函数内容接上文：OpenCV day4-CSDN博客
目录
9.cv2.adaptiveThreshold():
10.cv2.split()：
11.cv2.merge()：
12.cv2.add()：
13.cv2.subtract()：
14.cv2.multiply()：
15.cv2.divide()：
16.cv2.bitwise_and()：
17.cv2.bitwise_or()：
18.cv2.inRange()：
19.cv2.getRotationMatrix2D()：
21.cv2.flip()：
22.cv2.resize()：
23.cv2.getPerspectiveTransform()：
24.cv2.warpPerspective()：
透视变换练习1：
透视变换练习2：
9.cv2.adaptiveThreshold():
| 功能 | 对图像进行局部自适应阈值化，解决光照不均问题，生成二值图像。 |
| 参数 | 1. src：输入灰度图像（单通道）。2. maxValue：满足条件时赋予的像素值（如255）。3. adaptiveMethod：阈值计算方式（ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C）。4. thresholdType：二值化类型（THRESH_BINARY 或 THRESH_BINARY_INV）。5. blockSize：局部邻域大小（奇数，如11）。6. C：从均值/高斯均值中减去的常数（用于微调阈值）。 |
| 返回值 | 二值化后的图像（numpy.ndarray）。 |
关键区别：
-
普通阈值（如
cv2.threshold）：全局统一阈值。 -
自适应阈值：每个像素的阈值根据周围像素动态计算，适合光照不均的图像。
10.cv2.split()：
| 功能 | 将多通道图像（如BGR）拆分为单通道数组。 |
| 参数 | src：输入的多通道图像（numpy.ndarray，如BGR格式的3通道图像）。 |
| 返回值 | 返回单通道数组的元组（如BGR图像返回(B, G, R)三个通道）。 |
11.cv2.merge()：
| 功能 | 将多个单通道数组合并成一个多通道图像（如合并 B、G、R 通道成彩色图像）。 |
| 参数 | mv：一个包含单通道数组的列表或元组（如 [B, G, R]）。 |
| 返回值 | 合并后的多通道图像（numpy.ndarray）。 |
关键点：
-
通常与
cv2.split()配合使用，用于通道分离后的重新合并。 -
输入的通道顺序决定输出图像的格式（如
[R, G, B]会生成 RGB 图像，而 OpenCV 默认是 BGR）。
12.cv2.add()：
| 功能 | 对两张图像（或图像与标量）进行饱和加法运算（像素值超过最大值时截断）。 |
| 参数 | 1. src1：第一张输入图像或标量值。2. src2：第二张输入图像或标量值。3. mask（可选）：掩膜，指定操作区域。4. dtype（可选）：输出数据类型（如 cv2.CV_8U）。 |
| 返回值 | 加法结果图像（numpy.ndarray）。 |
关键特性：
-
饱和运算：结果超出范围时自动截断（如
uint8超过 255 则取 255）。 -
与
numpy.add()区别：NumPy 是模运算（256 → 0），而 OpenCV 是截断（256 → 255）。
13.cv2.subtract()：
| 功能 | 对两张图像（或图像与标量）进行饱和减法运算（像素值低于最小值时截断为0）。 |
| 参数 | 1. src1：被减图像或标量值。2. src2：减数图像或标量值。3. mask（可选）：掩膜，指定操作区域。4. dtype（可选）：输出数据类型（如 cv2.CV_8U）。 |
| 返回值 | 减法结果图像（numpy.ndarray）。 |
14.cv2.multiply()：
| 功能 | 对两张图像（或图像与标量）进行饱和乘法运算（像素值超过最大值时截断）。 |
| 参数 | 1. src1：第一张输入图像或标量值。2. src2：第二张输入图像或标量值。3. scale（可选）：缩放因子（默认1.0）。4. dtype（可选）：输出数据类型（如 cv2.CV_32F）。 |
| 返回值 | 乘法结果图像（numpy.ndarray）。 |
15.cv2.divide()：
| 功能 | 对两张图像（或图像与标量）进行除法运算（支持饱和处理和类型转换）。 |
| 参数 | 1. src1：被除数图像或标量值。2. src2：除数图像或标量值。3. scale（可选）：缩放因子（默认1.0）。4. dtype（可选）：输出数据类型（如 cv2.CV_32F）。 |
| 返回值 | 除法结果图像（numpy.ndarray）。 |
16.cv2.bitwise_and()：
| 功能 | 对两张图像（或图像与标量）进行按位与运算（像素级二进制AND操作）。 |
| 参数 | 1. src1：第一张输入图像或标量值。2. src2：第二张输入图像或标量值。3. mask（可选）：掩膜，指定操作区域（仅对掩膜非零区域操作）。4. dst（可选）：输出数组。 |
| 返回值 | 按位与结果图像（numpy.ndarray）。 |
关键特性：
-
二进制操作：对每个像素的二进制值逐位进行AND运算（同1得1，否则得0）。
-
掩膜应用：可通过
mask参数限定操作区域（非掩膜区域输出为0）。 -
典型用途：图像掩膜提取、ROI操作、位平面分析。
17.cv2.bitwise_or()：
| 功能 | 对两张图像（或图像与标量）进行按位或运算（像素级二进制OR操作）。 |
| 参数 | 1. src1：第一张输入图像或标量值。2. src2：第二张输入图像或标量值。3. mask（可选）：掩膜，指定操作区域（仅对掩膜非零区域操作）。4. dst（可选）：输出数组。 |
| 返回值 | 按位或结果图像（numpy.ndarray）。 |
对比其他位操作：
-
cv2.bitwise_and()：逻辑与（交集） -
cv2.bitwise_or()：逻辑或（并集） -
cv2.bitwise_xor()：逻辑异或（差异） -
cv2.bitwise_not()：逻辑非（取反）
18.cv2.inRange()：
| 功能 | 检查图像中像素值是否位于指定范围内，生成二值掩膜（符合范围=255，否则=0）。 |
| 参数 | 1. src：输入图像（单通道或多通道）。2. lowerb：范围下限（标量或数组，如 [min_B, min_G, min_R]）。3. upperb：范围上限（标量或数组，如 [max_B, max_G, max_R]）。 |
| 返回值 | 二值掩膜图像（numpy.ndarray，符合范围=255，否则=0）。 |
关键特性：
-
多通道支持：可直接处理彩色图像（需为
lowerb和upperb提供每个通道的阈值）。 -
典型用途：颜色过滤、背景分割、对象检测（如提取绿色区域）。
19.cv2.getRotationMatrix2D()：
| 功能 | 生成一个 2D旋转矩阵，用于图像的旋转操作（围绕指定中心点旋转）。 |
| 参数 | 1. center：旋转中心坐标 (x, y)。2. angle：旋转角度（顺时针为正，单位：度）。3. scale：缩放因子（1.0表示不缩放）。 |
| 返回值 | 2×3的仿射变换矩阵（numpy.ndarray，可直接用于 cv2.warpAffine()）。 |
关键特性：
-
旋转方向：角度为正值时顺时针旋转，负值逆时针旋转。
-
中心点：旋转围绕该点进行，若设为图像中心则保持旋转后内容在视野内。
-
缩放：可同时缩放图像（如
scale=0.5旋转并缩小一半）。
| 功能 | 对图像应用仿射变换（旋转、平移、缩放、倾斜等线性变换）。 |
| 参数 | 1. src：输入图像。2. M：2×3仿射变换矩阵（如 cv2.getRotationMatrix2D() 生成的矩阵）。3. dsize：输出图像尺寸 (width, height)。4. flags（可选）：插值方法（如 cv2.INTER_LINEAR）。5. borderMode（可选）：边界填充方式（如 cv2.BORDER_CONSTANT）。6. borderValue（可选）：填充边界时的颜色（默认为黑色）。 |
| 返回值 | 变换后的图像（numpy.ndarray）。 |
关键特性：
-
仿射变换：保持直线和平行性，适用于旋转、平移、缩放等操作。
-
插值方法：推荐
cv2.INTER_LINEAR（平衡速度与质量）或cv2.INTER_CUBIC（高质量）。 -
边界处理：超出原图范围的区域默认填充黑色，可通过
borderValue修改（如填充白色）。
21.cv2.flip()：
| 功能 | 对图像进行翻转操作（水平、垂直或双向翻转）。 |
| 参数 | 1. src：输入图像。2. flipCode：翻转方向控制：• 0：垂直翻转（沿X轴）• 1：水平翻转（沿Y轴）• -1：双向翻转（先水平后垂直） |
| 返回值 | 翻转后的图像（numpy.ndarray）。 |
关键特性：
-
原地操作：不修改原图，返回新图像。
-
无插值：直接像素映射，速度极快。
-
多通道支持：彩色图像（BGR/RGB）也可直接翻转。
22.cv2.resize()：
| 项目 | 说明 |
|---|---|
| 功能 | 调整图像尺寸（放大或缩小）。 |
| 参数 | 1. src：输入图像。2. dsize：目标尺寸 (width, height)。3. fx, fy（可选）：沿x/y轴的缩放因子（与dsize二选一）。4. interpolation（可选）：插值方法（默认cv2.INTER_LINEAR）。 |
| 返回值 | 缩放后的图像（numpy.ndarray）。 |
常用插值方法：
-
cv2.INTER_NEAREST：最近邻（速度快，质量低）。 -
cv2.INTER_LINEAR：双线性（默认，平衡速度与质量）。 -
cv2.INTER_CUBIC：双三次（高质量，适合放大）。 -
cv2.INTER_AREA：区域插值（适合缩小）。
注意：
-
dsize参数格式为(宽度, 高度)，与 numpy 的(行, 列)相反。 -
同时指定
dsize和fx/fy时，dsize优先生效。
23.cv2.getPerspectiveTransform()：
| 功能 | 计算 透视变换矩阵（从4个源点映射到4个目标点的3×3变换矩阵）。 |
| 参数 | 1. src：源图像中4个点的坐标（np.float32格式，形如[[x1,y1],...,[x4,y4]]）。2. dst：目标图像中对应的4个点坐标（格式同src）。 |
| 返回值 | 3×3透视变换矩阵（numpy.ndarray，用于cv2.warpPerspective()）。 |
关键特性
-
点对要求：
-
需要 精确4组对应点（不能多或少）。
-
点顺序需一致（如左上、右上、左下、右下）。
-
注意事项
-
输入点类型：必须是
np.float32，否则报错。 -
点顺序一致性：若源点与目标点顺序不匹配，会导致扭曲异常。
-
与仿射变换区别：透视变换需要4个点（仿射变换仅需3个点）。
24.cv2.warpPerspective()：
| 功能 | 对图像应用透视变换（将图像投影到新的视角平面，如倾斜矫正、视角转换）。 |
| 参数 | 1. src：输入图像。2. M：3×3透视变换矩阵（来自cv2.getPerspectiveTransform()）。3. dsize：输出图像尺寸 (width, height)。4. flags（可选）：插值方法（如 cv2.INTER_LINEAR）。5. borderMode（可选）：边界填充方式（如 cv2.BORDER_CONSTANT）。6. borderValue（可选）：填充颜色（默认为黑色）。 |
| 返回值 | 透视变换后的图像（numpy.ndarray）。 |
核心特性
-
透视变换矩阵
-
需通过
cv2.getPerspectiveTransform()或手动计算得到3×3矩阵。
-
-
插值方法
-
cv2.INTER_LINEAR（默认）：平衡速度与质量。 -
cv2.INTER_CUBIC：高质量，适合放大。 -
cv2.INTER_NEAREST：速度快但锯齿明显。
-
-
边界处理
-
默认填充黑色（
borderValue=(0, 0, 0)），可设置为白色或其他颜色。
-
透视变换练习1：
import cv2
import numpy as np
img = cv2.imread('../images/youhua.png')
cv2.imshow("original image", img)
h, w, _ = img.shape
# 源图像中四个角点
src = np.array([[170, 140],
[630, 40],
[80, 500],
[660, 560]], dtype="float32")
# 目标图像中四个点
dst = np.array([[50, 10],
[700, 10],
[50, 550],
[700, 550]], dtype="float32")
# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(src, dst)
# 指定背景为白色
per_img = cv2.warpPerspective(img, M, (w, h), borderValue=(255, 255, 255))
cv2.imshow("perspective image", per_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
透视变换练习2：
import cv2
import numpy as np
img = cv2.imread('../images/hello.png')
cv2.imshow("original image", img)
h, w, _ = img.shape
# 源图像中四个角点
src = np.float32([
[80, 240],
[350, 120],
[200, 430],
[450, 258]
])
# 目标图像中四个点
dst = np.float32([
[0, 0],
[450, 0],
[0, 330],
[450, 330]
])
# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(src, dst)
# 指定背景为白色
per_img = cv2.warpPerspective(img, M, (450, 330), borderValue=(255, 255, 255))
cv2.imshow("perspective image", per_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
