图像中的每个像素值都分成B(蓝)、G(绿)、R(红)三个基色分量，每个基色分量直接决定其基色的强度，这样产生的色彩称为真彩色。例如图像深度为24，用B:G:R=8:8:8来表示色彩，则R、G、B各占用8位来表示各自基色分量的强度，每个基色分量的强度等级为2^8=256种。图像可容纳2^24=16M种色彩(24位色)。24位色被称为真彩色，它可以达到人眼分辨的极限，发色数是1677万多色，也就是2的24次方。

灰度图像

每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度，像素0~255，越大越亮。

####waitkey()函数

cv2.waitkey(delay)，delay 的单位为ms毫秒，当 delay 取大于0的值时，程序在给定的 delay 时间内等待用户按键触发，如果用户没有按下键，则继续等待下一个delay时间(循环)，直到用户按键触发，退出程序。若设置delay为0，则表示必须点击窗口界面的×才能关闭程序。若设置delay的值小于0，等待键盘按键，任何一个按键都会关闭程序，默认参数为小于0（我电脑上打印出来是-1）。 ———————————————— 版权声明：本文为CSDN博主「楊建业」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：opencv中cv2.waitkey()参数详解_csdn_bajie-CSDN博客_cv2.waitkey(0)

代码

'''_read_and_display.py

import cv2
img=cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
print(type(img))
print(img.shape)
'''
cv2.imshow('image',img)
k = cv2.waitKey(0)print(k)
'''
cv2.imwrite('img_gray.jpg',img)
print('yes')

常数用大写表示：cv2.IMREAD_GRAYSCALE == 0

（一开始imwrite函数不报错但却不能生成图片，然后康康学长说我的.py文件是在venv虚拟环境里的，所以跟视频里不一样，然后我点“项目”就突然好了。。。我不知道发生了啥。）

#02Canny边缘检测

边缘认定标准

cv2.Canny()函数，第一个参数是输入图像，第二、三个参数是minVal和maxVal

处在上、下阈值之间的为弱边缘，大于上阈值的为强边缘（我们认为它肯定是边缘），弱边缘中与强边缘相连的才视为真正的边缘：

如上图将c看作边缘，b为噪声。

选取四个梯度方向（实际上相当于八个方向，因为有正负）

代码

'''_edge_detect.py

import cv2
img = cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
edge_img=cv2.Canny(img,70,120)
cv2.imshow('edges',edge_img)
cv2.waitKey(0)

#03.roi_mask

·ROI ( region of interest , 感兴趣的区域 )

·数组切片

·布尔运算（与运算）

np.zeros_like(a) : 构建一个与a同维度的数组，并初始化为0.

fillPolly函数

fillPolly(img,ppt,npt,1,Scalar(255,255,255),lineType)

函数参数：

1.多边形将被画到img上

2.多边形的顶点集为ppt（注意点的顺序）

3.绘制的多边形顶点数目为npt

4.要绘制的多边形数量为1

5.多边形的颜色定义为Scarlar(255,255,255),即RGB的值为白色

注意：点构成的边界，要加中括号

颜色原理：

按位与：因为掩膜图片中ROI区域的白色部分，即255（二进制是11111111，故与此部分相与仍是原数，

但非ROI区域是黑色，即00000000，与全0相与那么就会变成0，即不感兴趣的部分就会变成黑色

numpy.array函数:

一个常见的错误包括用多个数值参数调用array而不是提供一个由数值组成的列表作为一个参数。

>>> a = array(1,2,3,4)    # WRONG

>>> a = array([1,2,3,4])  # RIGHT

数组将序列包含序列转化成二维的数组，序列包含序列包含序列转化成三维数组等等。

>>> b = array( [ (1.5,2,3), (4,5,6) ] )
>>> b
array([[ 1.5,  2. ,  3. ],
       [ 4. ,  5. ,  6. ]])

数组类型可以在创建时显示指定

>>> c = array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j,  2.+0.j],
       [ 3.+0.j,  4.+0.j]])

还有一篇讲得很详细：

numpy.array函数详解Android 小萌新的博客-CSDN博客np.array函数

bitwise_and函数

函数原型： bitwise_and(src1, src2, dst=None, mask=None)

参数说明： ·src1、src2：为输入图像或标量，标量可以为单个数值或一个四元组 · dst：可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同 ·mask：图像掩膜，可选参数，为8位单通道的灰度图像，用于指定要更改的输出图像数组的元素，即输出图像像素只有mask对应位置元素不为0的部分才输出，否则该位置像素的所有通道分量都设置为0

代码

'''roi_mask.py

import cv2
import numpy as np

edge_img =cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
mask = np.zeros_like(edge_img)
mask2 = cv2.fillPoly(mask,np.array([[[0,368],[280,210],[360,210],[640,368]]]),color=255)
masked_edge_img = cv2.bitwise_and(edge_img, mask2)

cv2.imshow('newmask',masked_edge_img)
cv2.waitKey(0)

#04霍夫变换

霍夫变换（其一：直角坐标-->极坐标找曲线交点

二值图像

二值图像（也可表示为黑白、B&W、单色图像）是每个像素只有两个可能值（0或225）的数字图像。但是也可以用来表示每个像素只有一个采样值的任何图像，例如灰度图像等。二值图像只能展示边缘信息。

cv2.line()

用于“画直线”

cv2.line(img, pt1, pt2, color[, thickness[, lineType[, shift]]]) → img

·img，背景图 ·pt1，直线起点坐标 ·pt2，直线终点坐标 ·color，当前绘画的颜色。如在BGR模式下，传递(255,0,0)表示蓝色画笔。灰度图下，只需要传递亮度值即可。 ·thickness，画笔的粗细，线宽。若是-1表示画封闭图像，如填充的圆。默认值是1. ·lineType，线条的类型，如8-connected类型、anti-aliased线条（反锯齿），默认情况下是8-connected样式ide，cv2.LINE_AA表示反锯齿线条，在曲线的时候视觉效果更佳。

注：pt1, pt2 必须要为元组（tuple）形式，不能为列表

cv2.HoughLinesP()

lines = cv2.HoughLinesP(image, rho, theta, threshold, minLineLength, maxLineGap)

● image 是输入图像，即源图像，必须为 8 位的单通道二值图像。对于其他类型的图像，在进行霍夫变换之前，需要将其修改为这个指定的格式。

● rho 为以像素为单位的距离 r 的精度。一般情况下，使用的精度是 1。(值越大，考虑越多的线.)

● theta 是角度 θ 的精度。一般情况下，使用的精度是 np.pi/180，表示搜索所有可能的角度。

● threshold 是阈值。该值越小，判定出的直线越多；值越大，判定出的直线就越少。

【识别直线时，要判定有多少个点位于该直线上。在判定直线是否存在时，对直线所穿过的点的数量进行评估，如果直线所穿过的点的数量小于阈值，则认为这些点恰好（偶然）在算法上构成直线，但是在源图像中该直线并不存在；如果大于阈值，则认为直线存在】

● minLineLength 用来控制「接受直线的最小长度」的值，默认值为 0。

● maxLineGap 用来控制接受共线线段之间的最小间隔，即在一条线中两点的最大间隔。

如果两点间的间隔超过了参数 maxLineGap 的值，就认为这两点不在一条线上。默认值为 0。

● 返回值：x1,y1,x2,y2.

[ np.array ( [ [x1, y1, x2, y2] ]),

np.array ( [ [x1, y1, x2, y2] ]),

...,

np.array ( [ [x1, y1, x2, y2] ]) ]

代码

’‘’

import cv2
import numpy as np
def calculate_slope(line):
    '''    功能：计算线段line的斜率
    :param line: np.arry([[x1,y1,x2,y2]])
    :return:
    '''
    x1,y1,x2,y2=line[0]
    return (y1-y2)/(x1-x2)
def reject_abnormal_lines(lines,threshold):
    '''    剔除斜率离群的线段
    :param lines: 线段集合，[np.array([[x1, y1, x2, y2]]),...]
    :param threshold: 允许最小误差
    :return:斜率在误差内一致的线段
    '''
    slopes = [calculate_slope(line)for line in lines]
    while len(lines) > 0:
        mean = np.mean(slopes)
        diff = [abs(s - mean)for s in slopes]
        idx = np.argmax(diff)
        if diff[idx] > threshold:
            slopes.pop(idx)
            lines.pop(idx)
            else:
                break
                return lines
            edge_img=cv2.imread('masked_edge.jpg',cv2.IMREAD_GRAYSCALE)
            lines = cv2.HoughLinesP(edge_img,1,np.pi/180,15, minLineLength=40,maxLineGap=20)
            left_lines = [line for line in lines if calculate_slope(line)>0]
            right_lines = [line for line in lines if calculate_slope(line)<0]
    print(len(lines))
    print(len(left_lines))
    print(len(right_lines))
    reject_abnormal_lines(left_lines,0.07)
    reject_abnormal_lines(right_lines,0.07)
    print(len(left_lines))
    print(len(right_lines))

#05离群值过滤

show me the code!

'''

import cv2
import numpy as np
def calculate_slope(line):    
    '''    功能：计算线段line的斜率
    :param line: np.arry([[x1,y1,x2,y2]])
    :return:
    '''
    x1,y1,x2,y2=line[0]
    return (y1-y2)/(x1-x2)
def reject_abnormal_lines(lines,threshold):
    '''    剔除斜率离群的线段
    :param lines: 线段集合，[np.array([[x1, y1, x2, y2]]),...]
    :param threshold: 允许最小误差
    :return:斜率在误差内一致的线段
    '''
    slopes = [calculate_slope(line)for line in lines]
    while len(lines) > 0:
        mean = np.mean(slopes)  #求平均斜率
        diff = [abs(s - mean)for s in slopes]
        idx = np.argmax(diff)   #最大差的斜率元素下标
        if diff[idx] > threshold:
            slopes.pop(idx)
            lines.pop(idx)
        else:
            break
    return lines
edge_img=cv2.imread('masked_edge.jpg',cv2.IMREAD_GRAYSCALE)
lines = cv2.HoughLinesP(edge_img,1,np.pi/180,15, minLineLength=40,maxLineGap=20)
#注意此处斜率跟我们平时的相反
left_lines = [line for line in lines if calculate_slope(line)<0]  
right_lines = [line for line in lines if calculate_slope(line)>0]
print(len(lines))
print(len(left_lines))
print(len(right_lines))
reject_abnormal_lines(left_lines,0.07)
reject_abnormal_lines(right_lines,0.07)
print(len(left_lines))
print(len(right_lines))

#06最小二乘拟合

polyfit()和polyval()

polyval是求值函数

polyfit是曲线拟合函数，主要用于多项式曲线拟合

p = polyfit(x, y, m)

其中 x, y 为已知数据点向量的横纵坐标，m为拟合多项式的次数,结果返回m次拟合多项式系数，从高到低次存放在向量p中。

y_0 = polyval(p, x_0)

可求得多项式在x_0处的值为y_0

如：输入

p = [4 2 1]

x = [5 6 7]

polyval(p, x)

可以得到多项式p(x)= 4 * x^2+2*x+1在x=[5 6 7]的值

np.ravel()

将多维数组降为一维。

代码片段

‘’‘

def least_squares_fit(lines):
"""
	将lines中的线段拟合成一条线段
	:param lines: 线段集合, [np.array([[x_1, y_1, x_2, y_2]]),np.array([[x_1, y_1, x_2, y_2]]),...,np.array([[x_1, y_1, x_2, y_2]])]
    :return: 线段上的两点,np.array([[xmin, ymin], [xmax, ymax]])
"""    
	# 1. 取出所有坐标点
    x_coords = np.ravel([[line[0][0], line[0][2]] for line in lines])
    y_coords = np.ravel([[line[0][1], line[0][3]] for line in lines])
    # 2. 进行直线拟合.得到多项式系数
    poly = np.polyfit(x_coords, y_coords, deg=1)
    # 3. 根据多项式系数,计算两个直线上的点,用于唯一确定这条直线
    point_min = (np.min(x_coords), np.polyval(poly, np.min(x_coords)))
    point_max = (np.max(x_coords), np.polyval(poly, np.max(x_coords)))
    return np.array([point_min, point_max], dtype=np.int)
print("left lane")
print(least_squares_fit(left_lines))
print("right lane")
print(least_squares_fit(right_lines))

#07画直线

plus:（画直线问题之种种）函数见cv2.line()

1.因为左上角是原点，所以k>0是从左上往右下走的，这个k和我们平时的是反的。

2.关于直线颜色，cv2.imread()读进来的是BGR格式的，不是我们最常见的RGB格式，即（255,0,0）是蓝色不是红色。

#08视频流读写

通过不断循环读取视频的每一帧

一、基础函数

#1.cap = cv2.VideoCapture()

VideoCapture()中参数是0，表示打开笔记本的内置摄像头，参数是视频文件路径则打开视频，

#2.ret,frame = cap.read()

cap.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。frame就是每一帧的图像，是个三维矩阵。

#3.cv2.resize()

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst 参数说明：

src ：需要改变尺寸的图像 dsize：目标图像大小 dst：目标图像 fx：w方向上的缩放比例 fy：h方向上的缩放比例 interpolation - 插值方法。共有5种（此处略）。

有三点需要注意：

1.dsize的形状是(w,h)，而opencv读取出来的图像的形状是(h,w) 2.当参数dsize不为0时，dst的大小为dsize；否则，由src的大小以及缩放比例fx和fy来决定；可以看出dsize和(fx,fy)两者不能同时为0 3.因为dsize是没有默认值的，所以必须指定，也即我们使用fx和fy来控制大小的时候必须设置dsize=(0,0)