（1）图像的读取操作
cv2.imread(文件名，标记)
功能：给定文件名和读入方式，读入一幅图像
返回值：numpy数组，类型为ndarray的2维或3维数组
文件名：图像全名，包括后缀名
标记：
cv2.IMREAD_COLOR或1：读入一幅彩色图像。透明度会被忽略，是默认值
cv2.IMREAD_GRAYSCALE或0：以灰度模式读入图像
cv2.IMREAD_UNCHANGED或-1：读入一幅图像，并且包括图像的alpha通道
（2）图像的显示
cv2.imshow(窗口标题，图像数组)
功能：在给定标题的窗口中显示图像
参数：
窗口标题，字符串，不同窗口标题不能相同
图像数组，ndarray类型的2维或3维数组
（3）图像通道分离
x1, x2, … = cv2.split(图像数组)
参数：需要分离的图像数组，类型为ndarray
返回值：各通道分量
（4）颜色模型转换
cv2.cvtColor(图像数组，标记)
参数
图像数组，ndarray类型的数组，为要转换的图像输入
标记，指定要转换的目标图像颜色模型，支持RGB，HSV，YUV，YCbCr，GRAY等10余种常用颜色类型互转。标记通用式为：cv2.COLOR_[源颜色模型]2[目标颜色模型]
（5）图像代数计算
相加
cv2.add(src1, src2, dst=None, mask=None, dtype=None)
参数：
src1和scr2分别是要相加的图像，必须大小一致
dst为相加后的图像，一般为None，以返回值方式输出
mask为图像掩膜，是8位单通道灰度图，限制输出图像只保留掩膜图中的非0部分，默认为None
dtype为输出图像数组的深度，即图像单个像素值的位数，默认为None，表示与源图像保持一致
返回值：相加后的图像
相减
cv2.subtract(src1, src2, dst=None, mask=None, dtype=None)，参数含义与add相同
相乘
cv2.multiply(src1, src2, dst=None, mask=None, dtype=None)，参数含义与add相同
相除
cv2.divide(src1, src2, dst=None, mask=None, dtype=None)，参数含义与add相同
（6）图像逻辑运算
与运算
cv2.bitwise_and(src1, src2, dst=None, mask=None)，参数含义与add相同
或运算
cv2.bitwise_or(src1, src2, dst=None, mask=None)，参数含义与bitwise_and相同
非运算
cv2.bitwise_not(src, dst=None, mask=None)，参数含义与bitwise_and相同
异或运算
cv2.bitwise_xor(src1, src2, dst=None, mask=None)，参数含义与bitwise_and相同
（7）图像几何运算
几何变换
cv2.warpAffine(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)
参数：
src - 输入图像
M - 变换矩阵，为2×3的矩阵
dsize - 输出图像的大小，表示方式是（Weight, Height），转换为图像坐标即（列，行）
flags - 插值方法，在当转换后的坐标非整型时需要
cv2.INTER_LINEAR，线性插值，默认
cv2.INTER_NEAREST，最近邻插值
cv2.INTER_AREA，区域插值
cv2.INTER_CUBIC，三次样条插值
cv2.INTER_LANCZOS4，Lanczos插值
borderMode - 边界像素模式
cv2.BORDER_CONSTANT，添加有颜色的常数值边界，颜色由boderValue指定
cv2.BORDER_REFLECT，边界元素的镜像
cv2.BORDER_REPLICATE，重复最后一个元素
cv2.BORDER_WRAP，图像叠加
borderValue – 当边界模式为CONSTANT时，该参数指定颜色值（BGR模型）
获取旋转变换矩阵
cv2.getRotationMatrix2D(center, angle, scale)
参数
center，旋转中心，以（列坐标，行坐标）方式表示
angle，旋转角度，单位为度，正值为逆时针，负值为顺时针
scale，缩放因子
返回值：2×3的旋转变换矩阵
缩放函数
cv2.resize(src, dsize, dst=None, fx=None, fy=None, interpolation=None)
参数：
src – 输入图像
dsize – 输出图像大小，缩放因子可自动根据输出图像大小计算
dst – 输出图像，一般为None，通过返回值输出
fx和fy – 水平方向和垂直方向缩放比例，当dsize设为None时，图像按该参数进行缩放。若设置了dsize，则该两参数无效
interpolation – 插值方式，取值与warpAffine中的flags相同，可取cv2.INTER_LINEAR，cv2.INTER_NEAREST，cv2.INTER_CUBIC等
模板运算
cv2.filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None)
参数
src – 输入图像
ddepth – 目标图像深度，一般为-1，表示 与原图像相同
kernel – 模板矩阵，float32类型
dst – 输出图像，一般不用
anchor – 模板的锚点，即模板移动的基准点，默认为(-1, -1)表示 模板中心
delta – 像素值偏移量，用于补偿像素值，一般不用
borderType – 边界填充方式，与borderMode相同
（8）线性灰度增强
cv2.convertScaleAbs(src, dst=None, alpha=None, beta=None)
参数
src – 输入图像
dst – 输出图像，一般通过返回值输出
alpha – 乘数因子，设为None时，相当于值为1
beta – 偏移量，设为None时，相当于值为0
（9）直方图生成
cv2.calHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None)
参数：
images – 输入图像，传入函数时要用中括号[]括起来
channels – 要获取的通道，灰度图为0，彩色图时0，1，2分别对应B，G，R，需要用中括号括起
mask – 掩模图像，指定要进行直方图统计的区域。为None时表示整幅图像
histSize – 直方图灰度级，一般为2的幂次方，需要用中括号括起
ranges – 要统计的像素值范围，[min, max]，一般为[0, 256]
hist – 输出的直方图，通常以返回值输出
accumulate – 直方图是否叠加，在实现多幅图像统计为一个直方图中使用。默认为None，即false，表示不叠加；设为true时表示多幅图像的直方图叠加
返回值：为一个histSize*1的二维数组，每一行只有一个元素，表示当前索引灰度值出现的频数
np.histogram(a, bins=10, range=None, weights=None, density=None)
参数：
a – 输入数据，为一维数组，因此若对图像进行统计，要先通过raval函数将图像展开为一维数据，不需要用中括号括住
bins – 灰度级数，与cv2.calHist中的histSize相同，但不需要用中括号括住，默认为10
range – 要统计成直方图的灰度值范围，与cv2.calHist中的range相同
weights – 每个元素的权值，统计时可根据权值进行加权求和。默认为None，表示所有元素权值为1
density – 返回值类型，为true时，返回概率密度；为false或None时，返回元素出现次数
返回值：2维tuple结构，第一维大小与bins一致，为各灰度值出现概率或次数；第二维大小为bins+1，为灰度索引。多一个元素是因为多了一个255-255.9的区间，实际上没有意义
（10）直方图绘制
Matplotlib.pyplot.plot(x, y, format_string)
参数：
x – x轴数据，列表或数组。可省略
y – y轴数据，当只有一组数据时，该数据视为y
format_string – 格式描述，描述颜色，标记和线型。可直接用取值字符组合，或通过color，marker和linestyle三个参数分别指定
color颜色取值：’b’, ‘g’, ‘r’, ‘c’, ‘m’, ‘y’, ‘k’, ‘w’, ‘#*****’
linestyle线型取值：’-’, ‘—’, ‘-.’, ‘:’, ‘’ ‘’
marker标记取值：’.’, ‘o’, ‘+’, ‘’, ‘d’, ‘s’……
Matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, align=‘center’)
参数：
x – x轴数据，列表或数组。不可省略
height – 条的高度，即要显示的数据
width – 条的宽度，默认为0.8
bottom – 条底部的y坐标，默认为None，即在0的位置
align – 条的对齐方式
‘center’ – 默认值，表示条的底部中心在x值上
‘edge’ – 若width为正数，条的底部左边缘在x值上；若width为负数，则条的底部右边缘在x值上
（11）直方图均衡化
cv2.equalizeHist(src, dst=None)
参数：
src – 输入图像，为灰度图像；彩色图像需要分通道分别均衡
dst – 均衡化后的图像，一般通过返回值输出
返回值：均衡化后的图像
（12）均值滤波
cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)
参数
src – 输入图像
ksize – 模板大小，格式为(行数，列数)
anchor和borderType与cv2.filter2D相同
（13）中值滤波
cv2.medianBlur(src, ksize, dst=None)
参数：
src – 输入图像
ksize – 模板大小，为整型。中值滤波模板固定为方阵
dst – 输出图像，一般通过返回值输出
返回值：中值滤波后的图像
（14）高斯滤波
cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
参数：
src – 输入图像
ksize – 变换核大小，格式为(行，列)，必须是正奇数。设置为0时，大小由sigma决定
sigmaX – X方向上的高斯核标准差
sigmaY – Y方向上的高斯核标准差；如果设为None或0，则其值与sigmaX相同
dst和borderType与cv2.Blur相同
返回值：高斯滤波后的图像
（15）双边滤波
cv2.biliteralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
参数：
src – 输入图像，必须为8位灰度图像
d – 变换核窗口大小
sigmaColor – 灰度值滤波器sigma值，即sr
sigmaSpace – 位置滤波器sigma值，即ss
dst和borderType与其它滤波函数相同
返回值：双边滤波后的图像
（16）Sobel算子
cv2.Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
参数
src – 输入图像
ddepth – 输出图像的深度，设为-1时表示与原图像相同
dx, dy – 当dx=1且dy=0时求x方向的一阶导数；当dx=0且dy=1时求y方向的一阶导数
ksize – Sobel算子大小，必须为1，3，5或7。设为None时默认为3
scale – 梯度值放大比例系数，设为None时默认为1
delta – 输出图像的偏移修正值，设为None时默认为0
dst和borderType与其它函数含义相同
返回值：梯度图像，需要灰度拉伸才能正常显示
（17）拉普拉斯算子
cv2.Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None)
所有参数含义与cv2.Sobel相同
返回值：边缘图像，需要灰度拉伸
（18）Canny算子
cv2.Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)
参数
image – 输入图像（必须为8位灰度图像）
threshold1, threshold2 – 最小和最大灰度阈值
如果当前梯度值大于给定的threshold2 ，判断为边界；
如果当前梯度值小于threshold1则舍弃；
如果当前梯度值在给定的最大值和最小值之间，如果其周围的点是边界点，那么当前点保留，否者舍弃
edges – 输出图像， 一般通过返回值输出
apertureSize – Sobel算子大小，设为None时取默认值3
L2gradient – 计算梯度范式。设为True时采用L2范式（平方和开方），设为False时采用L1范式（绝对值之和）。默认为False
（19）结构元素获取
cv2.getStructuringElement(shape, ksize, anchor=None)
参数：
shape – 结构元素形状，有三种可取值
cv2.MORPH_RECT：矩形结构
cv2.MORPH_ELLIPSE：椭圆结构（当ksize的行列相同，即为圆形结构）
cv2.MORPH_CROSS：十字形结构
ksize – 结构元素大小，格式为（列，行）或（x, y）
anchor – 参考点位置，即进行形态学处理里的基准点位置，设为None表示取默认值(-1, -1)，即结构元素中心位置
返回值：ksize的二值二维数组
（20）二值膨胀
cv2.dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
参数
src – 输入图像
kernel – 结构元素，为二维数组
iterations – 重复做膨胀次数，默认为None，表示只做1次
其它参数与之前函数参数含义一致
返回值：膨胀后的图像
（21）二值腐蚀
cv2.erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
参数与返回值含义与cv2.dilate相同
（22）开闭运算
cv2. morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
参数：
op – 运算方式
cv2.MORPH_OPEN，表示开运算；
cv2.MORPH_CLOSE，表示闭运算；
其它参数与cv2.erode相同
返回值：开/闭运算后的图像
（23）形态学处理
cv2. morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
参数：
op – 运算方式
cv2.HITMISS，表示目标探测；kernel要注意合并S1和S2
cv2.MORPH_GRADIENT，表示形态学梯度
cv2.MORPH_TOPHAT，表示Top-Hat处理
cv2.MORPH_BLACKHAT，表示Buttom-Hat处理
（24）Harris角度检测
cv2.cornerHarris(img, blockSize, ksize, k)
参数
img – 输入图像
blockSize – 窗口大小，为一个正整数，即求取角点的局部区域大小，固定为正方形区域
ksize – Sobel算子的窗口大小（因为计算过程中需要获得一阶导数），为一个正整数
k – 经验系数，取0.04到0.06之间的实数
返回值：R值数组，可通过阈值化获取角点位置
（25）SIFT关键点检测
cv2.SIFT_create(nfeatures=None, nOctaveLayers=None, contrastThreshold=None, edgeThreshold=None, sigma=None)
参数：
nfeatures – 特征点个数，默认根据评价分数计算得到
nOctaveLayers – 高斯金字塔尺度层数，默认根据图像分辨率计算
contrastThrshold – 用于过滤低对比度区域特征，值越大，特征数量越少
edgeThreshold – 用于边缘消除时判断是否边缘的基准，值越大，特征数越多
sigma – 用于高斯金字塔最底层的高斯滤波器s参数，默认为1.6
detect(image, mask)
参数
image – 输入图像
mask – 掩膜图像，必须为8位整型数组
（26）ORB关键点
cv2.ORB_create(nfeatures=None, scaleFactor=None, nlevels=None, edgeThreshold=None, firstLevel=None, WTA_K=None, scoreType=None, patchSize=None, fastThreshold=None)
参数：
nfeatures – 保留特征的最大数目，默认为500
scoreType – 衡量特征的方法，默认为Harris角点方式，可更改为FAST方法
WTA_K – 用于产生BRIEF描述子的采样点数，转为为2，可设为3或4
（27）直线检测
cv2.houghLines(image, rho, theta, threshold, lines=None, srn=None, stn=None, min_theta=None, max_theta=None)
参数
image – 8位的单通道输入图像，一般为二值图，即边缘提取后的图像
rho – r的刻度，以像素为单位。值越小，分辨率越大。一般置为1
theta – q 的刻度，以弧度为单位，描述q 的分辨率。一般置为p/180
threshold – 票数阈值，即参数空间中投票数阈值。大于该阈值的位置被认为存在直线。取值视图像大小或直线多少而定
lines – 输出直线信息，一般通过返回值输出
srn和stn – 分别是r和q的缩放因子，一般用于多尺度Hough变换。同时设为0表示不考虑缩放情况
min_theta和max_theta – 检测直线的最小和最大旋转角。min_theta默认为0，max_theta默认为p
返回值：
检测得到的直线向量，大小为N12。其中，N表示检测到的直线数目，最后的2表示二维向量(r, q ) 。r表示直线径向距离；q表示直线径向角，以弧度为单位。特别地， q为0表示垂直线，为p/2时表示水平线
（28）直线段检测
cv2.houghLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None)
参数：
image, rho, theta, threshold和line的含义与houghLines一致
minLineLength – 最小线段长度，小于该长度的线段被忽略，默认为0
maxLineGap – 最大线段断开长度，小于该长度的断开会被边上，默认为0
返回值：
为N14的矩阵，其中N表示直线段条数；4表示(x1, y1, x2, y2)，即直线段两端点坐标
（29）圆形检测
cv2.HoughCircles(image, method, dp, minDist=None, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)
参数
param1 – Canny算子的最大阈值，相当于cv2.Canny函数中的threshold2参数；而Canny算子的最小阈值threshold1被定为param1/2。默认为100
param2 – 累加器阈值，与houghLine中的threshold相同，决定被定为圆形的票数下限。默认为100
minRadius – 圆形最小半径。默认为0，即检测所有可能的圆形
maxRadius – 圆形最大半径。默认为0，与minRadius形成半径范围
返回值
circles – 检测到的圆形，大小为1n3。其中，n为圆形个数；3分别为圆心坐标(x, y)和半径r
（30）共生矩阵生成
feature.graycomatrix(image, distances, angles, levels=None, symmetric=False, normed=False)
参数
image – 输入图像，一般为灰度图
distances – 像素对的距离，欧氏距离，要用中括号
angles – 像素对的方向，以弧度为单位，顺时针为正，要用中括号
levels – 灰度级
symmetric – 是否实现对称统计，即同时统计(i, j)和(j, i)。默认为False
normed – 是否归一化，默认为False
返回值：4维列表(i, j, d, theta)，其中(i, j)表示(f1, f2)；d和theta即分别是distances和angles的长度
（31）基于共生矩阵的统计量
feature.graycoprops(P, prop='contrast’)
参数
P – 表示输入的灰度共生矩阵，格式与feature.graycomatrix的返回值一致
prop – 要计算的统计值，可取值如下：
constrast – 对比度，默认值
dissimilarity – 相异性
homogeneity – 倒数差分矩
ASM – 角二阶矩
energy – ASM的开方
correlation – 相关系数
（31）图像阈值化
cv2.threshold(src, threshold, maxval, type, dst=None)
参数：
src – 输入图像
threshold – 阈值，像素被划分为小于和大于threshold的两部分
maxval – 大于threshold的像素被置为maxval
type – 阈值化方式，有五种取值方式
cv2.THRESH_BINARY：小于threshold的像素为0， 大于为maxval
cv2.THRESH_BINARY_INV：小于threshold的像素为maxval ， 大于为0
cv2.THRESH_TRUNC：小于threshold像素不变，大于threshold被设为threshold
cv2.THRESH_TOZERO：小于threshold像素不变，大于threshold被设为0
cv2.THRESH_TOZERO_INV：大于threshold像素不变，小于threshold被设为0
cv2_THESH_OTSU：实现基于OTSU阈值选取的二值化
返回值：
ret – 阈值，与threshold相同
img – 二值化后的图像，类型和大小与输入图像相同
（32）其它函数
用numpy生成矩阵
numpy.array([矩阵内容])
矩阵拼接
numpy.hstack([matrix1, matrix2, …])：水平方向堆叠矩阵，要求矩阵行数相同；
numpy.vstack([matrix1, matrix2, …])：垂直方向堆叠矩阵，要求矩阵列数相同；
numpy.dstack([matrix1, matrix2, …])：深度方向堆叠矩阵，要求矩阵行列相同。
