## cv ```python module cv ``` cv模块提供了基础的图像处理函数，并在接口上兼容了opencv-python的API。 **使用注意：** - 图像描述使用`Var`变量，其属性为： - `data_format`为`NHWC` - `shape`是`[h, w, c]` - `dtype`是`uint8` - CV模块中的枚举类型直接用int实现，所以请使用`cv.COLOR_BGR2BGRA`，不要用`cv.ColorConversionCodes.COLOR_BGR2BGRA`* - 将`[h, w, c]`的图形转换为模型输入的`[n, c, h, w]`不要使用`transpose`；请使用`expr.convert`，示例如下： ```python import MNN.cv as cv import MNN.numpy as np import MNN.expr as expr # data_format: NHWC, shape: [360, 480, 3], dtype: uint8 img = imread('cat.jpg') # data_format: NHWC, shape: [360, 480, 3], dtype: float32 imgf = img.astype(np.float32) # data_format: NHWC, shape: [1, 360, 480, 3], dtype: float32 imgf_batch = np.expand_dims(imgf, 0) # data_format: NCHW, shape: [1, 360, 480, 3], dtype: float32 input_var = expr.convert(imgf_batch, expr.NCHW) ``` --- ### `cv Types` - [Var](Var.md) --- ### `cv.COLOR_*` 描述图像颜色空间转换函数`cvtColor`的转换方式 - 类型：`int` - 枚举值： - `COLOR_BGR2BGRA` - `COLOR_RGB2RGBA` - `COLOR_BGRA2BGR` - `COLOR_RGBA2RGB` - `COLOR_BGR2RGBA` - `COLOR_RGB2BGRA` - `COLOR_RGBA2BGR` - `COLOR_BGRA2RGB` - `COLOR_BGR2RGB` - `COLOR_RGB2BGR` - `COLOR_BGRA2RGBA` - `COLOR_RGBA2BGRA` - `COLOR_BGR2GRAY` - `COLOR_RGB2GRAY` - `COLOR_GRAY2BGR` - `COLOR_GRAY2RGB` - `COLOR_GRAY2BGRA` - `COLOR_GRAY2RGBA` - `COLOR_BGRA2GRAY` - `COLOR_RGBA2GRAY` - `COLOR_BGR2BGR565` - `COLOR_RGB2BGR565` - `COLOR_BGR5652BGR` - `COLOR_BGR5652RGB` - `COLOR_BGRA2BGR565` - `COLOR_RGBA2BGR565` - `COLOR_BGR5652BGRA` - `COLOR_BGR5652RGBA` - `COLOR_GRAY2BGR565` - `COLOR_BGR5652GRAY` - `COLOR_BGR2BGR555` - `COLOR_RGB2BGR555` - `COLOR_BGR5552BGR` - `COLOR_BGR5552RGB` - `COLOR_BGRA2BGR555` - `COLOR_RGBA2BGR555` - `COLOR_BGR5552BGRA` - `COLOR_BGR5552RGBA` - `COLOR_GRAY2BGR555` - `COLOR_BGR5552GRAY` - `COLOR_BGR2XYZ` - `COLOR_RGB2XYZ` - `COLOR_XYZ2BGR` - `COLOR_XYZ2RGB` - `COLOR_BGR2YCrCb` - `COLOR_RGB2YCrCb` - `COLOR_YCrCb2BGR` - `COLOR_YCrCb2RGB` - `COLOR_BGR2HSV` - `COLOR_RGB2HSV` - `COLOR_BGR2Lab` - `COLOR_RGB2Lab` - `COLOR_BGR2Luv` - `COLOR_RGB2Luv` - `COLOR_BGR2HLS` - `COLOR_RGB2HLS` - `COLOR_HSV2BGR` - `COLOR_HSV2RGB` - `COLOR_Lab2BGR` - `COLOR_Lab2RGB` - `COLOR_Luv2BGR` - `COLOR_Luv2RGB` - `COLOR_HLS2BGR` - `COLOR_HLS2RGB` - `COLOR_BGR2HSV_FULL` - `COLOR_RGB2HSV_FULL` - `COLOR_BGR2HLS_FULL` - `COLOR_RGB2HLS_FULL` - `COLOR_HSV2BGR_FULL` - `COLOR_HSV2RGB_FULL` - `COLOR_HLS2BGR_FULL` - `COLOR_HLS2RGB_FULL` - `COLOR_LBGR2Lab` - `COLOR_LRGB2Lab` - `COLOR_LBGR2Luv` - `COLOR_LRGB2Luv` - `COLOR_Lab2LBGR` - `COLOR_Lab2LRGB` - `COLOR_Luv2LBGR` - `COLOR_Luv2LRGB` - `COLOR_BGR2YUV` - `COLOR_RGB2YUV` - `COLOR_YUV2BGR` - `COLOR_YUV2RGB` - `COLOR_YUV2RGB_NV12` - `COLOR_YUV2BGR_NV12` - `COLOR_YUV2RGB_NV21` - `COLOR_YUV2BGR_NV21` - `COLOR_YUV420sp2RGB` - `COLOR_YUV420sp2BGR` - `COLOR_YUV2RGBA_NV12` - `COLOR_YUV2BGRA_NV12` - `COLOR_YUV2RGBA_NV21` - `COLOR_YUV2BGRA_NV21` - `COLOR_YUV420sp2RGBA` - `COLOR_YUV420sp2BGRA` - `COLOR_YUV2RGB_YV12` - `COLOR_YUV2BGR_YV12` - `COLOR_YUV2RGB_IYUV` - `COLOR_YUV2BGR_IYUV` - `COLOR_YUV2RGB_I420` - `COLOR_YUV2BGR_I420` - `COLOR_YUV420p2RGB` - `COLOR_YUV420p2BGR` - `COLOR_YUV2RGBA_YV12` - `COLOR_YUV2BGRA_YV12` - `COLOR_YUV2RGBA_IYUV` - `COLOR_YUV2BGRA_IYUV` - `COLOR_YUV2RGBA_I420` - `COLOR_YUV2BGRA_I420` - `COLOR_YUV420p2RGBA` - `COLOR_YUV420p2BGRA` - `COLOR_YUV2GRAY_420` - `COLOR_YUV2GRAY_NV21` - `COLOR_YUV2GRAY_NV12` - `COLOR_YUV2GRAY_YV12` - `COLOR_YUV2GRAY_IYUV` - `COLOR_YUV2GRAY_I420` - `COLOR_YUV420sp2GRAY` - `COLOR_YUV420p2GRAY` - `COLOR_YUV2RGB_UYVY` - `COLOR_YUV2BGR_UYVY` - `COLOR_YUV2RGB_Y422` - `COLOR_YUV2BGR_Y422` - `COLOR_YUV2RGB_UYNV` - `COLOR_YUV2BGR_UYNV` - `COLOR_YUV2RGBA_UYVY` - `COLOR_YUV2BGRA_UYVY` - `COLOR_YUV2RGBA_Y422` - `COLOR_YUV2BGRA_Y422` - `COLOR_YUV2RGBA_UYNV` - `COLOR_YUV2BGRA_UYNV` - `COLOR_YUV2RGB_YUY2` - `COLOR_YUV2BGR_YUY2` - `COLOR_YUV2RGB_YVYU` - `COLOR_YUV2BGR_YVYU` - `COLOR_YUV2RGB_YUYV` - `COLOR_YUV2BGR_YUYV` - `COLOR_YUV2RGB_YUNV` - `COLOR_YUV2BGR_YUNV` - `COLOR_YUV2RGBA_YUY2` - `COLOR_YUV2BGRA_YUY2` - `COLOR_YUV2RGBA_YVYU` - `COLOR_YUV2BGRA_YVYU` - `COLOR_YUV2RGBA_YUYV` - `COLOR_YUV2BGRA_YUYV` - `COLOR_YUV2RGBA_YUNV` - `COLOR_YUV2BGRA_YUNV` - `COLOR_YUV2GRAY_UYVY` - `COLOR_YUV2GRAY_YUY2` - `COLOR_YUV2GRAY_Y422` - `COLOR_YUV2GRAY_UYNV` - `COLOR_YUV2GRAY_YVYU` - `COLOR_YUV2GRAY_YUYV` - `COLOR_YUV2GRAY_YUNV` - `COLOR_RGBA2mRGBA` - `COLOR_mRGBA2RGBA` - `COLOR_RGB2YUV_I420` - `COLOR_BGR2YUV_I420` - `COLOR_RGB2YUV_IYUV` - `COLOR_BGR2YUV_IYUV` - `COLOR_RGBA2YUV_I420` - `COLOR_BGRA2YUV_I420` - `COLOR_RGBA2YUV_IYUV` - `COLOR_BGRA2YUV_IYUV` - `COLOR_RGB2YUV_YV12` - `COLOR_BGR2YUV_YV12` - `COLOR_RGBA2YUV_YV12` - `COLOR_BGRA2YUV_YV12` --- ### `cv.INTER_*` 描述图像形变函数`resize`,`warpAffine`,`warpPerspective`的插值方式 - 类型：`int` - 枚举值： - `INTER_NEAREST` - `INTER_LINEAR` - `INTER_CUBIC` - `INTER_AREA` - `INTER_LANCZOS4` - `INTER_LINEAR_EXACT` - `INTER_NEAREST_EXACT` - `WARP_FILL_OUTLIERS` - `WARP_INVERSE_MAP` --- ### `cv.BORDER_*` 描述图像形变函数`warpAffine`,`warpPerspective`的边界填充方式 - 类型：`int` - 枚举值： - `BORDER_CONSTANT` - `BORDER_REFLECT_101` - `BORDER_REFLECT` - `BORDER_REFLECT101` - `BORDER_DEFAULT` --- ### `cv.THRESH_*` 描述阈值函数`threshold`的阈值方式 - 类型：`int` - 枚举值： - `THRESH_BINARY` - `THRESH_BINARY_INV` - `THRESH_TRUNC` - `THRESH_TOZERO` - `THRESH_TOZERO_INV` - `THRESH_MASK` - `THRESH_OTSU` - `THRESH_TRIANGLE` --- ### `cv.RETR_*` 描述轮廓检测函数`findContours`的轮廓检索方式 - 类型：`int` - 枚举值： - `RETR_EXTERNAL` - `RETR_LIST` - `RETR_CCOMP` - `RETR_TREE` - `RETR_FLOODFILL` --- ### `cv.CHAIN_*` 描述轮廓检测函数`findContours`的轮廓逼近算法 - 类型：`int` - 枚举值： - `CHAIN_APPROX_NONE` - `CHAIN_APPROX_SIMPLE` - `CHAIN_APPROX_TC89_L1` - `CHAIN_APPROX_TC89_KCOS` --- ### `cv.LINE_*` 用在画图相关函数，如：`line`, `fillPoly`等，描述画线的类型 - 类型：`int` - `FILLED` - `LINE_4` - `LINE_8` - `LINE_AA` --- ### `cv.IMREAD_*` 用在图片读取函数`imread`的参数`flag`中，分别表示读取：uint8灰度图，uint8的bgr图，float32的bgr图 - 类型：`int` - `IMREAD_GRAYSCALE` - `IMREAD_COLOR` - `IMREAD_ANYDEPTH` --- ### `cv.ROTATE_*` 描述图像旋转函数`rotate`的旋转方式 - 类型：`int` - `ROTATE_90_CLOCKWISE` - `ROTATE_180` - `ROTATE_90_COUNTERCLOCKWISE` --- ### `cv.SOLVEPNP_*` 描述3d重建函数`solvePnP`的求解方法 - 类型：`int` - `SOLVEPNP_ITERATIVE` - `SOLVEPNP_SQPNP` --- ### `cv.DECOMP_*` 描述线性方程组求解函数`solve`的求解方法 - 类型：`int` - `DECOMP_LU` - `DECOMP_SVD` - `DECOMP_EIG` - `DECOMP_CHOLESKY` - `DECOMP_QR` - `DECOMP_NORMAL` --- ### `cv.NORM_*` 描述线归一化函数`normalize`的归一化方法 - 类型：`int` - `NORM_INF` - `NORM_L1` - `NORM_L2` - `NORM_MINMAX` --- ### `cv.ADAPTIVE_THRESH_*` 描述自适应阈值函数`adaptiveThreshold`的自适应方法 - 类型：`int` - `ADAPTIVE_THRESH_MEAN_C` - `ADAPTIVE_THRESH_GAUSSIAN_C` --- ### `copyTo(src, |mask, dst)` 将src复制并返回，如果mask不为空，则只拷贝mask为1的像素；如果dst不为空，则在mask为0时拷贝dst中对应的像素，参考：[copyTo](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga931a49489330f998452fc53e96e1719a) *注意：目前src仅支持int32类型数据，用户使用前后需要自行转换类型* 参数： - `src:Var` 源图像 - `mask:Var` 掩码图像，可选 - `dst:Var` mask为0时选择的图像，可选 返回：复制的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> h, w, _ = img.shape >>> zero = np.zeros((h//3, w), dtype=np.int32) >>> one = np.ones((h//3, w), dtype=np.int32) >>> mask = np.concatenate((one, zero, one), axis=0) >>> img = img.astype(np.int32) >>> copyTo = cv.copyTo(img, mask).astype(np.uint8) >>> cv.imwrite('copyTo.jpg', copyTo) True ``` ![copyTo.jpg](../_static/images/cv/copyTo.jpg) --- ### `bitwise_and(src1, src2, |dst, mask)` 对src1和src2执行按位与操作，并对结果按照执行copyTo返回，参考：[bitwise_and](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga60b4d04b251ba5eb1392c34425497e14) 参数： - `src1:Var` 源图像 - `src2:Var` 源图像 - `mask:Var` 掩码图像，可选 - `dst:Var` mask为0时选择的图像，可选 返回：按位与的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.bitwise_and(img, img) array([[[ 49, 57, 26], ... [158, 175, 184]]], dtype=uint8) ``` --- ### `bitwise_or(src1, src2, |dst, mask)` 对src1和src2执行按位或操作，并对结果按照执行copyTo返回，参考：[bitwise_or](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#gab85523db362a4e26ff0c703793a719b4) 参数： - `src1:Var` 源图像 - `src2:Var` 源图像 - `mask:Var` 掩码图像，可选 - `dst:Var` mask为0时选择的图像，可选 返回：按位或的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.bitwise_or(img, img) array([[[ 49, 57, 26], ... [158, 175, 184]]], dtype=uint8) ``` --- ### `bitwise_xor(src1, src2, |dst, mask)` 对src1和src2执行按位异或操作，并对结果按照执行copyTo返回，参考：[bitwise_xor](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga84b2d8188ce506593dcc3f8cd00e8e2c) 参数： - `src1:Var` 源图像 - `src2:Var` 源图像 - `mask:Var` 掩码图像，可选 - `dst:Var` mask为0时选择的图像，可选 返回：按位异或的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.bitwise_xor(img, img) array([[[0, 0, 0], ... [0, 0, 0]]], dtype=uint8) ``` --- ### `hconcat(src)` 在水平方向上将src中的图像连接起来，并返回，相当于做axis=1的concat，参考：[hconcat](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#gaf9771c991763233866bf76b5b5d1776f) 参数： - `src:Var` 源图像 返回：水平连接的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.hconcat(img) >>> cv.hconcat(img) array([[ 49, 57, 26, ..., 25, 62, 46], ..., [ 45, 94, 56, ..., 158, 175, 184]], dtype=uint8) ``` --- ### `vconcat(src)` 在垂直方向上将src中的图像连接起来，并返回，相当于做axis=0的concat，参考：[vconcat](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga744f53b69f6e4f12156cdde4e76aed27) 参数： - `src:Var` 源图像 返回：垂直连接的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.vconcat(img) array([[ 49, 57, 26], ..., [158, 175, 184]], dtype=uint8) ``` --- ### `mean(src, mask)` 逐channel计算src的元素均值，如果mask不为空，则只返回mask为1的结果，参考：[mean](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga191389f8a0e58180bb13a727782cd461) 参数： - `src:Var` 源图像 返回：每个channel的均值 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.mean(img) array([ 85.656685, 135.9716, 125.76543, 0.], dtype=float32) ``` --- ### `flip(src, flipCode)` 对src进行水平，垂直，或水平+垂直翻转，并返回，参考：[flip](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#gaca7be533e3dac7feb70fc60635adf441) | flipCode | 说明 | |:------------:|:-----------:| | filpCode = 0 | 垂直翻转 | | flipCode > 0 | 水平翻转 | | flipCode < 0 | 水平+垂直翻转 | 参数： - `src:Var` 源图像 返回：翻转的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> flip = cv.flip(img, -1) >>> cv.imwrite('flip.jpg', flip) True ``` ![flip.jpg](../_static/images/cv/flip.jpg) --- ### `rotate(src, rotateMode)` 以90度的倍数旋转src，并返回，参考：[rotate](https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html#ga4ad01c0978b0ce64baa246811deeac24) | rotateCode | 说明 | |:------------:|:-----------:| | ROTATE_90_CLOCKWISE | 顺时针旋转90度 | | ROTATE_180 | 顺时针旋转180度 | | ROTATE_90_COUNTERCLOCKWISE | 顺时针旋转270度 | 参数： - `src:Var` 源图像 返回：翻转的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> rotate = cv.rotate(img, cv.ROTATE_90_CLOCKWISE) >>> cv.imwrite('rotate.jpg', rotate) True ``` ![rotate.jpg](../_static/images/cv/rotate.jpg) --- ### `solve(src1, src2, |method)` 求解线性方程组，目前仅实现了LU方法；参考：[solve](https://docs.opencv.org/3.4/d2/de8/group__core__array.html#ga12b43690dbd31fed96f213eefead2373) 参数： - `src1:Var` 线性方程组左侧矩阵 - `src2:Var` 线性方程组右侧矩阵 - `method:int` 求解方法，可选；默认为`cv.DECOMP_LU` (目前仅实现了LU方法) 返回：能否求解，求解获得的矩阵 返回类型：`Tuple(bool, Var)` 示例： ```python >>> a = np.array([2., 3., 4., 0., 1., 5., 0., 0., 3.]).reshape(3, 3) >>> b = np.array([1., 2., 3.]).reshape(3, 1) >>> cv.solve(a, b) (True, array([[ 3.], [-3.], [ 1.]], dtype=float32)) ``` --- ### `normalize(src, dst, alpha, beta, norm_type, |dtype, mask)` 对输入进行归一化；参考：[normalize](https://docs.opencv.org/3.4/d2/de8/group__core__array.html#ga87eef7ee3970f86906d69a92cbf064bd) 参数： - `src:Var` 输入矩阵 - `dst:Var` Python中不需要使用该参数，直接赋为`None`即可 - `alpha:float` 归一化的下限 - `beta:float` 归一化的上限 - `norm_type:int` 归一化类型，如：`cv.NORM_MINMAX` - `dtype:dtype` 输入类型，不需要赋值 - `mask` 兼容性参数，目前还不支持mask 返回：归一化结果 返回类型：`Var` 示例： ```python >>> x = np.arange(12).reshape(2, 2, 3).astype(np.uint8) >>> cv.normalize(x, None, -50, 270, cv.NORM_MINMAX) array([[[ 0, 0, 8], [ 37, 66, 95]], [[125, 154, 183], [212, 241, 255]]], dtype=uint8) ``` --- ### `merge(mv)` 将多张图片沿channel合并；参考：[merge](https://docs.opencv.org/3.4/d2/de8/group__core__array.html#ga7d7b4d6c6ee504b30a20b1680029c7b4) 参数： - `mv:[Var]` 输入矩阵数组 返回：合并结果矩阵 返回类型：`Var` 示例： ```python >>> x = np.arange(9).reshape(3, 3) >>> cv.merge([x, x]) array([[[0, 0], [1, 1], [2, 2]], [[3, 3], [4, 4], [5, 5]], [[6, 6], [7, 7], [8, 8]]], dtype=int32) ``` --- ### `split(m)` 将图片沿channel方向拆分；参考：[split](https://docs.opencv.org/3.4/d2/de8/group__core__array.html#ga0547c7fed86152d7e9d0096029c8518a) 参数： - `m:Var` 待拆分图片 返回：拆分出的图片 返回类型：`[Var]` 示例： ```python >>> x = np.arange(12).reshape(2, 2, 3) >>> cv.split(x) [array([[0, 3],[6, 9]], dtype=int32), array([[1, 4],[7, 10]], dtype=int32), array([[2, 5],[8, 11]], dtype=int32)] ``` --- ### `addWeighted(src1, alpha, src2, beta, gamma)` 对输入的两个矩阵执行权重相加：`dst = src1 * alpha + src2 * beta + gamma`；参考：[addWeighted](https://docs.opencv.org/3.4/d2/de8/group__core__array.html#gafafb2513349db3bcff51f54ee5592a19) 参数： - `src1:Var` 第一个输入矩阵 - `alpha:float` 第一个输入矩阵的权重 - `src2:Var` 第二个输入矩阵 - `beta:float` 第二个输入矩阵的权重 - `gamma:float` 额外增加的常量 返回：加权得到的和 返回类型：`Var` 示例： ```python >>> x = np.arange(3.) >>> cv.addWeighted(x, 0.2, x, 0.5, 1) array([1. , 1.7, 2.4], dtype=float32) ``` --- ### `haveImageReader(filename)` 用于判断是否支持特定图像格式的解码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：[haveImageReader](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#ga0c3f60f18ed3a139e5a9926f9315e3bc) *移动端默认不包含该函数* 参数： - `filename:str` 图像文件路径 返回：是否有读取图像的接口 返回类型：`bool` 示例： ```python >>> cv.haveImageReader('cat.jpg') True ``` --- ### `haveImageWriter(filename)` 用于判断是否支持特定图像格式的编码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：[haveImageWriter](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#ga0ca4e24f5435a81dfeec720a6e32d852) *移动端默认不包含该函数* 参数： - `filename:str` 图像文件路径 返回：是否有写图像的接口 返回类型：`bool` 示例： ```python >>> cv.haveImageWriter('cat.jpg') True ``` --- ### `imdecode(buf, |flag)` 将内存数据解码为图像，并返回，参考：[imdecode](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#ga26a67788faa58ade337f8d28ba0eb19e) *移动端默认不包含该函数* 参数： - `buf:ndarray|sequence` 图像数据序列，可以是ndarray, list, tuple, bytes等 - `flag:int` 解码方式，可选，默认为cv2.IMREAD_COLOR 返回：解码后的图像 返回类型：`Var` 示例： ```python >>> cv.imdecode(bytearray(open('cat.jpg', 'rb').read()), cv.IMREAD_COLOR) array([[[ 49, 57, 26], [ 50, 58, 27], [ 47, 55, 25], ..., [188, 205, 214], [158, 175, 184], [158, 175, 184]]], dtype=uint8) ``` --- ### `imencode(ext, img, |params)` 将图像编码为图像数据，并返回，参考：[imencode](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#ga461f9ac09887e47797a54567df3b8b63) *移动端默认不包含该函数* 参数： - `ext:str` 图像文件扩展名，如jpg, png等 - `img:Var` 图像 - `params:[int]` 编码参数，可选，默认为[cv2.IMWRITE_JPEG_QUALITY, 95] 返回：编码后的图像数据序列，first是`bool`代表是否编码成功，second是`list`of`uint8`代表编码后的图像数据序列 返回类型：`pair` 示例： ```python >>> success, buf = cv.imencode('jpg', cv.imread('cat.jpg')) >>> success True >>> buf[:10] [255, 216, 255, 224, 0, 16, 74, 70, 73, 70] ``` --- ### `imread(filename, |flag)` 读取图像，并返回，参考：[imread](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#ga288b8b3da0892bd651fce07b3bbd3a56) *移动端默认不包含该函数* 参数： - `filename:str` 图像文件路径 - `flag:int` 读取方式，可选，默认为cv2.IMREAD_COLOR 返回：读取的图像 返回类型：`Var` 示例： ```python >>> cv.imread('cat.jpg') array([[[ 49, 57, 26], [ 50, 58, 27], [ 47, 55, 25], ..., [188, 205, 214], [158, 175, 184], [158, 175, 184]]], dtype=uint8) ``` ![cat.jpg](../_static/images/cat.jpg) --- ### `imwrite(filename, img, |params)` 将图像写入文件，参考：[imwrite](https://docs.opencv.org/4.5.2/d4/da8/group__imgcodecs.html#gabbc7ef1aa2edfaa87772f1202d67e0ce) *移动端默认不包含该函数* 参数： - `filename:str` 图像文件写的路径 - `img:Var` 图像对象 - `params:[int]` 编码参数，可选，默认为[cv2.IMWRITE_JPEG_QUALITY, 95] 返回：是否写入成功 返回类型：`bool` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.imwrite('write.jpg', img) True ``` --- ### `Rodrigues(src)` 将旋转矩阵转换为旋转向量，在`solvePnP`的返回值前会被使用，参考：[Rodrigues](https://docs.opencv.org/4.5.2/d9/d0c/group__calib3d.html#ga61585db663d9da06b68e70cfbf6a1eac) *该函数只支持旋转矩阵到旋转向量，反之不支持* 参数： - `src:Var` 旋转矩阵 返回：旋转向量 返回类型：`Var` 示例： ```python >>> cv.Rodrigues(np.array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])) array([[0.], [0.], [0.]], dtype=float32) ``` --- ### `solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, |flags)` 根据输入的 3d坐标集合和2d坐标集合，相机内参和平移矩阵，计算3d坐标到2d坐标的映射关系，并返回旋转矩阵和平移矩阵，参考：[solvePnP](https://docs.opencv.org/4.5.2/d9/d0c/group__calib3d.html#ga549c2075fac14829ff4a58bc931c033d) *目前仅支持SOLVEPNP_SQPNP* 参数： - `objectPoints:Var` 3d坐标集合, shape为(n,3)，n为点的个数 - `imagePoints:Var` 2d坐标集合, shape为(n,2)，n为点的个数 - `cameraMatrix:Var` 相机内参矩阵, shape为(3,3) - `distCoeffs:Var` 相机畸变系数, shape为(1,5)或(5,), 不使用可以传入[] - `flags:int` 标志位，可选，做兼容性处理，目前仅支持SOLVEPNP_SQPNP 返回：返回值tuple中有3个值，第一个值为`bool`是否找到变换关系，第二个值为`Var`是旋转向量，第三个值为`Var`是平移矩阵 返回类型：`tuple` 示例： ```python >>> model_points = np.array([0.0, 0.0, 0.0, 0.0, -330.0, -65.0, -225.0, 170.0, -135.0, 225.0, 170.0, -135.0, -150.0, -150.0, -125.0, 150.0, -150.0, -125.0]).reshape(6, 3) >>> image_points = np.array([359., 391., 399., 561., 337., 297., 513., 301., 345., 465., 453., 469.]).reshape(6, 2) >>> camera_matrix = np.array([1200., 0., 600., 0., 1200., 337.5, 0., 0., 1.]).reshape(3, 3) >>> dist_coeffs = np.array([0.0, 0.0, 0.0, 0.0]).reshape(4, 1) >>> cv.solvePnP(model_points, image_points, camera_matrix, dist_coeffs, flags=cv.SOLVEPNP_SQPNP) (True, array([[ 3.000745 ], [ 0.03165916], [-0.9225616 ]], dtype=float32), array([[-435.97495], [ 95.3929 ], [2201.46 ]], dtype=float32)) ``` --- ### `cvtColor(src, code, |dstCn)` 将图像转换为另一种颜色空间，参考: [cvtColor](https://docs.opencv.org/4.5.2/d8/d01/group__imgproc__color__conversions.html#ga397ae87e1288a81d2363b61574eb8cab) *如果src为YUV图像请使用`cvtColorTwoPlane`* 参数： - `src:Var` 输入图像 - `code:int` 转换方式，使用`cv.COLOR_*` - `dstCn:int` 转换后图像的通道数，可选，默认为原图像的通道数 返回：转换后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') # bgr >>> cv.cvtColor(img, cv.COLOR_BGR2GRAY) # gray >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> cv.imwrite('cvtColor.jpg', gray) True ``` ![cvtColor.jpg](../_static/images/cv/cvtColor.jpg) --- ### `cvtColorTwoPlane(src1, src2, code)` 将图像转换为另一种颜色空间，源图像存储在两个平面中，一般用于YUV_NV21和YUV_NV12到其他颜色空间的转换，参考: [cvtColorTwoPlane](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gad533230ebf2d42509547d514f7d3fbc3) 参数： - `src1:Var` 图像的第一个平面 - `src2:Var` 图像的第二个平面 - `code:int` 转换方式，使用`cv.COLOR_*` 返回：转换后的图像 返回类型：`Var` 示例： ```python >>> h = w = 224 >>> y = np.random.randint(0, 255, h * w).reshape(h, w).astype(np.uint8) >>> uv = np.random.randint(0, 255, h * w / 2).astype(np.uint8) >>> rgb = cv.cvtColorTwoPlane(y, uv, cv.COLOR_YUV2RGB_NV21) >>> cv.imwrite('cvtColorTwoPlane.jpg', rgb) True ``` ![cvtColorTwoPlane.jpg](../_static/images/cv/cvtColorTwoPlane.jpg) --- ### `bilateralFilter(src, d, sigmaColor, sigmaSpace, |borderType)` 双边滤波，直接实现未优化，速度较慢；参考: [bilateralFilter](https://docs.opencv.org/3.4/d4/d86/group__imgproc__filter.html#ga9d7064d478c95d60003cf839430737ed) 参数： - `src:Var` 输入图像 - `d:int` 滤波时考虑周围像素的直径，如果为负数则通过`sigmaSpace`计算 - `sigmaColor:float` 颜色空间sigma值 - `sigmaSpace:float` 坐标空间sigma值 - `borderType:int` 边界模式，可选值；默认为`REFLECT` 返回：滤波后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.bilateralFilter(img, 20, 80.0, 35.0) >>> cv.imwrite('bilateralFilter.jpg', img) True ``` ![bilateralFilter.jpg](../_static/images/cv/bilateralFilter.jpg) --- ### `blur(src, ksize, |borderType)` 使用归一化框滤镜模糊图像，参考: [blur](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga8c45db9afe636703801b0b2e440fce37) 参数： - `src:Var` 输入图像 - `ksize:[int]` kernel大小 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：模糊后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.blur(img, [3, 3]) >>> cv.imwrite('blur.jpg', img) True ``` ![blur.jpg](../_static/images/cv/blur.jpg) --- ### `boxFilter(src, ddepth, ksize, |normalize, borderType)` 使用方框滤镜模糊图像，参考: [boxFilter](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gad533230ebf2d42509547d514f7d3fbc3) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `ksize:[int]` kernel大小 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：模糊后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.boxFilter(img, -1, [7, 7]) >>> cv.imwrite('boxFilter.jpg', img) True ``` ![boxFilter.jpg](../_static/images/cv/boxFilter.jpg) --- ### `dilate(src, kernel, |iterations, borderType)` 通过使用特定的结构元素对图像进行扩张，参考: [dilate](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga4ff0f3318642c4f469d0e11f242f3b6c) 参数： - `src:Var` 输入图像 - `kernel:Var` 结构元素 - `iterations:int` 迭代次数，可选，默认为1 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：扩张后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.dilate(img, cv.getStructuringElement(0, (3, 3))) >>> cv.imwrite('dilate.jpg', img) True ``` ![dilate.jpg](../_static/images/cv/dilate.jpg) --- ### `erode(src, kernel, |iterations, borderType)` 通过使用特定的结构元素对图像进行腐蚀，参考: [erode](hhttps://docs.opencv.org/3.4/d4/d86/group__imgproc__filter.html#gaeb1e0c1033e3f6b891a25d0511362aeb) 参数： - `src:Var` 输入图像 - `kernel:Var` 结构元素 - `iterations:int` 迭代次数，可选，默认为1 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：腐蚀后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.erode(img, cv.getStructuringElement(0, (3, 3))) >>> cv.imwrite('erode.jpg', img) True ``` ![erode.jpg](../_static/images/cv/erode.jpg) --- ### `filter2D(src, ddepth, kernel, |delta, borderType)` 度图像执行二维卷积，参考: [filter2D](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga27c049795ce870216ddfb366086b5a04) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `kernel:Var` 卷积核 - `delta:float` 加到卷积结果的偏移量，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：卷积结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.filter2D(img, -1, cv.getStructuringElement(0, (3, 3))) >>> cv.imwrite('filter2D.jpg', img) True ``` ![filter2D.jpg](../_static/images/cv/filter2D.jpg) --- ### `GaussianBlur(src, ksize, sigmaX, |sigmaY, borderType)` 使用高斯滤镜模糊图像，参考: [GaussianBlur](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gaabe8c836e97159a9193fb0b11ac52cf1) 参数： - `src:Var` 输入图像 - `ksize:[int]` kernel大小 - `sigmaX:float` X 方向的高斯核标准差 - `sigmaY:float` Y方向的高斯核标准差；如果 sigmaY 为零，则设置为等于 sigmaX，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：模糊后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.GaussianBlur(img, [5, 5], 3) >>> cv.imwrite('GaussianBlur.jpg', img) True ``` ![GaussianBlur.jpg](../_static/images/cv/GaussianBlur.jpg) --- ### `getDerivKernels(dx, dy, ksize, |normalize)` 返回用于计算空间图像导数的滤波器系数，参考: [getDerivKernels](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga6d6c23f7bd3f5836c31cfae994fc4aea) 参数： - `dx:int` 关于 x 的导数 - `dy:int` 关于 y 的导数 - `ksize:int` 返回的kernel大小，可以是`1,3,5,7` - `normalize:bool` 是否将系数归一化，可选，默认为false 返回：滤波器系数 返回类型：`Var` 示例： ```python >>> cv.getDerivKernels(1, 1, 3) (array([[-1., 0., 1.]], dtype=float32), array([[-1., 0., 1.]], dtype=float32)) ``` --- ### `getGaborKernel(ksize, sigma, theta, lambd, gamma, |psi)` 返回[Gabor](https://en.wikipedia.org/wiki/Gabor_filter)滤波器系数，参考: [getGaborKernel](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gae84c92d248183bd92fa713ce51cc3599) 参数： - `ksize:[int]` 返回的kernel大小 - `sigma:float` Gabor的标准差 - `theta:float` Gabor函数的平行条纹的法线方向 - `lambd:float` 正弦因子的波长 - `gamma:float` 空间纵横比 - `psi:float` 相位偏移，可选，默认为`PI/2` 返回：滤波器系数 返回类型：`Var` 示例： ```python >>> cv.getGaborKernel([3, 3], 10, 5, 5, 5) array([[ 6.1722213e-01, 9.2025989e-01, 9.3729156e-01], [-3.1094351e-01, -4.3711388e-08, 3.1094342e-01], [-9.3729156e-01, -9.2025995e-01, -6.1722219e-01]], dtype=float32) ``` --- ### `getGaussianKernel(ksize, sigma)` 返回高斯滤波器系数，参考: [getGaussianKernel](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gac05a120c1ae92a6060dd0db190a61afa) 参数： - `ksize:int` 返回的kernel大小，必须是奇数 - `sigma:float` 高斯标准差`sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8` 返回：滤波器系数 返回类型：`Var` 示例： ```python >>> cv.getGaussianKernel(3, 5) array([[0.33110374, 0.3377925 , 0.33110374]], dtype=float32) ``` --- ### `getStructuringElement(shape, ksize)` 返回指定大小和形状的结构元素，用于形态学操作，参考: [getStructuringElement](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gac342a1bb6eabf6f55c803b09268e36dc) 参数： - `shape:int` 元素形状 - 0: 矩形 - 1: 十字形 - 2：椭圆形 - `ksize:[int]` 结构元素的大小 返回：结构元素 返回类型：`Var` 示例： ```python >>> cv.getStructuringElement(0, (3, 3)) array([[1, 1, 1], [1, 1, 1], [1, 1, 1]], dtype=uint8) ``` --- ### `Laplacian(src, ddepth, |ksize, scale, delta, borderType)` 计算图像的拉普拉斯算子，参考: [Laplacian](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gad78703e4c8fe703d479c1860d76429e6) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `ksize:int` 卷积核大小，可选，默认为1 - `scale:float` 缩放因子，可选，默认为1 - `delta:float` 加到结果的偏移量，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：拉普拉斯算子计算结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.Laplacian(img, -1, 3) >>> cv.imwrite('Laplacian.jpg', img) True ``` ![Laplacian.jpg](../_static/images/cv/Laplacian.jpg) --- ### `pyrDown(src, |dstsize, borderType)` 模糊图像并对其进行下采样，参考: [pyrDown](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gaf9bba239dfca11654cb7f50f889fc2ff) 参数： - `src:Var` 输入图像 - `dstsize:[int]` 输出图像的大小 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：下采样后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.pyrDown(img) >>> cv.imwrite('pyrDown.jpg', img) True ``` ![pyrDown.jpg](../_static/images/cv/pyrDown.jpg) --- ### `pyrUp(src, |dstsize, borderType)` 对图像进行上采样，然后对其进行模糊处理，参考: [pyrUp](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gada75b59bdaaca411ed6fee10085eb784) 参数： - `src:Var` 输入图像 - `dstsize:[int]` 输出图像的大小 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：下采样后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.pyrUp(img) >>> cv.imwrite('pyrUp.jpg', img) True ``` ![pyrUp.jpg](../_static/images/cv/pyrUp.jpg) --- ### `Scharr(src, ddepth, dx, dy, |scale, delta, borderType)` 使用Scharr算子计算图像导数，参考: [Scharr](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gaa13106761eedf14798f37aa2d60404c9) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `dx:int` 导数x的阶数 - `dy:int` 导数y的阶数 - `scale:float` 缩放因子，可选，默认为1 - `delta:float` 加到结果的偏移量，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：Scharr算子计算结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.Scharr(img, -1, 1, 1) array([[[0, 0, 0], [0, 0, 0], [0, 0, 0], ..., [0, 0, 0], [0, 0, 0], [0, 0, 0]]], dtype=uint8) ``` --- ### `sepFilter2D(src, ddepth, kx, ky, |delta, borderType)` 对图像应用可分离的线性过滤器，参考: [sepFilter2D](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga910e29ff7d7b105057d1625a4bf6318d) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `kx:int` x方向的kernel - `ky:int` y方向的kernel - `delta:float` 加到结果的偏移量，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：sepFilter2D计算结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> kernelX = np.array([[0., -1., 0.]]) >>> kernelY = np.array([[-1., 0., -1.]]) >>> cv.sepFilter2D(img, -1, kernelX, kernelY, 1) array([[[1, 1, 1], [1, 1, 1], [1, 1, 1], ..., [1, 1, 1], [1, 1, 1], [1, 1, 1]]], dtype=uint8) ``` --- ### `Sobel(src, ddepth, dx, dy, |ksize, scale, delta, borderType)` 使用Sobel算子计算图像导数，参考: [Sobel](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#gacea54f142e81b6758cb6f375ce782c8d) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `dx:int` 导数x的阶数 - `dy:int` 导数y的阶数 - `ksize:int` kernel的大小，可选，默认为3 - `scale:float` 缩放因子，可选，默认为1 - `delta:float` 加到结果的偏移量，可选，默认为0 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：Sobel算子计算结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.Sobel(img, -1, 1, 0) array([[[0, 0, 0], [0, 0, 0], [0, 0, 2], ..., [0, 0, 0], [0, 0, 0], [0, 0, 0]]], dtype=uint8) ``` --- ### `spatialGradient(src, |ksize, borderType)` 使用Sobel算子分别计算x和y方向的一阶图像导数，参考: [spatialGradient](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga405d03b20c782b65a4daf54d233239a2) 参数： - `src:Var` 输入图像 - `ksize:int` Sobel kernel的大小，可选，默认为3 - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：spatialGradient计算结果 返回类型：`Var` --- ### `sqrBoxFilter(src, ddepth, ksize, |normalize, borderType)` 计算与过滤器重叠的像素值的归一化平方和，参考: [sqrBoxFilter](https://docs.opencv.org/4.5.2/d4/d86/group__imgproc__filter.html#ga76e863e7869912edbe88321253b72688) 参数： - `src:Var` 输入图像 - `ddepth:int` 图像的深度 - `ksize:[int]` kernel的大小 - `normalize:bool` 是否归一化，可选，默认为true - `borderType:int` 边界类型，可选，默认为cv.BORDER_DEFAULT 返回：sqrBoxFilter计算结果 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.sqrBoxFilter(img, -1, (3,3)) >>> img = img.astype(np.uint8) >>> cv.imwrite('sqrBoxFilter.jpg', img) True ``` ![sqrBoxFilter.jpg](../_static/images/cv/sqrBoxFilter.jpg) --- ### `getAffineTransform(src, dst)` 计算两组三个顶点之间仿射变换矩阵，参考: [getAffineTransform](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga8f6d378f9f8eebb5cb55cd3ae295a999) 参数： - `src:[float]` 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y - `dst:[float]` 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y 返回：变换矩阵 返回类型：`CVMatrix` 参考：[CVMatrix](CVMatrix.md) 示例： ```python >>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0] >>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0] >>> cv.getAffineTransform(src, dst) [[1.266667 0.600000 -83.333336] [-0.533333 1.000000 76.666664] [76.666664 0.000000 0.000000]] ``` --- ### `getPerspectiveTransform(src, dst)` 计算两组三个顶点之间透视变换矩阵，参考: [getPerspectiveTransform](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga8f6d378f9f8eebb5cb55cd3ae295a999) 参数： - `src:[float]` 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y - `dst:[float]` 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y 返回：变换矩阵 返回类型：`CVMatrix` 参考：[CVMatrix](CVMatrix.md) 示例： ```python >>> src = [100.0, 50.0, 100.0, 390.0, 600.0, 50.0, 600.0, 390.0] >>> dst = [200.0, 100.0, 200.0, 330.0, 500.0, 50.0, 600.0, 390.0] >>> cv2.getPerspectiveTransform(src, dst) [[0.307692 -0.104072 174.434372] [-0.129231 0.504751 87.685509] [87.685509 -0.000585 -0.000520]] ``` --- ### `getRectSubPix(image, patchSize, center)` 获取图像的矩形子块，参考: [getRectSubPix](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga77576d06075c1a4b6ba1a608850cd614) 参数： - `image:Var` 输入的图像 - `patchSize:[int]` 裁剪的patch大小`(width, height)` - `center:[int]` 被裁减出的矩形的中心点`(x, y)` 返回：裁剪出的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> h, w, c = img.shape >>> center = (w / 2.0, h / 2.0) >>> img = cv2.getRectSubPix(img, [90, 90], center) >>> cv.imwrite('getRectSubPix.jpg', img) True ``` ![getRectSubPix.jpg](../_static/images/cv/getRectSubPix.jpg) --- ### `getRotationMatrix2D(center, angle, scale)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[getRotationMatrix2D](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#gafbbc470ce83812914a70abfb604f4326) 函数，用于计算 2D 旋转的仿射变换矩阵。 参数： - `center:[float]` 图像中的旋转中心点`(x, y)` - `angle:float` 旋转角度(degrees) - `scale:float` 同向放缩因子 返回：仿射变换矩阵 返回类型：类型为 `CVMatrix` 示例： ```python >>> cv.getRotationMatrix2D((500.0 / 2.0, 333.0 / 2.0), 90, 1.0) [[-0.000000 1.000000 83.500015] [-1.000000 -0.000000 416.500000] [416.500000 0.000000 0.000000]] ``` --- ### `invertAffineTransform(m)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[invertAffineTransform](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga57d3505a878a7e1a636645727ca08f51) 函数，计算仿射变换矩阵的逆矩阵。 参数： - `m:CVMatrix` 输入的仿射矩阵 返回：仿射变换矩阵的逆矩阵 返回类型：类型为 `CVMatrix` 示例： ```python >>> m = MNN.CVMatrix() >>> m.setScale(5.0, 5.0) >>> cv.invertAffineTransform(m) [[0.200000 0.000000 -0.000000] [0.000000 0.200000 -0.000000] [-0.000000 0.000000 0.000000]] ``` --- ### `convertMaps(map1, map2, dstmap1type, |interpolation)` 映射map转换，为了兼容OpenCV中的[convertMaps](https://docs.opencv.org/3.4/da/d54/group__imgproc__transform.html#ga9156732fa8f01be9ebd1a194f2728b7f) 函数；但实际不进行任何操作，仍返回`map1, map2` 参数： - `map1:Var` 原始映射关系 - `map2:Var` 原始映射关系 - `dstmap1type:int` 兼容性参数，不支持 - `interpolation:int` 兼容性参数，不支持 返回：(map1, map2) 返回类型：类型为 `Tuple` --- ### `remap(src, map1, map2, interpolation, |borderMode, borderValue)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[remap](https://docs.opencv.org/3.4/da/d54/group__imgproc__transform.html#gab75ef31ce5cdfb5c44b6da5f3b908ea4) 函数，用于图像重映射。 *不支持borderMode与borderValue* 参数： - `src:Var` 输入的图像 - `map1:Var` x坐标映射 - `map2:Var` y坐标映射 - `interpolation:int` 插值方式，仅支持`cv.INTER_NEAREST`和`cv.INTER_LINEAR` - `borderMode:int` 兼容性参数，不支持 - `borderValue:int` 兼容性参数，不支持 返回：重映射后的图像 返回类型：类型为 `Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> row, col, ch = img.shape >>> mapx = np.ones(img.shape[:2], np.float32) >>> mapy = np.ones(img.shape[:2], np.float32) >>> for i in range(row): >>> for j in range(col): >>> mapx[i, j] = float(j) >>> mapy[i, j] = float(row-i) >>> img = cv.remap(img, mapx, mapy, cv.INTER_LINEAR) >>> cv.imwrite('remap.jpg', img) True ``` ![remap.jpg](../_static/images/cv/remap.jpg) --- ### `resize(src, dsize, |fx, fy, interpolation, code, mean, norm)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[resize](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga47a974309e9102f5f08231edc7e7529d) 函数，用于放缩图像。 *该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能* 参数： - `src:Var` 输入的图像 - `dsize:tuple` 放缩后的大小 - `fx:float` 水平方向的放缩因子，如果为0，则自动计算，默认为0 - `fy:float` 竖直方便的放缩因子，如果为0，则自动计算，默认为0 - `interpolation:int` 放缩的插值方法，默认为`cv.INTER_LINEAR` - `code:int` 可以在缩放时转换颜色空间，默认为`-1`不执行转换 - `mean:[float]` 转换为float的归一化的均值，默认为空不转换为float - `norm:[float]` 转换为float的归一化的标准差，默认为空不转换为float 返回：放缩后的图像 返回类型：类型为 `Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.resize(img, [100, 100]) >>> cv.imwrite('resize.jpg', img) True ``` ![resize.jpg](../_static/images/cv/resize.jpg) --- ### `warpAffine(src, M, dsize, |flag, borderMode, borderValue, code, mean, norm)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[warpAffine](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#ga0203d9ee5fcd28d40dbc4a1ea4451983) 函数，对一个图像应用仿射变换。 *该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能* 参数： - `src:Var` 输入的图像 - `dsize:tuple` 放缩后的大小 - `interpolation:int` 放缩的插值方法，默认为`cv.INTER_LINEAR` - `borderMode:int` 边界模式，默认为`cv.BORDER_CONSTANT` - `borderValue:int` 当边界模式为 `cv.BORDER_CONSTANT` 时设定的值，默认为`0` - `code:int` 可以在缩放时转换颜色空间，默认为`-1`不执行转换 - `mean:[float]` 转换为float的归一化的均值，默认为空不转换为float - `norm:[float]` 转换为float的归一化的标准差，默认为空不转换为float 返回：仿射变换的图像 返回类型：`Var` 示例： ```python >>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0] >>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0] >>> transform = cv.getAffineTransform(src, dst) >>> img = cv.imread('cat.jpg') >>> img = cv.warpAffine(img, transform, [300, 330]) >>> cv.imwrite('warpAffine.jpg', img) True ``` ![warpAffine.jpg](../_static/images/cv/warpAffine.jpg) --- ### `warpPerspective(src, M, dsize, flag, borderMode, borderValue)` 作用等同与 `OpenCV` 中 `Geometric Image Transformations` 模块的[warpPerspective](https://docs.opencv.org/4.5.2/da/d54/group__imgproc__transform.html#gaf73673a7e8e18ec6963e3774e6a94b87) 函数，对一个图像应用透视变换。 参数： - `src:Var` 输入的图像 - `dsize:tuple` 放缩后的大小 - `interpolation:int` 放缩的插值方法，默认为`cv.INTER_LINEAR` - `borderMode:int` 边界模式，默认为`cv.BORDER_CONSTANT` - `borderValue:int` 当边界模式为 `cv.BORDER_CONSTANT` 时设定的值，默认为`0` 返回：透视变换的图像 返回类型：`Var` 示例： ```python >>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0] >>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0] >>> transform = cv.getPerspectiveTransform(src, dst) >>> img = cv.imread('cat.jpg') >>> img = cv.warpPerspective(img, transform, [500, 333]) >>> cv.imwrite('warpPerspective.jpg', img) True ``` ![warpPerspective.jpg](../_static/images/cv/warpPerspective.jpg) --- ### `adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)` 作用等同与 `OpenCV` 中 `Miscellaneous Image Transformations` 模块的[adaptiveThreshold](https://docs.opencv.org/3.4/d7/d1b/group__imgproc__misc.html#ga72b913f352e4a1b1b397736707afcde3) 函数，对图像逐像素进行自适应阈值变化，可以将使用此函数将图像变成二值图像。 参数： - `src:Var` 输入的图像 - `maxValue:float` 阈值的最大值 - `adaptiveMethod:int` 自适应方法，如：`cv.ADAPTIVE_THRESH_MEAN_C` - `thresholdType:int` 阈值变化的类型，如：`cv.THRESH_BINARY` - `blockSize:int` 计算阈值时取邻域的大小，如：3,5,7等 - `C:float` 返回：阈值变化后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> img = cv.adaptiveThreshold(img, 50, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 2) >>> cv.imwrite('adaptiveThreshold.jpg', img) True ``` ![adaptiveThreshold.jpg](../_static/images/cv/adaptiveThreshold.jpg) --- ### `blendLinear(src1, src2, weight1, weight2)` 作用等同与 `OpenCV` 中 `Miscellaneous Image Transformations` 模块的[blendLinear](https://docs.opencv.org/4.5.2/d7/d1b/group__imgproc__misc.html#ga5e76540a679333d7c6cd0617c452c23d) 函数，对两幅图像进行线性混合。 参数： - `src1:Var` 输入的图像 - `src2:Var` 输入的图像 - `weight1:Var` `src1` 计算的叠加权重 - `weight2:Var` `src2` 计算的叠加权重 返回：混合后的图像。 返回类型：`Var` 示例： ```python >>> src1 = np.array([[2.0, 3.0], [1.0, 1.0]]) >>> src2 = np.array([[0.0, 1.0], [1.0, 1.0]]) >>> weight1 = np.array([[1.0, 2.0], [1.5, 1.5]]) >>> weight2 = np.array([[0.1, 0.5], [0.2, 0.3]]) >>> cv.blendLinear(src1, src2, weight1, weight2) array([[1.8181652 , 2.5999894 ], [0.9999941 , 0.99999446]], dtype=float32) ``` --- ### `threshold(src, thresh, maxval, type)` 作用等同与 `OpenCV` 中 `Miscellaneous Image Transformations` 模块的[threshold](https://docs.opencv.org/4.5.2/d7/d1b/group__imgproc__misc.html#gae8a4a146d1ca78c626a53577199e9c57) 函数，对图像逐像素进行阈值变化，可以将使用此函数将图像变成二值图像，比如在寻找轮廓时(`findContours`)可以使用该函数。 参数： - `src:Var` 输入的图像 - `thresh:float` 阈值 - `maxval:float` 阈值的最大值 - `type:int` 阈值变化的类型，默认为`cv.THRESH_BINARY` | 参数 | 说明 | |:------------------|:-----------------------------------| | `THRESH_BINARY` | 小于阈值的像素置为0，大于阈值的像素置为maxval | | `THRESH_BINARY_INV` | 小于阈值的像素置为maxval，大于阈值的像素置为0 | | `THRESH_TRUNC` | 小于阈值的像素置为0，大于阈值的像素保持不变 | | `THRESH_TOZERO` | 小于阈值的像素置为0，大于阈值的像素不变 | | `THRESH_TOZERO_INV` | 小于阈值的像素不变，大于阈值的像素置为0 | 返回：阈值变化后的图像 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> img = img.astype(np.float32) >>> img = cv.threshold(img, 127, 255, cv.THRESH_BINARY) >>> img = img.astype(np.uint8) >>> cv.imwrite('threshold.jpg', img) True ``` ![threshold.jpg](../_static/images/cv/threshold.jpg) --- ### `findContours(image, mode, method, offset)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[findContours](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#gadf1ad6a0b82947fa1fe3c3d497f260e0) 函数，对二值图像进行轮廓查找，查找得到的结果可以用作`contourArea`，`fillPoly`和`drawContours`的参数使用。 *注意：该实现未计算hierarchy信息* 参数： - `image:Var` 输入的图像 - `mode:int` 轮廓查找的模式，默认为`cv.RETR_EXTERNAL` - `method:int` 轮廓查找的方法，默认为`cv.CHAIN_APPROX_SIMPLE` - `offset:tuple` 轮廓查找的偏移量，默认为`(0, 0)` 返回：`tuple`的第一个元素为找到的轮廓像素，类型为`list` of `Var`，第二个值为兼容opencv的值，本函数未实现。 返回类型：`tuple` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) ([array([[[143, 294]], ..., [[144, 295]]], dtype=int32), ... array([[[304, 1]], ..., [[309, 1]]], dtype=int32)], 'no hierarchy') ``` --- ### `contourArea(points, oriented)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[contourArea](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#ga2c759ed9f497d4a618048a2f56dc97f1) 函数，计算轮廓的面积。 参数： - `points:Var` 轮廓像素 - `oriented:bool` 是否计算有向面积，默认为`False` 返回：轮廓的面积 返回类型：`float` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.contourArea(contours[0], False) 15.5 ``` --- ### `convexHull(points, clockwise, returnPoints)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[convexHull](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#ga014b28e56cb8854c0de4a211cb2be656) 函数，计算点集的凸包。 参数： - `points:Var` 轮廓像素 - `clockwise:bool` 是否按顺时针方向计算凸包，默认为`False` - `returnPoints:bool` 是否返回凸包的点集，默认为`True` 返回：凸包的点集 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.convexHull(contours[0]) array([[[147, 295]], [[147, 298]], [[146, 299]], [[143, 298]], [[142, 297]], [[142, 296]], [[143, 294]]], dtype=int32) ``` --- ### `minAreaRect(points)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[minAreaRect](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#ga3d476a3417130ae5154aea421ca7ead9) 函数，计算点集的最小外接矩形。 参数： - `points:Var` 轮廓像素 返回：最小外接矩形的中心点坐标，长宽，旋转角度 返回类型：`tuple` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.minAreaRect(contours[0]) ((144.61766052246094, 296.5294494628906), (5.3357834815979, 4.123105525970459), 14.03624439239502) ``` --- ### `boundingRect(points)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[boundingRect](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#ga103fcbda2f540f3ef1c042d6a9b35ac7) 函数，计算点集的最小外接矩形。 参数： - `points:Var` 轮廓像素 返回：最小外接矩形的中心点坐标，长宽 返回类型：`tuple` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.boundingRect(contours[0]) [142, 294, 6, 6] ``` --- ### `connectedComponentsWithStats(image, connectivity)` 作用等同与 `OpenCV` 中 `Connected Components`模块的[connectedComponentsWithStats](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#ga107a78bf7cd25dec05fb4dfc5c9e765f) 函数，计算图像的连通域。 参数： - `image:Var` 图像 - `connectivity:int` 连通域的连通性，默认为8 返回：连通域的数量，连通域的标签，每个标签的统计输出，每个标签的质心输出 返回类型：`tuple` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.connectedComponentsWithStats(img) (2, array([[[[1], ..., [1]], ..., [[1], ..., [1]]]], dtype=int32), array([[213, 60, 262, 52, 3], [0, 0, 480, 360, 172797]], dtype=int32), array([[386., 77.333336], [239.49745, 179.50177]], dtype=float32)) ``` --- ### `boxPoints(box)` 作用等同与 `OpenCV` 中 `Structural Analysis and Shape Descriptors`模块的[boxPoints](https://docs.opencv.org/4.5.2/d3/dc0/group__imgproc__shape.html#gaf78d467e024b4d7936cf9397185d2f5c) 函数，计算矩形的四个顶点坐标。 参数： - `box:tuple` 矩形的中心点坐标，长宽，旋转角度，参考 `minAreaRect` 函数的返回值 返回：四个顶点坐标 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.boxPoints(cv.minAreaRect(contours[0])) array([[141.52942, 297.8824 ], [142.52942, 293.8824 ], [147.7059 , 295.1765 ], [146.7059 , 299.1765 ]], dtype=float32) ``` --- ### `line(img, pt1, pt2, color, thickness, lineType, shift)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[line](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#ga7078a9fae8c7e7d13d24dac2520ae4a2) 函数，绘制从第一个点指向第二个点的直线。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制线条的图像 - `pt1:tuple` 线条绘制的起点`(x, y)` - `pt2:tuple` 线条绘制的终点`(x, y)` - `color:tuple` 线条绘制的颜色`(b, g, r, a)` - `thickness:int` 线的粗细，默认为`1` - `lineType:int` 线条绘制的方式，默认为`cv.LINE_8` - `shift:int` 坐标小数点向前移动的位数（缩小10倍数），默认为`0` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.line(img, (10, 10), (100, 100), (255, 0, 0, 0), 5) >>> cv.imwrite('line.jpg', img) True ``` ![line.jpg](../_static/images/cv/line.jpg) --- ### `arrowedLine(img, pt1, pt2, color, thickness, lineType, shift, tipLength)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[arrowedLine](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#ga0a165a3ca093fd488ac709fdf10c05b2) 函数，绘制从第一个点指向第二个点的箭头段。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制箭头的图像 - `pt1:tuple` 箭头绘制的起点`(x, y)` - `pt2:tuple` 箭头绘制的终点`(x, y)` - `color:tuple` 箭头绘制的颜色`(b, g, r, a)` - `thickness:int` 箭头的粗细，默认为`1` - `lineType:int` 箭头绘制的方式，默认为`cv.LINE_8` - `shift:int` 坐标小数点向前移动的位数（缩小10倍数），默认为`0` - `tipLength:float` 箭头部分与直线长度的百分比，默认为`0.1` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.arrowedLine(img, (10, 10), (100, 100), (255, 0, 0, 0), 5) >>> cv.imwrite('arrowedLine.jpg', img) True ``` ![arrowedLine.jpg](../_static/images/cv/arrowedLine.jpg) --- ### `circle(img, center, radius, color, thickness, lineType, shift)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[circle](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#gaf10604b069374903dbd0f0488cb43670) 函数，绘制一个圆。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制圆的图像 - `center:tuple` 圆的中心点`(x, y)` - `radius:int` 圆的半径大小 - `color:tuple` 圆绘制的颜色`(b, g, r, a)` - `thickness:int` 圆的粗细，默认为`1` - `lineType:int` 圆绘制的方式，默认为`cv.LINE_8` - `shift:int` 坐标小数点向前移动的位数（缩小10倍数），默认为`0` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.circle(img, (100, 100), 5, (255, 0, 0, 0), 5) >>> cv.circle(img, (100, 100), 50, (0, 0, 255, 0), 5) >>> cv.imwrite('circle.jpg', img) True ``` ![circle.jpg](../_static/images/cv/circle.jpg) --- ### `rectangle(src, pt1, pt2, color, thickness, lineType, shift)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[rectangle](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#ga07d2f74cadcf8e305e810ce8eed13bc9) 函数，绘制一个矩形。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制圆的图像 - `pt1:tuple` 矩形的一个顶`(x, y)` - `pt2:tuple` 矩形的另一个顶`(x, y)` - `color:tuple` 矩形绘制的颜色`(b, g, r, a)` - `thickness:int` 矩形的粗细，默认为`1` - `lineType:int` 矩形绘制的方式，默认为`cv.LINE_8` - `shift:int` 坐标小数点向前移动的位数（缩小10倍数），默认为`0` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.rectangle(img, (50, 50), (150, 150), (255, 0, 0, 0), 5) >>> cv.rectangle(img, (100, 100), (200, 200), (0, 0, 255, 0), 5) >>> cv.imwrite('rectangle.jpg', img) True ``` ![rectangle.jpg](../_static/images/cv/rectangle.jpg) --- ### `drawContours(img, contours, contourIdx, color, thickness, lineType)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[drawContours](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#ga746c0625f1781f1ffc9056259103edbc) 函数，绘制轮廓边缘或对其填充。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制圆的图像 - `contours:[[int]]` 其中每一个元素都是一个`list`，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 `x` 或者 `y`，必须配对 - `contourIdx:int` 代表要绘制第几个轮廓组。如果传入负数，绘制所有轮廓组 - `color:tuple` 矩形绘制的颜色`(b, g, r, a)` - `thickness:int` 矩形的粗细，默认为`1` - `lineType:int` 矩形绘制的方式，默认为`cv.LINE_8` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> gray = gray.astype(np.float32) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> binary = binary.astype(np.uint8) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.drawContours(img, contours, -1, [0, 0, 255]) >>> cv.imwrite('drawContours.jpg', img) True ``` ![drawContours.png](../_static/images/cv/drawContours.jpg) --- ### `fillPoly(img, contours, color, lineType, shift, offset)` 作用等同与 `OpenCV` 中 `Drawing Functions` 模块的[fillPoly](https://docs.opencv.org/4.1.0/d6/d6e/group__imgproc__draw.html#ga8c69b68fab5f25e2223b6496aa60dad5) 函数，绘制填充多边形。 *该函数为 `in-replace`，直接作用于原图* 参数： - `img:Var` 代表需要绘制圆的图像 - `contours:[[int]]` 其中每一个元素都是一个`list`，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 `x` 或者 `y`，必须配对 - `color:tuple` 矩形绘制的颜色`(b, g, r, a)` - `lineType:int` 矩形绘制的方式，默认为`cv.LINE_8` - `shift:int` 坐标小数点向前移动的位数（缩小10倍数），默认为`0` - `offset:tuple` 所有点相对轮廓的偏移量，默认为`(0, 0)` 返回：`None` 返回类型：`None` 示例： ```python >>> img = cv.imread('cat.jpg') >>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) >>> gray = gray.astype(np.float32) >>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) >>> binary = binary.astype(np.uint8) >>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) >>> cv.fillPoly(img, contours, [0, 0, 255]) >>> cv.imwrite('fillPoly.jpg', img) True ``` ![fillPoly.png](../_static/images/cv/fillPoly.jpg) --- ### `calcHist(imgs, channels, mask, histSize, ranges, accumulate)` 作用等同与 `OpenCV` 中 `Histograms` 模块的[calcHist](https://docs.opencv.org/4.5.2/d6/dc7/group__imgproc__hist.html#ga4b2b5fd75503ff9e6844cc4dcdaed35d) 函数，计算图像的直方图。 参数： - `imgs:[Var]` 需要计算的图像 - `channels:[int]` 需要计算的通道 - `mask:Var` 需要计算的图像的掩码，*本函数实现不支持mask* - `histSize:[int]` 直方图的大小，如：`[256]` - `ranges:[float]` 直方图的范围，如：`[0., 256.]` - `accumulate:bool` 是否累加，默认为`False` *本函数实现不支持累加* 返回：计算得到的直方图 返回类型：`Var` 示例： ```python >>> img = cv.imread('cat.jpg') >>> cv.calcHist([img], [0], None, [256], [0., 256.]) array([ 9., 5., 13., 25., ..., 41., 74., 41., 173.], dtype=float32) ```