一、OpenCV简介与图像读写基础
1. OpenCV是什么？
OpenCV 是一个强大的计算机视觉库，广泛用于图像和视频处理。它支持多种编程语言，Python 版本尤其受欢迎！通过 OpenCV，你可以轻松实现图像识别、处理等任务。
2. 图像读取与显示
用 OpenCV 读取和显示图像非常简单！只需要几行代码就能加载并展示一张图片。来看个例子：
复制import cv2
# 读取图像
image = cv2.imread('example.jpg')
# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0) # 按任意键关闭窗口
cv2.destroyAllWindows()这段代码中，cv2.imread() 用来加载图像，cv2.imshow() 用来显示图像。是不是超简单？
3. 图像保存
除了读取和显示，你还可以用 OpenCV 保存处理后的图像：
复制# 保存图像
cv2.imwrite('output.jpg', image)运行后，处理过的图像会被保存为 output.jpg 文件。
以上就是 OpenCV 的基础操作啦！接下来，我们会逐步深入学习更多有趣的算法哦！
二、灰度转换与图像显示
1. 灰度转换的意义
灰度图像是将彩色图像中的每个像素值从 RGB 三通道简化为单通道的亮度值。这样可以减少数据量，同时突出图像的重要特征，比如边缘和形状。
举个例子，如果你在处理一张风景照片，灰度化后可以更容易检测山峰或河流的轮廓！
复制import cv2
# 读取彩色图像
image = cv2.imread('example.jpg') # 加载图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为灰度图像
# 显示图像
cv2.imshow('Gray Image', gray_image) # 创建窗口显示灰度图像
cv2.waitKey(0) # 按任意键关闭窗口
cv2.destroyAllWindows()2. 图像显示的基本操作
上面代码中，cv2.imshow() 是用来显示图像的函数。通过 cv2.waitKey(0)，可以让窗口一直等待用户按键后再关闭。如果直接运行不加这行代码，窗口可能会瞬间消失哦！
试试把你的照片转成灰度图吧，是不是很酷？
三、高斯模糊与图像平滑处理
1. 高斯模糊的基本原理
高斯模糊是一种经典的图像平滑技术，通过卷积核对图像像素进行加权平均，减少噪声并使图像更柔和。简单来说，就是让每个像素点的值变成周围像素的“平均值”。比如，我们用OpenCV实现一个高斯模糊：
复制import cv2
# 读取图像
image = cv2.imread('example.jpg')
# 应用高斯模糊 (5x5 的卷积核)
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
# 显示结果
cv2.imshow('Original', image)
cv2.imshow('Blurred', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()这段代码中，cv2.GaussianBlur 是核心函数，(5, 5) 表示卷积核大小，0 是标准差。运行后你会看到原图和模糊后的对比效果！
2. 图像平滑的实际应用
高斯模糊常用于预处理阶段，比如在边缘检测前去除噪声。它能保留更多细节，同时平滑图像。试着调整卷积核大小 (5, 5)，看看效果如何变化吧！
四、边缘检测之Canny算法
1. Canny算法简介
Canny算法是图像处理中经典的边缘检测方法，它能帮助我们从图片中提取清晰的边界信息。简单来说，Canny算法通过高斯模糊、梯度计算和非极大值抑制等步骤，最终生成精准的边缘图。
比如，你想从一张照片中找到物体的轮廓，Canny算法就是个好帮手！下面用代码演示一下：
复制import cv2
# 读取图像并转换为灰度图
image = cv2.imread('example.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 使用Canny算法检测边缘
edges = cv2.Canny(gray, threshold1=50, threshold2=150)
# 显示结果
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()2. 代码解析
cv2.Canny() 是核心函数，threshold1 和 threshold2 控制边缘检测的敏感度。
运行后，你会看到一张黑白图，白色部分表示检测到的边缘。
Canny算法在许多场景中都非常实用，比如车牌识别或物体分割！
五、图像阈值处理基础
1. 简单阈值处理
图像阈值处理是将灰度图像转换为二值图像的一种方法。简单来说，就是根据设定的阈值，将像素分为“黑”或“白”。例如，阈值设为127，像素值大于127的变为白色（255），小于等于127的变为黑色（0）。代码如下：
复制import cv2
# 读取灰度图像
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 阈值处理
_, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('Binary Image', binary_img)
cv2.waitKey(0)
cv2.destroyAllWindows()这段代码将一张灰度图转为二值图，非常直观！
2. 自适应阈值处理
有时候全局阈值无法满足需求，这时可以用自适应阈值处理。它会根据图像的小区域自动计算阈值，适合光照不均的情况。看例子：
复制adaptive_img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
cv2.imshow('Adaptive Threshold', adaptive_img)
cv2.waitKey(0)
cv2.destroyAllWindows()这里用了cv2.ADAPTIVE_THRESH_MEAN_C方法，块大小设为11，常量C设为2。这样能更好地处理复杂场景！
六、轮廓检测与分析
1. 什么是轮廓检测
轮廓检测是图像处理中的一个重要步骤，用于提取图像中物体的边界。简单来说，轮廓就是将具有相同颜色或灰度值的连续点连接起来形成的曲线。比如，我们可以用轮廓检测来找到一张图片中的物体形状。
复制import cv2
import numpy as np
# 加载图像并转为灰度图
image = cv2.imread('example.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 使用Canny边缘检测
edges = cv2.Canny(gray, 50, 150)
# 查找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
output = image.copy()
cv2.drawContours(output, contours, -1, (0, 255, 0), 2)
# 显示结果
cv2.imshow("Contours", output)
cv2.waitKey(0)
cv2.destroyAllWindows()代码解释：这段代码首先加载了一张图片，并将其转换为灰度图。接着使用Canny算法检测边缘，然后通过cv2.findContours函数找到所有轮廓。最后，用cv2.drawContours将这些轮廓绘制在原图上。运行后，你会看到图像中物体的边界被清晰地标记出来了！
七、直方图计算与均衡化
1. 直方图计算基础
直方图是统计图像像素分布的一种工具，能帮助我们分析图像的亮度信息。用 OpenCV 的 cv2.calcHist() 函数可以轻松计算直方图。比如，下面代码计算灰度图像的直方图：
复制import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像并转为灰度图
img = cv2.imread('image.jpg', 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
# 绘制直方图
plt.plot(hist)
plt.show()这段代码会生成一个直方图，展示图像中每个灰度值的像素数量。
2. 直方图均衡化提升对比度
如果图像对比度较低，可以用直方图均衡化来改善。OpenCV 提供了 cv2.equalizeHist() 方法。试试这个例子：
复制# 对灰度图像进行均衡化
equ = cv2.equalizeHist(img)
cv2.imshow('Equalized Image', equ)
cv2.waitKey(0)
cv2.destroyAllWindows()均衡化后，图像的亮度分布更均匀，细节更清晰！
通过这两个小技巧，你可以快速掌握直方图的基本应用啦！
八、Harris角点检测算法
Harris角点检测是图像识别中非常重要的技术，它能帮助我们找到图像中的关键点。这些点在不同视角下依然稳定，非常适合匹配和定位任务。
1. Harris角点检测原理
Harris算法通过计算窗口内像素的灰度变化来判断某个点是否为角点。如果一个点在各个方向上都有显著的灰度变化，那它就是角点！简单来说，角点是“特别显眼”的地方。
来看一个例子：
复制import cv2
import numpy as np
# 读取图像并转换为灰度图
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用Harris角点检测
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
# 高亮角点
img[dst > 0.01 * dst.max()] = [0, 0, 255]
# 显示结果
cv2.imshow('Harris Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()2. 代码解析
- cv2.cornerHarris 是核心函数，用来检测角点。
- 参数 blockSize 定义了计算协方差矩阵时使用的窗口大小。
- 参数 ksize 是 Sobel 求导时的核大小。
- 最后，我们将检测到的角点用红色标记出来。
运行代码后，你会看到图像中所有角点都被高亮显示了！这个算法在物体识别、增强现实等领域非常有用哦！
九、FAST特征点检测算法
1. 什么是FAST特征点检测算法？
FAST（Features from Accelerated Segment Test）是一种快速检测图像中特征点的算法。它通过检查像素周围的邻域，判断是否为关键点。简单来说，如果一个像素比它周围的多个连续像素亮或暗，那它可能就是个特征点！
2. 使用OpenCV实现FAST检测
下面是一个简单的代码示例，展示如何用OpenCV实现FAST特征点检测：
复制import cv2
import numpy as np
# 读取图像
image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 创建FAST检测器
fast = cv2.FastFeatureDetector_create()
# 检测特征点
keypoints = fast.detect(image, None)
# 绘制特征点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(255, 0, 0))
# 显示结果
cv2.imshow('FAST Features', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()3. 代码解析
- cv2.FastFeatureDetector_create() 创建了一个FAST检测器对象；
- detect() 方法用于检测图像中的特征点；
- drawKeypoints() 将检测到的特征点绘制在图像上；
- 最后用 imshow() 展示结果。
FAST算法速度快、效果好，非常适合初学者学习和应用！
十、实战案例：基于OpenCV的车牌识别
1. 使用Canny算法检测车牌边缘
车牌识别的第一步是找到车牌的位置。Canny算法可以帮助我们检测图像中的边缘。比如，通过调整阈值参数，可以突出显示车牌区域的边界！来看代码示例：
复制import cv2
# 加载图像并转换为灰度图
image = cv2.imread('car.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 使用Canny算法检测边缘
edges = cv2.Canny(gray, 50, 150)
cv2.imshow('Edges', edges)
cv2.waitKey(0)运行后，你会看到图像中清晰的边缘线条，这就是车牌的初步轮廓！
2. 轮廓检测提取车牌区域
接下来，用轮廓检测筛选出可能的车牌区域。结合面积和宽高比过滤不合理的轮廓：
复制contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
aspect_ratio = w / h
if 2 < aspect_ratio < 6 and cv2.contourArea(contour) > 500: # 筛选车牌区域
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.imshow('Plates', image)
cv2.waitKey(0)这段代码会框选出图像中的潜在车牌位置。
3. 字符分割与OCR识别
最后一步是将车牌字符分割并使用OCR（如Tesseract）进行识别：
复制import pytesseract
plate = gray[y:y+h, x:x+w] # 提取车牌区域
_, thresh = cv2.threshold(plate, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
text = pytesseract.image_to_string(thresh, config='--psm 7')
print("车牌号码:", text.strip())这样，我们就完成了从图片到车牌号的完整识别流程！
