1.圖像讀寫壓縮
img=cv2.imread(r"1.png",1) # 讀取
cv2.imshow(“image”,img) # 顯示
cv2.imwrite(“out1.jpg”,img,) # 寫
cv2.imwrite(“yasuo.png”,img,[cv2.IMWRITE_PNG_COMPRESSION,9] ) #png 壓縮
jpg壓縮0-100（100質量最好） ，png 0-9（0質量最好）
2.圖像resize dst=cv2.resize（img,(w,h)）
2.1最近鄰域插值法 iNew=int(i*(height1.0/des_height)) jNew=int(j(width*1.0/des_width))
2.2雙線性插值法
3.縮放矩陣
[[A1 ,A2,B1] , [A3,A4,B2]] == > 拆分爲[[A1,A2],[A3,A4]] 和 [[B1,B2]] 對於輸入xy來說
Newx = A1x+A2Y+B1
newY =A2x+A2y +B2
4.仿射函數
獲取仿射變換矩陣 cv2.getAffineTransform(mat_src,mat_det) #左上左下右上三個點映射，
獲取旋轉矩陣 cv2.getRotationMatrix2D((width/2,height/2),45,0.5)#中心，旋轉
角度，縮放比
然後進行仿射變換
5.轉灰度圖
cv2.imread(“1.jpg”,0)
dest=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
心理學公式r0.299+g0.587+b*0.114
6.顏色反轉 負片 255 -像素（灰度 bgr都可以）
7.馬賽克 相鄰10個像素用同一個像素替換 例子
foriinrange(100,500):
forjinrange(200,400):
ifi%100andj%100:
b,g,r=img[i,j]
forxinrange(0,10):
for y inrange(0,10):
dest[i+x,j+y]=(b,g,r)
8.毛玻璃效果 與馬賽克類似，只不過是一定範圍內隨機取像素替代
mm=8#範圍
For i in range(0,h-mm):
For j in range(0,w-mm):
index=int(random.random()*8)
b,g,r=img[i+index,j+index]
dest[i,j]=(b,g,r)
9.邊緣檢測
9.1 canny 灰度 去噪聲 最後檢測
img=cv2.imread(“1.jpg”,1)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.GaussianBlur(gray,(3,3),0) # 卷積核
dest=cv2.Canny(img,300,300) # 300是閾值
9.2sobel 2個矩陣，公式爲 像素分別卷積這兩個矩陣。分別得出x y方向的卷積值，然後，算梯度，比閾值
#x方向的矩陣
#[[1,2,1],
#[0,0,0],
#[-1,-2,-1]]
#y方向的矩陣
#[[1,0,-1],
#[2,0,-2],
#[1,0,-1]]
For I in range(0,h-2):
For j in range(0,w-2):
gy=gray[i,j]+gray[i,j+1]*2+gray[i,j+2]-gray[i+2,j]-2*gray[i+2,j+1]-gray[i+2,j+2]
gx=gray[i,j]-gray[i,j+2]+2*gray[i+1,j]-2*gray[i+1,j+2]+gray[i+2,j]-gray[i+2,j+2]
gard=math.sqrt(gx*gx+gy*gy) # 求梯度
If gard > 300: # 閾值300
dest[i,j]=255
else:
dest[i,j]=0
10 浮雕效果 公式 (x)點像素-（x+1）點像素+150
11 油畫 效果
#1灰度化
#2圖片分爲若干個方塊，統計小方塊灰度值
#3把灰度值分等級如8個段，把步驟2的灰度值映射到等級裏
#4找到灰度等級最多的等級，並計算平均值
#5平均值替換原來的像素值
12 繪製
12.1直線繪製 cv2.line(dst,(100,200),(400,200),(0,255,0),10,cv2.LINE_AA)#圖，起始位置，結束位置，顏色,寬度,抗鋸齒參數
12.2矩形繪製cv2.rectangle(dst,(100,100),(400,400),(0,255,255),-1)#圖，起始，結束,顏色，內容填充-1爲填充，>0爲寬度
12.3 圓形 cv2.circle(dst,(200,200),50,(255,0,0),-1)#圖，圓心，半徑，顏色，填充
13視頻處理
cap=cv2.VideoCapture(“1.mp4”)
isOpen=cap.isOpened()
fps=cap.get(cv2.CAP_PROP_FPS)#fps
width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))#每一幀寬
height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))#每一幀寬
(flag,frame)=cap.read()#讀取一幀 ，flag成功與否，frame
#圖片生成視頻
videoWirte=cv2.VideoWriter("out.mp4",-1,24,(640,480)) #，保存的視頻，文件名，變啊默契，幀率，尺寸
videoWirte.write(img) #寫圖片
14. 特徵
a. harr特徵 +adaboost分類
b. Hog 特徵 +svm分類 尋求最優超平面
svm=cv2.ml.SVM_create()#創建支持向量積
svm.setType(cv2.ml.SVM_C_SVC)#svmtype類型
svm.setKernel(cv2.ml.SVM_LINEAR)#線性分類器
svm.setC(0.01)
result=svm.train(data,cv2.ml.ROW_SAMPLE,label)
#預測
(pre1,pre2)=svm.predict(pt_data)
i. 特徵 img 整個圖
ii. windows窗體 圖中一部分，推薦大小爲 64*128 ， 特徵計算最頂層單元，得到目標全部信息特徵，可以判決
iii. Block 窗體種一部分 ，來滑動的計算的 ，windowsize的wh是其整數倍，推薦大小16*16,步長一般8*8 。 計算block的數量爲((64-16)/8+1) *((128-16)/8+1) =105
iv. Cell block中一部分 ，一般8*8 一個block有四個，
v. Bin 一個bin 40度，一個cell含有九個bin
vi. hog特徵維度 是一個向量，維度 =105*4*9 =3780 （wind bolck個數* block下cell個數*cell下bin個數）
vii. 梯度:像素爲單位 （需要計算 windows窗體下所有元素）特徵模板 ：水平[1 0 -1]豎直[[1] [0] [1]] 將像素與模板進行卷積運算 。 f爲 根號下（a方+b方） angle =arctan（a/b）