图像变换
图像变换包括平移、旋转、缩放、裁剪和翻转图像。
img＝cv．imread（＇．．／input／images－for－computer－vision／tiger1．jpg＇）
width， height， ＿＝img．shape
＃ Translating
M＿translate＝np．float32（［［1，0，200］，［0，1，100］］） ＃ 200＝＞ Translation along x－axis and 100＝＞translation along y－axis
img＿translate＝cv．warpAffine（img，M＿translate，（height，width））
＃ Rotating
center＝（width／2，height／2）
M＿rotate＝cv．getRotationMatrix2D（center， angle＝90， scale＝1）
img＿rotate＝cv．warpAffine（img，M＿rotate，（width，height））
＃ Scaling
scale＿percent ＝ 50
width ＝ int（img．shape［1］ ＊ scale＿percent ／ 100）
height ＝ int（img．shape［0］ ＊ scale＿percent ／ 100）
dim ＝ （width， height）
img＿scale ＝ cv．resize（img， dim， interpolation ＝ cv．INTER＿AREA）
＃ Flipping
img＿flip＝cv．flip（img，1） ＃ 0：Along horizontal axis， 1：Along verticle axis， －1： first along verticle then horizontal
＃ Shearing
srcTri ＝ np．array（ ［［0， 0］， ［img．shape［1］ － 1， 0］， ［0，img．shape［0］ － 1］］ ）．astype（np．float32）
dstTri ＝ np．array（ ［［0， img．shape［1］＊0．33］， ［img．shape［1］＊0．85， img．shape［0］＊0．25］， ［img．shape［1］＊0．15， img．shape［0］＊0．7］］ ）．astype（np．float32）
warp＿mat ＝ cv．getAffineTransform（srcTri， dstTri）
img＿warp ＝ cv．warpAffine（img， warp＿mat， （height， width））
myplot（［img， img＿translate， img＿rotate， img＿scale， img＿flip， img＿warp］，
［＇Original Image＇， ＇Translated Image＇， ＇Rotated Image＇， ＇Scaled Image＇， ＇Flipped Image＇， ＇Sheared Image＇］）
图像预处理
阈值处理：在阈值处理中，小于阈值的像素值变为 0（黑色），大于阈值的像素值变为 255（白色）。
我将阈值设为 150，但你也可以选择任何其他数字。
＃ For visualising the filters
import plotly．graph＿objects as go
from plotly．subplots import make＿subplots
def plot＿3d（img1， img2， titles）：
fig ＝ make＿subplots（rows＝1， cols＝2，
specs＝［［｛＇is＿3d＇： True｝， ｛＇is＿3d＇： True｝］］，
subplot＿titles＝［titles［0］， titles［1］］，
）
x， y＝np．mgrid［0：img1．shape［0］， 0：img1．shape［1］］
fig．add＿trace（go．Surface（x＝x， y＝y， z＝img1［：，：，0］）， row＝1， col＝1）
fig．add＿trace（go．Surface（x＝x， y＝y， z＝img2［：，：，0］）， row＝1， col＝2）
fig．update＿traces（contours＿z＝dict（show＝True， usecolormap＝True，
highlightcolor＝＂limegreen＂， project＿z＝True））
fig．show（）
img＝cv．imread（＇．．／input／images－for－computer－vision／simple＿shapes．png＇）
＃ Pixel value less than threshold becomes 0 and more than threshold becomes 255
＿，img＿threshold＝cv．threshold（img，150，255，cv．THRESH＿BINARY）
plot＿3d（img， img＿threshold， ［＇Original Image＇， ＇Threshold Image＝150＇］）
应用阈值后，150 的值变为等于 255
过滤： 图像过滤是通过改变像素的值来改变图像的外观。每种类型的过滤器都会根据相应的数学公式更改像素值。我不会在这里详细介绍数学，但我将通过在 3D 中可视化它们来展示每个过滤器的工作原理。
limg＝cv．imread（＇．．／input／images－for－computer－vision／simple＿shapes．png＇）
＃ Gaussian Filter
ksize＝（11，11） ＃ Both should be odd numbers
img＿guassian＝cv．GaussianBlur（img， ksize，0）
plot＿3d（img， img＿guassian， ［＇Original Image＇，＇Guassian Image＇］）
＃ Median Filter
ksize＝11
img＿medianblur＝cv．medianBlur（img，ksize）
plot＿3d（img， img＿medianblur， ［＇Original Image＇，＇Median blur＇］）
＃ Bilateral Filter
img＿bilateralblur＝cv．bilateralFilter（img，d＝5， sigmaColor＝50， sigmaSpace＝5）
myplot（［img， img＿bilateralblur］，［＇Original Image＇， ＇Bilateral blur Image＇］）
plot＿3d（img， img＿bilateralblur， ［＇Original Image＇，＇Bilateral blur＇］）
高斯滤波器：通过去除细节和噪声来模糊图像。
中值滤波器：非线性过程可用于减少脉冲噪声或椒盐噪声
双边滤波器：边缘保留和降噪平滑。
简单来说，过滤器有助于减少或去除亮度或颜色随机变化的噪声，这称为平滑
特征检测
特征检测是一种通过计算图像信息的抽象，在每个图像点上做出局部决策的方法。例如，对于一张脸的图像，特征是眼睛、鼻子、嘴唇、耳朵等，我们尝试识别这些特征。
让我们首先尝试识别图像的边缘。
边缘检测
img＝cv．imread（＇．．／input／images－for－computer－vision／simple＿shapes．png＇）
img＿canny1＝cv．Canny（img，50， 200）
＃ Smoothing the img before feeding it to canny
filter＿img＝cv．GaussianBlur（img， （7，7）， 0）
img＿canny2＝cv．Canny（filter＿img，50， 200）
myplot（［img， img＿canny1， img＿canny2］，
［＇Original Image＇， ＇Canny Edge Detector（Without Smoothing）＇， ＇Canny Edge Detector（With Smoothing）＇］）
这里我们使用 Canny 边缘检测器，它是一种边缘检测算子，它使用多阶段算法来检测图像中的各种边缘。它由 John F． Canny 于 1986 年开发。我不会详细介绍 Canny 的工作原理，但这里的关键点是它用于提取边缘。
在使用 Canny 边缘检测方法检测边缘之前，我们平滑图像以去除噪声。正如你从图像中看到的，平滑后我们得到清晰的边缘。
轮廓
img＝cv．imread（＇．．／input／images－for－computer－vision／simple＿shapes．png＇）
img＿copy＝img．copy（）
img＿gray＝cv．cvtColor（img，cv．COLOR＿BGR2GRAY）
＿，img＿binary＝cv．threshold（img＿gray，50，200，cv．THRESH＿BINARY）
＃Edroing and Dilating for smooth contours
img＿binary＿erode＝cv．erode（img＿binary，（10，10）， iterations＝5）
img＿binary＿dilate＝cv．dilate（img＿binary，（10，10）， iterations＝5）
contours，hierarchy＝cv．findContours（img＿binary，cv．RETR＿TREE， cv．CHAIN＿APPROX＿SIMPLE）
cv．drawContours（img， contours，－1，（0，0，255），3） ＃ Draws the contours on the original image just like draw function
myplot（［img＿copy， img］， ［＇Original Image＇， ＇Contours in the Image＇］）
侵蚀，使用用于探测和降低包含在图像中的形状的结构元素的侵蚀操作。
膨胀：将像素添加到图像中对象的边界，与侵蚀相反
Hull
simg＝cv．imread（＇．．／input／images－for－computer－vision／simple＿shapes．png＇，0）
＿，threshold＝cv．threshold（img，50，255，cv．THRESH＿BINARY）
contours，hierarchy＝cv．findContours（threshold，cv．RETR＿TREE， cv．CHAIN＿APPROX＿SIMPLE）
hulls＝［cv．convexHull（c） for c in contours］
img＿hull＝cv．drawContours（img， hulls，－1，（0，0，255），2） ＃Draws the contours on the original image just like draw function
plt．imshow（img）
总结
我们看到了如何读取和显示图像、在图像上绘制形状、文本、混合两个图像、旋转、缩放、平移等变换图像，使用高斯模糊、中值模糊、双边模糊过滤图像，以及检测使用 Canny 边缘检测和在图像中查找轮廓的特征。
原文标题 : 2022最新计算机视觉学习路线(入门篇)
