dilate = cv2.dilate(img_canny, kernel, iterations=1)   # 膨胀
img_erode = cv2.erode(img_canny, kernel, iterations=1)     # 腐蚀

# 开运算（先腐蚀后膨胀）- 去除噪点
img_open = cv2.morphologyEx(img_canny, cv2.MORPH_OPEN, kernel)

# 闭运算（先膨胀后腐蚀）- 填充空洞
img_close = cv2.morphologyEx(img_canny, cv2.MORPH_CLOSE, kernel)
```

---

## 六、轮廓检测与分析

### 6.1 轮廓检测

| 函数 | 说明 | 返回值 | 注意 |
|------|------|--------|------|
| `cv2.findContours()` | 查找轮廓 | `(image, contours, hierarchy)` | OpenCV 3.x返回3个值 |

**检索模式：**
| 模式 | 说明 |
|------|------|
| `cv2.RETR_EXTERNAL` | 只检测最外层轮廓 |
| `cv2.RETR_LIST` | 检测所有轮廓，不建立层次关系 |
| `cv2.RETR_CCOMP` | 检测所有轮廓，组织为两级层次 |
| `cv2.RETR_TREE` | 检测所有轮廓，完整建立层次关系 |

**近似方法：**
| 方法 | 说明 |
|------|------|
| `cv2.CHAIN_APPROX_SIMPLE` | 压缩存储，只保留端点 |
| `cv2.CHAIN_APPROX_NONE` | 存储所有轮廓点 |

```python
# 示例：查找轮廓（OpenCV 3.x版本）
img_result, contours, hierarchy = cv2.findContours(img_binary, 
                                                   cv2.RETR_TREE, 
                                                   cv2.CHAIN_APPROX_SIMPLE)

# 兼容性写法（适应不同版本）
result = cv2.findContours(img_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
if len(result) == 3:
    _, contours, hierarchy = result
else:
    contours, hierarchy = result
```

### 6.2 轮廓分析函数

| 函数 | 说明 | 应用 |
|------|------|------|
| `cv2.contourArea()` | 计算轮廓面积 | 过滤小轮廓 |
| `cv2.arcLength()` | 计算轮廓周长 | 形状分析 |
| `cv2.boundingRect()` | 获取边界框 | 定位物体 |
| `cv2.minEnclosingCircle()` | 最小外接圆 | 圆形检测 |
| `cv2.moments()` | 计算轮廓矩 | 找中心点、方向 |
| `cv2.convexHull()` | 计算凸包 | 形状简化 |

```python
# 示例：轮廓分析
for cnt in contours:
    area = cv2.contourArea(cnt)                          # 面积
    perimeter = cv2.arcLength(cnt, True)                 # 周长
    x, y, w, h = cv2.boundingRect(cnt)                   # 边界框
    (cx, cy), radius = cv2.minEnclosingCircle(cnt)       # 最小外接圆
    M = cv2.moments(cnt)                                  # 矩
    if M["m00"] != 0:
        center_x = int(M["m10"] / M["m00"])               # 中心x
        center_y = int(M["m01"] / M["m00"])               # 中心y
```

### 6.3 轮廓绘制

| 函数 | 参数说明 | 示例 |
|------|----------|------|
| `cv2.drawContours()` | `(图像, [轮廓列表], 索引, 颜色, 线宽)` | `cv2.drawContours(img, [cnt], -1, (0,255,0), 2)` |

```python
# 示例：绘制轮廓
img_result = img0.copy()
for cnt in contours:
    if cv2.contourArea(cnt) > 200:                       # 过滤小轮廓
        cv2.drawContours(img_result, [cnt], -1, (0, 255, 0), 2)  # 绘制轮廓
        x, y, w, h = cv2.boundingRect(cnt)                        # 边界框
        cv2.rectangle(img_result, (x, y), (x+w, y+h), (0, 0, 255), 2)  # 绘制矩形
```

---

## 七、图像绘制

### 7.1 基本绘图函数

| 函数 | 说明 | 参数 | 示例 |
|------|------|------|------|
| `cv2.line()` | 画直线 | `(图像, 起点, 终点, 颜色, 线宽)` | `cv2.line(img, (100,50), (300,250), (0,255,0), 5)` |
| `cv2.rectangle()` | 画矩形 | `(图像, 左上角, 右下角, 颜色, 线宽)` | `cv2.rectangle(img, (100,350), (350,500), (255,0,0), 3)` |
| `cv2.circle()` | 画圆 | `(图像, 圆心, 半径, 颜色, 线宽)` | `cv2.circle(img, (300,200), 50, (0,0,255), -1)` |
| `cv2.putText()` | 添加文字 | `(图像, 文字, 位置, 字体, 大小, 颜色, 线宽)` | `cv2.putText(img, 'Hello', (100,100), cv2.FONT_HERSHEY_SIMPLEX, 1, (255,255,255), 2)` |

**说明：**
- 线宽为 `-1` 表示填充
- 颜色格式为 `(B, G, R)`，如 `(0, 255, 0)` 表示绿色

```python
# 示例：图像绘制
img = cv2.imread('whiteboard.png')

# 画线
cv2.line(img, (100, 50), (300, 250), (0, 255, 0), 5)

# 画矩形（填充）
cv2.rectangle(img, (100, 350), (350, 500), (255, 134, 34), -1)

# 画圆
cv2.circle(img, (640, 300), 160, (23, 5, 200), 5)

# 添加文字
cv2.putText(img, 'OpenCV!', (100, 640), 
            cv2.FONT_HERSHEY_SIMPLEX, 4, (255, 255, 0), 8)
```

---

## 八、视频处理

### 8.1 视频读取

| 函数/类 | 说明 | 方法 |
|---------|------|------|
| `cv2.VideoCapture()` | 创建视频捕获对象 | `cap = cv2.VideoCapture(0)` # 0为摄像头 |
| `cap.read()` | 读取帧 | `ret, frame = cap.read()` |
| `cap.release()` | 释放资源 | `cap.release()` |
| `cv2.VideoWriter()` | 创建视频写入对象 | 保存视频 |

```python
# 示例：摄像头读取
cap = cv2.VideoCapture(0)  # 0表示第一个摄像头

while True:
    ret, frame = cap.read()  # 读取一帧
    if not ret:
        break
    
    cv2.imshow('Camera', frame)  # 显示
    
    if cv2.waitKey(1) & 0xFF == ord('q'):  # 按q退出
        break

cap.release()
cv2.destroyAllWindows()
```

### 8.2 视频保存

```python
# 示例：保存视频
cap = cv2.VideoCapture(0)
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi', fourcc, 20.0, (640, 480))

while True:
    ret, frame = cap.read()
    if ret:
        out.write(frame)                       # 写入视频
        cv2.imshow('frame', frame)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()
```

---

## 九、综合应用示例

### 9.1 物体检测（轮廓+边界框）

```python
import cv2
import numpy as np

# 读取图像
img = cv2.imread('birds.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

# 查找轮廓
_, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制边界框
result = img.copy()
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 200:  # 只处理面积大于200的轮廓
        x, y, w, h = cv2.boundingRect(cnt)
        cv2.rectangle(result, (x, y), (x + w, y + h), (0, 255, 0), 2)
        cv2.putText(result, f'Area:{int(area)}', (x, y-5),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)

cv2.imshow('Detection', result)
cv2.waitKey(0)
cv2.destroyAllWindows()
```

### 9.2 颜色识别（HSV）

```python
import cv2
import numpy as np

# 读取图像
img = cv2.imread('color_balls.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义颜色范围（绿色）
lower_green = np.array([35, 50, 50])
upper_green = np.array([85, 255, 255])

# 创建掩码
mask = cv2.inRange(hsv, lower_green, upper_green)

# 形态学操作
kernel = np.ones((5,5), np.uint8)
mask = cv2.erode(mask, kernel, iterations=1)
mask = cv2.dilate(mask, kernel, iterations=2)

# 查找轮廓
_, contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制结果
result = img.copy()
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 500:
        x, y, w, h = cv2.boundingRect(cnt)
        cv2.rectangle(result, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Result', result)
cv2.imshow('Mask', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()
```

---

## 十、常见错误及解决方法

| 错误 | 原因 | 解决方法 |
|------|------|----------|
| `ImportError: No module named cv2` | OpenCV未安装 | `pip install opencv-python` |
| `ValueError: too many values to unpack` | OpenCV版本不同，返回值个数不对 | 检查返回值个数，用兼容性写法 |
| `TypeError: an integer is required (got tuple)` | 参数类型错误 | 检查参数顺序和类型 |
| `AttributeError: module 'cv2' has no attribute 'drawContour'` | 函数名错误 | 使用 `drawContours`（复数） |
| `cv2.error: ... is not a numpy array` | 图像读取失败 | 检查文件路径是否正确 |
| 图像显示为None | 文件不存在或路径错误 | 使用绝对路径或检查文件位置 |

### 10.1 兼容性写法示例

```python
# findContours 兼容不同版本
result = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
if len(result) == 3:
    # OpenCV 3.x
    _, contours, hierarchy = result
else:
    # OpenCV 4.x
    contours, hierarchy = result
```

---

## 十一、常用技巧总结

1. **图像副本**：处理时使用 `img.copy()` 避免修改原图
   ```python
   img_copy = img0.copy()
   ```

2. **轮廓过滤**：用 `cv2.contourArea()` 过滤小轮廓
   ```python
   if cv2.contourArea(cnt) > min_area:
       # 处理轮廓
   ```

3. **调试技巧**：用 `print(image.shape)` 查看图像尺寸
   ```python
   print(f"图像大小: {image.shape}")
   ```

4. **性能优化**：先转灰度再处理，减少计算量
   ```python
   gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
   ```

5. **窗口管理**：创建可调整大小的窗口
   ```python
   cv2.namedWindow('image', cv2.WINDOW_NORMAL)
   cv2.resizeWindow('image', 800, 600)
   ```

6. **按键退出**：常用退出方式
   ```python
   if cv2.waitKey(1) & 0xFF == ord('q'):
       break
   ```

---

## 十二、OpenCV版本信息

```python
import cv2
print(f"OpenCV版本: {cv2.__version__}")
print(f"CPU数量: {cv2.getNumberOfCPUs()}")
```

## 每个功能的具体应用场景

### 一、图像基础操作的应用

| 功能 | 应用场景 |
|------|----------|
| **图像读取** | • 加载本地图片进行处理<br>• 批量处理文件夹中的图片<br>• 从网络下载图片后读取<br>• 视频帧提取后的处理 |
| **图像显示** | • 实时预览处理效果<br>• 调试代码时查看中间结果<br>• 展示最终处理成果<br>• 制作图像处理演示程序 |
| **图像保存** | • 保存处理后的结果<br>• 生成处理报告配图<br>• 批量转换图片格式<br>• 制作数据集 |
| **图像裁剪/缩放** | • 预处理统一图片大小<br>• 提取感兴趣区域(ROI)<br>• 生成缩略图<br>• 适应模型输入尺寸<br>• 去除图像多余边缘 |

### 二、颜色空间转换的应用

| 转换 | 应用场景 |
|------|----------|
| **BGR转灰度** | • 减少计算量，提高处理速度<br>• 边缘检测前的预处理<br>• 图像二值化的基础<br>• OCR文字识别预处理<br>• 人脸识别预处理<br>• 车牌识别预处理 |
| **BGR转HSV** | • **颜色识别**（红绿灯、交通标志）<br>• **物体追踪**（足球、篮球追踪）<br>• 肤色检测（人脸检测、手势识别）<br>• 果蔬成熟度判断（根据颜色）<br>• 车牌颜色识别（蓝牌、黄牌）<br>• 火焰检测<br>• 医学图像分析 |
| **BGR转RGB** | • Matplotlib正确显示<br>• Web应用中的图像输出<br>• 与其他库的数据交换（PIL、TensorFlow）<br>• 打印输出 |

### 三、图像模糊处理的应用

| 模糊类型 | 应用场景 |
|----------|----------|
| **均值模糊** | • 快速降噪<br>• 图像预处理<br>• 制造背景虚化效果<br>• 降低图像细节 |
| **高斯模糊** | • **人像美颜**（皮肤平滑）<br>• 边缘检测前降噪<br>• 特征提取前的预处理<br>• 模拟景深效果<br>• 图像金字塔构建<br>• 去雾算法预处理 |
| **中值模糊** | • **去除椒盐噪声**（老照片修复）<br>• 文档扫描去斑点<br>• 医学图像处理（去噪）<br>• 雷达图像处理<br>• 保留边缘的同时降噪 |

### 四、阈值处理的应用

| 阈值类型 | 应用场景 |
|----------|----------|
| **二值化 (THRESH_BINARY)** | • **文档扫描**（文字提取）<br>• 车牌识别<br>• 二维码/条形码识别<br>• 答题卡识别<br>• 表格识别 |
| **反向二值化 (THRESH_BINARY_INV)** | • 暗色背景上的亮色物体检测<br>• 细胞图像分析<br>• 特定条件下的物体分割 |
| **截断阈值 (THRESH_TRUNC)** | • 光照不均图像的预处理<br>• 保留部分灰度信息的场景 |
| **归零阈值 (THRESH_TOZERO)** | • 提取图像中较亮区域<br>• 高光分析 |
| **自适应阈值** | • **光照不均匀的文档处理**<br>• 自然场景下的文字识别<br>• 复杂背景下的物体分割<br>• 票据识别<br>• 名片识别 |
| **Otsu阈值** | • **自动确定最佳阈值**<br>• 双峰直方图图像分割<br>• 自动化处理流水线<br>• 无需人工干预的场景 |

### 五、边缘检测的应用

| 边缘检测 | 应用场景 |
|----------|----------|
| **Canny边缘检测** | • **物体轮廓提取**<br>• 车道线检测（自动驾驶）<br>• 工业缺陷检测<br>• 图像分割预处理<br>• 特征匹配<br>• 测量物体尺寸 |
| **Sobel算子** | • 梯度计算<br>• 边缘方向分析<br>• 图像锐化<br>• 纹理分析 |
| **Laplacian算子** | • 边缘增强<br>• 图像锐化<br>• 斑点检测 |

### 六、形态学操作的应用

| 操作 | 应用场景 |
|------|----------|
| **膨胀** | • 连接断开的轮廓<br>• 填补物体内部空洞<br>• 加粗边缘<br>• 合并相邻区域 |
| **腐蚀** | • 去除细小噪点<br>• 分离相连物体<br>• 细化边缘<br>• 去除小连通域 |
| **开运算（先腐蚀后膨胀）** | • **去除噪点**<br>• 平滑物体轮廓<br>• 分离粘连物体 |
| **闭运算（先膨胀后腐蚀）** | • **填补空洞**<br>• 连接断裂轮廓<br>• 平滑边缘 |

### 七、轮廓检测的应用

| 轮廓功能 | 应用场景 |
|----------|----------|
| **轮廓查找** | • **目标检测**（找出图像中所有物体）<br>• 物体计数（生产线计数）<br>• 细胞计数（医学图像）<br>• 交通流量统计 |
| **轮廓面积** | • 过滤小物体（去除噪点）<br>• 按大小筛选目标<br>• 测量物体面积 |
| **边界框** | • **目标定位**<br>• 物体跟踪<br>• 感兴趣区域提取<br>• 目标裁剪 |
| **最小外接圆** | • 圆形物体检测<br>• 硬币检测<br>• 球类追踪 |
| **轮廓矩/中心点** | • **物体追踪**（求质心）<br>• 目标定位<br>• 运动轨迹分析 |

### 八、图像绘制的应用

| 绘制功能 | 应用场景 |
|----------|----------|
| **画直线** | • 标注边界<br>• 绘制坐标轴<br>• 绘制辅助线<br>• 连接轨迹点 |
| **画矩形** | • **目标标注**（检测结果框选）<br>• 感兴趣区域标记<br>• 人脸检测框<br>• 车牌定位框 |
| **画圆** | • 标记中心点<br>• 圆形目标标注<br>• 关键点标记<br>• 兴趣区域标记 |
| **添加文字** | • 图像添加标题<br>• 显示检测结果（置信度、类别）<br>• 添加水印<br>• 显示帧率、参数信息 |

### 九、视频处理的应用

| 功能 | 应用场景 |
|------|----------|
| **摄像头读取** | • **实时监控系统**<br>• 人脸识别门禁<br>• 运动检测<br>• 直播处理<br>• AR应用 |
| **视频文件读取** | • 视频内容分析<br>• 监控录像回放分析<br>• 运动比赛分析<br>• 视频剪辑预处理 |
| **视频保存** | • 录制处理结果<br>• 生成处理报告视频<br>• 保存监控证据 |

### 十、综合应用案例

| 应用领域 | 具体案例 | 使用的OpenCV功能 |
|----------|----------|------------------|
| **安防监控** | 运动检测 | 背景减除、轮廓检测、矩形绘制 |
| **自动驾驶** | 车道线检测 | Canny边缘检测、霍夫变换、直线绘制 |
| **医疗影像** | 细胞计数 | 阈值处理、轮廓检测、形态学操作 |
| **工业质检** | 产品缺陷检测 | 边缘检测、轮廓分析、特征匹配 |
| **文档处理** | OCR文字识别 | 灰度化、阈值处理、形态学操作 |
| **交通管理** | 车牌识别 | 颜色识别、边缘检测、轮廓分析 |
| **零售业** | 货架商品识别 | 特征匹配、轮廓检测、颜色识别 |
| **农业** | 果蔬分级 | 颜色识别、轮廓分析、尺寸测量 |
| **体育分析** | 球类追踪 | 颜色识别、轮廓检测、轨迹绘制 |
| **教育** | 答题卡识别 | 阈值处理、轮廓检测、模板匹配 |

### 十一、实际项目流程示例

**项目：智能交通监控系统**

```python
1. 视频读取 → 获取实时画面
2. 灰度转换 → 减少计算量
3. 高斯模糊 → 去除噪点
4. 边缘检测 → 找出车辆轮廓
5. 轮廓查找 → 定位车辆
6. 边界框绘制 → 标记车辆
7. 中心点计算 → 追踪轨迹
8. 视频保存 → 记录结果