opencv知识库---整理
opencv知识库—整理
基本概念
预处理 按我的话来说，所谓预处理，就是在图像还未真正进行识别处理前，对图像进行简易、全局的处理。这一块通常在产生图片时进行操作，不属于我们视觉识别的重点（但是预处理真的很重要）。这里仅简单介绍我们使用的两个预处理过程。 降低曝光度 通过相机，我们能够源源不断地获取到当前的画面，也就是一帧帧的图像。自瞄算法处理的对象，就是这每一张图像。 在实战中，由于环境光的干扰，如果直接对图片进行算法处理，会错误的提取多余的特征，导致算法的准确度和速度大大降低。由于灯条自己会发光，可以有效和将灯条与环境光很好的区分开来。为了便于分离灯条与其他光线，一般将曝光设置得很低，如下图为相机获取到的画面：（RoboMaster视觉教程（1）摄像头）
常见关键字
数据类型—类对象
cv::Point2f cv::Point2f 是一个二维点，包含两个浮点数（x 和 y），用于表示二维空间中的点。 加法和减法：可以直接对 Point2f 进行加法和减法操作。 计算距离：使用 cv::norm 函数计算两点之间的欧几里得距离。 例如： float distance = norm(point1 - point2);
cv::Point3f cv::Point3f 是一个三维点，包含三个浮点数（x、y 和 z），用于表示三维空间中的点。 加法和减法：可以直接对 Point3f 进行加法和减法操作。 计算距离：使用 cv::norm 函数计算两点之间的欧几里得距离。 例如： float distance = norm(point1 - point2);
cv::Point2i 和 cv::Point3i 除了浮点数版本的 Point2f 和 Point3f，OpenCV 还提供了整数版本的点类型： cv::Point2i：二维整数点，包含两个整数（x 和 y）。 cv::Point3i：三维整数点，包含三个整数（x、y 和 z）。 它们的用法与浮点数版本类似，只是数据类型为整数。
Mat赋初值（经常忘记）
cv::Mat cameraMatrix = (cv::Mat_
函数
常见程序设计流程
PNP测距
robomaster装甲板识别代码讲解
需求:用方框框住装甲板 分析: 观察视频，我发现装甲板有两条竖直平行的灯条在装甲板的左右两端。所以大致分析，解决该问题的关键就是通过筛选出视频中的灯条，通过计算像素坐标，来绘制矩形框住装甲板。 视频中的灯条可以看成一个旋转矩形RotatedRect，为了方便后续对灯条几何特征（角度/中心点等）进行成对匹配，我将矩形的各个属性：宽，长，中心，角度，面积，封装成一个灯条类。
将VideoCaputure初始化，用于读取视频中的每一帧
为了方便对图像中灯条的提取 我首先对图像进行了预处理 1.由于视频中的灯条是红色的，选择红色通道进行二值化 2.将图片进行阈值处理，灯条是图片中亮度较高的区域，阈值220可以有效提取明亮区域 3.利用高斯模糊消除微小噪声点 4.对图像进行膨胀操作，连接断裂的灯条区域，将灯条扩大，方便提取，使用5x5矩形结构元素element增强膨胀元素
接着检测灯条的轮廓 利用findContours函数读取预处理好的图像，获得存储灯条轮廓的点集 hierarchy表示输出各个轮廓的继承关系 RETR_TREE表示检测所有轮廓，并且建立所有的继承关系，CHAIN_APPROX_NONE表示把轮廓的所有点存储
对轮廓进行处理与筛选 将面积太小，点数太少，长宽比太大也就是太过细长的灯条筛选掉
使用椭圆拟合函数fitEllipse:返回旋转矩形
opencv常用100个API
图像操作 cv2.imread(filename, flags) - 读取图像。 cv2.imwrite(filename, img) - 保存图像。 cv2.imshow(window_name, img) - 显示图像。 cv2.cvtColor(src, code) - 转换图像颜色空间。 cv2.resize(src, dsize, fx, fy, interpolation) - 缩放图像。 cv2.rotate(src, rotateCode) - 旋转图像。 cv2.flip(src, flipCode) - 翻转图像。 cv2.split(src) - 拆分通道。 cv2.merge(mv) - 合并通道。 cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value) - 添加边框。 图像变换 cv2.warpAffine(src, M, dsize) - 仿射变换。 cv2.getAffineTransform(srcPoints, dstPoints) - 获取仿射变换矩阵。 cv2.warpPerspective(src, M, dsize) - 透视变换。 cv2.getPerspectiveTransform(srcPoints, dstPoints) - 获取透视变换矩阵。 cv2.remap(src, map1, map2, interpolation) - 重映射。 cv2.resize(src, dsize) - 调整大小。 cv2.getRotationMatrix2D(center, angle, scale) - 获取旋转矩阵。 cv2.invertAffineTransform(M) - 仿射矩阵求逆。 cv2.convertScaleAbs(src, alpha, beta) - 调整对比度和亮度。 cv2.normalize(src, dst, alpha, beta, norm_type) - 归一化。 绘图功能 cv2.line(img, pt1, pt2, color, thickness) - 画线。 cv2.rectangle(img, pt1, pt2, color, thickness) - 画矩形。 cv2.circle(img, center, radius, color, thickness) - 画圆。 cv2.ellipse(img, center, axes, angle, startAngle, endAngle, color, thickness) - 画椭圆。 cv2.polylines(img, pts, isClosed, color, thickness) - 画多边形。 cv2.fillPoly(img, pts, color) - 填充多边形。 cv2.putText(img, text, org, fontFace, fontScale, color, thickness) - 添加文本。 图像阈值 cv2.threshold(src, thresh, maxval, type) - 图像二值化。 cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) - 自适应阈值。 cv2.inRange(src, lowerb, upperb) - 范围筛选。 图像平滑与滤波 cv2.blur(src, ksize) - 均值滤波。 cv2.GaussianBlur(src, ksize, sigmaX) - 高斯滤波。 cv2.medianBlur(src, ksize) - 中值滤波。 cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace) - 双边滤波。 cv2.filter2D(src, ddepth, kernel) - 任意核卷积。 边缘检测与轮廓 cv2.Canny(image, threshold1, threshold2) - 边缘检测。 cv2.findContours(image, mode, method) - 查找轮廓。 cv2.drawContours(image, contours, contourIdx, color, thickness) - 绘制轮廓。 cv2.arcLength(contour, closed) - 计算轮廓周长。 cv2.contourArea(contour) - 计算轮廓面积。 cv2.approxPolyDP(curve, epsilon, closed) - 多边形逼近。 cv2.boundingRect(points) - 计算矩形边界。 cv2.minEnclosingCircle(points) - 最小包围圆。 cv2.convexHull(points) - 凸包。 cv2.isContourConvex(contour) - 判断是否为凸形。 形态学操作 cv2.erode(src, kernel, iterations) - 腐蚀。 cv2.dilate(src, kernel, iterations) - 膨胀。 cv2.morphologyEx(src, op, kernel) - 形态学操作（开闭运算等）。 cv2.getStructuringElement(shape, ksize) - 获取结构元素。 图像直方图 cv2.calcHist(images, channels, mask, histSize, ranges) - 计算直方图。 cv2.equalizeHist(src) - 直方图均衡化。 cv2.createCLAHE(clipLimit, tileGridSize) - 自适应直方图均衡化。 特征检测与描述 cv2.SIFT_create() - SIFT特征检测。 cv2.ORB_create() - ORB特征检测。 cv2.FastFeatureDetector_create() - FAST特征检测。 cv2.MSER_create() - MSER特征检测。 cv2.BRISK_create() - BRISK特征检测。 cv2.SimpleBlobDetector_create() - 简单Blob检测。 cv2.goodFeaturesToTrack(src, maxCorners, qualityLevel, minDistance) - 检测角点。 特征匹配 cv2.BFMatcher(normType) - 暴力匹配器。 cv2.FlannBasedMatcher() - FLANN匹配器。 cv2.drawMatches(img1, kp1, img2, kp2, matches, outImg) - 绘制匹配结果。 视频操作 cv2.VideoCapture(source) - 打开视频文件或摄像头。 cv2.VideoWriter(filename, fourcc, fps, frameSize) - 保存视频。 cap.read() - 读取视频帧。 cap.isOpened() - 检查视频是否打开。 cap.release() - 释放视频资源。 几何变换与数学操作 cv2.addWeighted(src1, alpha, src2, beta, gamma) - 图像加权。 cv2.bitwise_and(src1, src2) - 按位与。 cv2.bitwise_or(src1, src2) - 按位或。 cv2.bitwise_not(src) - 按位取反。 cv2.bitwise_xor(src1, src2) - 按位异或。 cv2.minMaxLoc(src) - 最值定位。 cv2.reduce(src, dim, rtype) - 归约操作。 模板匹配 cv2.matchTemplate(image, templ, method) - 模板匹配。 cv2.minMaxLoc(result) - 获取匹配位置。 深度学习相关 cv2.dnn.readNetFromCaffe(protoTxt, model) - 读取Caffe模型。 cv2.dnn.readNetFromTensorflow(model, config) - 读取TensorFlow模型。 cv2.dnn.readNetFromONNX(model) - 读取ONNX模型。 cv2.dnn.blobFromImage(image, scalefactor, size, mean, swapRB, crop) - 图像转换为深度学习输入。 基本工具 cv2.waitKey(delay) - 等待键盘输入。 cv2.destroyAllWindows() - 销毁所有窗口。 cv2.getTickCount() - 获取时间戳。 cv2.getTickFrequency() - 获取时间频率。 cv2.setMouseCallback(window_name, callback) - 设置鼠标回调。 深入功能 cv2.calcOpticalFlowFarneback(prev, next, flow, pyrScale, levels, winsize, iterations, polyN, polySigma, flags) - 光流计算。 cv2.cornerHarris(src, blockSize, ksize, k) - Harris角点检测。 cv2.cornerSubPix(image, corners, winSize, zeroZone, criteria) - 亚像素角点优化。 自定义与扩展 cv2.getTrackbarPos(trackbarname, winname) - 获取滑块值。 cv2.createTrackbar(trackbarname, winname, value, count, onChange) - 创建滑块。 cv2.fillConvexPoly(img, points, color) - 填充凸多边形。 cv2.fillPoly(img, pts, color) - 填充多边形。 图像与视频编码解码 cv2.imencode(ext, img) - 编码图像。 cv2.imdecode(buf, flags) - 解码图像。 cv2.VideoWriter_fourcc(c1, c2, c3, c4) - 获取视频编码器。 其他实用功能 cv2.phase(x, y) - 计算幅角。 cv2.cartToPolar(x, y) - 笛卡尔坐标到极坐标转换。 cv2.polarToCart(magnitude, angle) - 极坐标到笛卡尔坐标转换。 cv2.kmeans(data, K, bestLabels, criteria, attempts, flags) - KMeans 聚类。 cv2.connectedComponents(image) - 连通域分析。
补充API
1.glob
void cv::glob(cv::String pattern, std::vectorcv::String& result, bool recursive = false); pattern：文件路径模式，支持通配符（如 * 和 ?）。例如，"./data/*.jpg" 表示获取 data 文件夹下所有扩展名为 .jpg 的文件。 result：用于存储匹配路径的容器，类型为 std::vectorcv::String。 recursive：是否递归搜索子文件夹。默认为 false，表示仅搜索当前目录。
2.Size
cv::Size 指定图像尺寸 cv::Size 是一个简单的结构体，包含两个成员变量：width 和 height。它通常用于指定图像的尺寸，例如在 cv::resize 函数中 cv::Size(-1, -1) 的含义 在 OpenCV 的 cv::resize 函数中，cv::Size 的参数用于指定目标图像的大小。如果将 cv::Size 的宽度和高度都设置为 -1，这通常意味着目标图像的大小是通过缩放比例（fx 和 fy）来计算的，而不是直接指定目标尺寸。 例如: cv::resize(src, dst, cv::Size(-1, -1), fx, fy, interpolation);
3.findChessboardCorners
在 OpenCV 中，cv::findChessboardCorners 是一个用于检测棋盘格角点的函数，广泛应用于相机标定和三维重建等任务中 bool cv::findChessboardCorners( InputArray image, // 输入图像，必须是8位灰度或彩色图像 Size patternSize, // 棋盘格的尺寸，表示内部角点的数量（例如8x6的棋盘格，patternSize为(7,5)） OutputArray corners, // 检测到的角点坐标 int flags = CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE // 操作标志 ); image：输入图像，必须是8位灰度或彩色图像。 patternSize：棋盘格的尺寸，表示内部角点的数量（例如8x6的棋盘格，patternSize为(7,5)）。 corners：检测到的角点坐标，存储为 std::vectorcv::Point2f。 flags：操作标志，可以组合以下值： CALIB_CB_ADAPTIVE_THRESH：使用自适应阈值。 CALIB_CB_NORMALIZE_IMAGE：对图像进行归一化。 CALIB_CB_FAST_CHECK：快速检查图像是否包含棋盘格，如果未找到则提前退出
4.cornerSubPix//用于优化角点坐标//亚像素级精确定位
void cv::cornerSubPix( InputArray image, // 输入图像，通常是单通道灰度图像。 InputOutputArray corners, // 输入角点的初始坐标（例如由 findChessboardCorners 或 goodFeaturesToTrack 检测到的角点），优化后的角点坐标将直接输出到此参数[^23^][^24^]。 Size winSize, // 搜索窗口的一半尺寸。例如，Size(5, 5) 表示搜索窗口大小为 (52+1)×(52+1)=11×11[^21^][^23^]。 Size zeroZone, // 死区的一半尺寸，用于避免搜索区域的中心部分。值为 (-1, -1) 表示没有死区[^21^][^23^]。 TermCriteria criteria // 迭代过程的终止条件，可以是最大迭代次数或精度阈值[^23^]。 ); 参数说明 image：输入图像，必须是单通道灰度图像。 corners：角点的初始坐标（输入）和优化后的坐标（输出）。初始坐标通常由 findChessboardCorners 或 goodFeaturesToTrack 提供。 winSize：搜索窗口的一半尺寸，决定了角点优化时考虑的区域范围。 zeroZone：死区的一半尺寸，用于避免搜索区域的中心部分。值为 (-1, -1) 表示没有死区。 criteria：迭代终止条件，通常设置为 TermCriteria::EPS + TermCriteria::MAX_ITER，表示达到指定精度或最大迭代次数时停止。
5.calibrateCamera
在 OpenCV 中，cv::calibrateCamera 是一个用于相机标定的函数，通过一系列棋盘格图像来计算相机的内参和外参，以及畸变系数。以下是关于 cv::calibrateCamera 的使用方法和一个完整的示例代码。 double cv::calibrateCamera( InputArrayOfArrays objectPoints, // 三维空间中的点坐标（通常是棋盘格的角点） InputArrayOfArrays imagePoints, // 图像中的对应点坐标（棋盘格角点的图像坐标） Size imageSize, // 图像的尺寸 InputOutputArray cameraMatrix, // 输出的相机内参矩阵 InputOutputArray distCoeffs, // 输出的畸变系数 OutputArrayOfArrays rvecs, // 每幅图像的旋转向量 OutputArrayOfArrays tvecs, // 每幅图像的平移向量 int flags = 0, // 标定选项 TermCriteria criteria = TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 30, DBL_EPSILON) // 迭代终止条件 ); 参数说明 objectPoints：三维空间中的点坐标，通常是棋盘格的角点。对于每幅图像，这些点的坐标是相同的。 imagePoints：检测到的棋盘格角点的图像坐标。 imageSize：图像的尺寸（宽和高）。 cameraMatrix：相机内参矩阵，输出结果。 distCoeffs：畸变系数，输出结果。 rvecs：每幅图像的旋转向量，表示相机的旋转。 tvecs：每幅图像的平移向量，表示相机的平移。 flags：标定选项，例如 CALIB_FIX_PRINCIPAL_POINT、CALIB_FIX_ASPECT_RATIO 等。 criteria：迭代优化的终止条件。
6.find4QuardCornerSubpix//用于优化角点坐标
cv::find4QuadCornerSubpix 是一个用于精确定位四边形四个角点亚像素位置的函数。它通常在已经通过其他方法（如 cv::goodFeaturesToTrack 或 cv::cornerHarris）粗略定位角点之后使用，以提高角点检测的准确性 bool cv::find4QuadCornerSubpix( InputArray img, InputOutputArray corners, Size region_size ); img：输入图像，应为灰度图，类型为 8-bit 或浮点型的单通道图像。 corners：输入/输出参数。初始的角点坐标作为输入，优化后的角点坐标作为输出。这是一个包含 (x, y) 坐标的浮点数向量。 region_size：搜索窗口大小。对于每个角点，将在这个区域内的子窗口中寻找更准确的位置。
7.drawChessboardCorners
cv::drawChessboardCorners 是 OpenCV 中用于在图像上绘制检测到的棋盘格角点的函数。它通常用于相机标定过程中，帮助可视化检测到的角点，以验证角点检测的准确性 void cv::drawChessboardCorners( InputOutputArray image, // 目标图像，必须是8位彩色图像 Size patternSize, // 棋盘格的内角点数，格式为 cv::Size(columns, rows) InputArray corners, // 检测到的角点数组，由 findChessboardCorners 函数输出 bool patternWasFound // 指示是否成功检测到完整的棋盘格，应传入 findChessboardCorners 的返回值 ); image：目标图像，必须是8位彩色图像。 patternSize：棋盘格的内角点数，格式为 cv::Size(columns, rows)，其中 columns 和 rows 分别是棋盘格的列数和行数（注意是内角点数，而非方格数）。 corners：检测到的角点数组，由 findChessboardCorners 函数输出。 patternWasFound：指示是否成功检测到完整的棋盘格，应传入 findChessboardCorners 的返回值。
8.getAffineTransform
计算仿射变换矩阵 仿射变换是一种二维坐标到二维坐标的线性变换，它保持了直线和平行性，但可以改变形状和大小。 需要三个点 cv::Mat cv::getAffineTransform(const Point2f src[], const Point2f dst[]); cv::Mat cv::getAffineTransform(InputArray src, InputArray dst); src：源图像中三角形顶点的坐标，需要提供三个点。 dst：目标图像中相应三角形顶点的坐标，与 src 中的点一一对应。 返回值：一个 2×3 的浮点型矩阵，表示从 src 到 dst 的仿射变换矩阵 使用步骤 计算仿射变换矩阵：通过 getAffineTransform 函数计算出源图像和目标图像之间的仿射变换矩阵。 应用仿射变换：使用 warpAffine 函数将计算出的仿射变换矩阵应用到图像上，实现图像的仿射变换。
9.getPerspectiveTransform
计算透视变换矩阵 透视变换是一种更复杂的变换，它将一个平面映射到另一个平面，可以改变直线的平行性，从而实现更复杂的几何变换。 透视变换矩阵是一个 3×3 的矩阵，形式如下： 需要四个点 OpenCV 中用于计算透视变换矩阵的函数。它通过给定的四个点对（源点和目标点）来计算从源图像到目标图像的透视变换矩阵。这个矩阵可以用于将图像从一个平面映射到另一个平面，实现更复杂的几何变换，例如将矩形图像映射为平行四边形或梯形。 cv::Mat cv::getPerspectiveTransform(const Point2f src[], const Point2f dst[]); cv::Mat cv::getPerspectiveTransform(InputArray src, InputArray dst);
src：源图像中的四个点的坐标，这些点必须是不共线的。 dst：目标图像中对应的四个点的坐标，与 src 中的点一一对应。 返回值：一个 3×3 的浮点型矩阵，表示从 src 到 dst 的透视变换矩阵。 使用步骤 定义源点和目标点：选择源图像和目标图像中的四个点。 计算透视变换矩阵：使用 getPerspectiveTransform 函数计算透视变换矩阵。 应用透视变换：使用 warpPerspective 函数将计算出的透视变换矩阵应用到图像上，实现图像的透视变换。
10.warpAffine
是 OpenCV 中用于应用仿射变换的函数。它通过一个 2×3 的仿射变换矩阵，将输入图像映射到输出图像。这种变换可以实现平移、旋转、缩放和剪切等操作。 仿射变换（Affine Transformation）： 仿射变换是一种二维坐标到二维坐标的线性变换，保持直线和平行性，但可以改变形状和大小。 可以实现平移、旋转、缩放和剪切等操作。 矩阵维度：2×3 的矩阵。 warpAffine： 适用于简单的几何变换，如平移、旋转、缩放和剪切。 常用于局部变换，例如将图像的一部分旋转或缩放后嵌入到另一幅图像中。 示例：将图像的一部分旋转 45 度并缩放 0.5 倍。 需要三个点对 三个点不能共线 void cv::warpAffine( InputArray src, // 输入图像 OutputArray dst, // 输出图像 InputArray M, // 2×3 的仿射变换矩阵 Size dsize, // 输出图像的大小 int flags = INTER_LINEAR,// 插值方法 int borderMode = BORDER_CONSTANT, // 边界填充模式 const Scalar& borderValue = Scalar() // 边界填充值 ); 参数说明 src：输入图像，可以是任意通道数的单通道或多通道图像。 dst：输出图像，其大小由 dsize 参数决定，类型与输入图像相同。 M：2×3 的仿射变换矩阵，通常由 getAffineTransform 或其他方式计算得到。 dsize：输出图像的大小，格式为 cv::Size(width, height)。 flags：插值方法，常用的有： INTER_LINEAR：双线性插值（默认值）。 INTER_NEAREST：最近邻插值。 INTER_CUBIC：双三次插值。 borderMode：边界填充模式，常用的有： BORDER_CONSTANT：用指定的 borderValue 填充边界。 BORDER_REPLICATE：复制边缘像素。 BORDER_REFLECT：反射边缘像素。 borderValue：当 borderMode 为 BORDER_CONSTANT 时，用于填充边界的值，默认为黑色（0）。
11.warpPerspective
适用于更复杂的几何变换，如透视校正、文档扫描、3D 效果等。 常用于将图像从一个平面映射到另一个平面，例如将倾斜的文档图像校正为正面视图。 示例：将矩形图像变换为梯形或平行四边形。 需要四个点对 这四个点不能共线,且不能共面 透视变换（Perspective Transformation）： 透视变换是一种更复杂的变换，可以改变直线的平行性，从而实现更复杂的几何变换，例如将矩形变换为梯形或平行四边形。 适用于模拟三维空间中的视角变化，例如文档扫描、透视校正等。 矩阵维度：3×3 的矩阵。 warpPerspective 是 OpenCV 中用于应用透视变换的函数。它通过一个 3×3 的透视变换矩阵，将输入图像映射到输出图像。这种变换可以实现图像的倾斜、扭曲或视角变化，通常用于模拟三维空间中的视角变化 void cv::warpPerspective( InputArray src, // 输入图像 OutputArray dst, // 输出图像 InputArray M, // 3×3 的透视变换矩阵 Size dsize, // 输出图像的大小 int flags = INTER_LINEAR,// 插值方法 int borderMode = BORDER_CONSTANT, // 边界填充模式 const Scalar& borderValue = Scalar() // 边界填充值 ); 参数说明 src：输入图像，可以是任意通道数的单通道或多通道图像。 dst：输出图像，其大小由 dsize 参数决定，类型与输入图像相同。 M：3×3 的透视变换矩阵，通常通过 getPerspectiveTransform 函数计算得到。 dsize：输出图像的大小，格式为 cv::Size(width, height)。 flags：插值方法，常用的有： INTER_LINEAR：双线性插值（默认值）。 INTER_NEAREST：最近邻插值。 INTER_CUBIC：双三次插值。 borderMode：边界填充模式，常用的有： BORDER_CONSTANT：用指定的 borderValue 填充边界。 BORDER_REPLICATE：复制边缘像素。 borderValue：当 borderMode 为 BORDER_CONSTANT 时，用于填充边界的值，默认为黑色（0）。 计算透视变换矩阵：使用 getPerspectiveTransform 函数计算 3×3 的透视变换矩阵。 调用 warpPerspective：将计算得到的矩阵应用到输入图像上，生成输出图像。
12.norm cv::norm 函数用于计算矩阵或向量的范数。它是一个非常有用的工具，可以用于测量向量的长度、矩阵的大小，或者计算两个矩阵之间的差异 double cv::norm(InputArray src1, int normType = NORM_L2, InputArray mask = noArray()); src1：输入矩阵或向量。 normType：范数类型，默认为 NORM_L2，即欧几里得范数。其他常见范数类型包括： NORM_L1：L1 范数，即绝对值之和。 NORM_L2：L2 范数，即欧几里得范数。 NORM_INF：无穷范数，即最大绝对值。 NORM_HAMMING：汉明距离。 mask：可选参数，用于指定计算范数时的掩码。
12.solvePnP
bool solvePnP(InputArray objectPoints, InputArray imagePoints, InputArray cameraMatrix, InputArray distCoeffs, OutputArray rvec, OutputArray tvec, bool useExtrinsicGuess = false, int flags = SOLVEPNP_ITERATIVE);
objectPoints：目标物体的 3D 点坐标，类型为 vector
13.norm
在 OpenCV 的 C/C++ 接口中，norm 函数用于计算数组的范数，它在图像处理和计算机视觉中非常有用，例如用于计算图像之间的差异或特征向量的长度。以下是关于 norm 函数的详细说明： double cv::norm(InputArray src1, InputArray src2 = noArray(), int normType = NORM_L2, InputArray mask = noArray()); 参数说明： src1：输入数组（图像或矩阵）。 src2：可选的第二个输入数组，如果提供，则计算两个数组之间的范数。 normType：范数类型，默认为 NORM_L2，可选值包括： NORM_INF：无穷范数，即最大绝对值。 NORM_L1：L1 范数，即绝对值之和。 NORM_L2：L2 范数，即欧几里得范数。 NORM_L2SQR：L2 范数的平方。 NORM_HAMMING：汉明范数，适用于二进制数据。 NORM_HAMMING2：汉明范数的变体。 NORM_MINMAX：归一化范数。 mask：可选的掩码，用于指定哪些元素参与计算。
API区别和异同
minAreaRect 和 fitEllipse 是 OpenCV 中用于轮廓拟合的两种不同方法，它们的主要区别如下：
功能定义 minAreaRect：用于计算能够完全包围输入点集（通常是轮廓）的最小面积矩形。这个矩形可以是旋转的，因此能够更好地适应不规则形状。 fitEllipse：用于拟合一个椭圆，使其最优地匹配输入的点集（通常是轮廓）。这个椭圆能够更好地描述轮廓的形状特征。
返回值 minAreaRect：返回一个 RotatedRect 对象，包含以下信息： 矩形的中心点坐标。 矩形的宽度和高度。 矩形的旋转角度。 fitEllipse：返回一个椭圆的参数，包括： 椭圆的中心点坐标。 椭圆的主轴和次轴长度。 椭圆的旋转角度。
使用场景 minAreaRect：适用于需要最小面积矩形来包围轮廓的场景，例如目标检测、物体定位等。它能够提供更紧凑的包围形状。 fitEllipse：适用于需要描述轮廓的形状特征或进行椭圆拟合的场景，例如在医学图像分析中拟合细胞形状。
输入要求 minAreaRect：输入为一组二维点集（通常是轮廓的点集）。 fitEllipse：输入同样为一组二维点集，但要求点集的数量至少为 5 个。
输出形状 minAreaRect：输出是一个旋转矩形，可以通过 cv2.boxPoints 获取其四个顶点。 fitEllipse：输出是一个椭圆，可以通过 cv2.ellipse 绘制。
总结 如果目标是找到最小面积的矩形包围框，选择 minAreaRect。 如果目标是拟合一个椭圆来描述轮廓的形状，选择 fitEllipse。
希望这些信息能帮助你理解两者的区别。
点赞数据加载中