OpenCV计算机视觉技术（Python语言描述）（微课版）-课后习题答案 林伟鹏

1B2A3OpenCV是一套跨平台的开源计算机视觉库，提供C++、Python等多语言接口，可免费商用，它能实现图像与视频的读取、处理、分析等基础操作，还支持特征检测与匹配、目标检测识别、图像分割等功能，广泛应用于人脸检测、二维码识别、手势识别、工业缺陷检测等场景。4OpenCV2和OpenCV3的核心区别，从版本架构、API规范、功能新增等关键维度为你梳理，核心差异如下：模块化架构的重大重构OpenCV2采用相对松散的模块组织，功能划分不够清晰，部分模块存在冗余依赖；而OpenCV3进行了模块化的彻底重构，将库分为两大核心部分：opencv_core（核心基础模块，免费开源）和opencv_contrib（扩展模块，包含更多高级、前沿功能，部分涉及专利或商业授权），扩展模块的分离让核心库更轻量化，也方便高级功能的独立迭代和维护。API命名空间与兼容性变化OpenCV2中大量函数直接暴露在全局命名空间，容易出现命名冲突；OpenCV3则强化了cv命名空间的使用，规范了API命名格式，同时引入了版本化的API设计（部分接口标注cv::v3::xxx）。此外，OpenCV3对2.x版本的部分老旧API进行了废弃或重构，直接迁移2.x代码可能出现兼容性报错，需要进行少量修改。核心功能与性能的升级新增更多高级计算机视觉算法，尤其在opencv_contrib中包含了SIFT/SURF（专利相关）、ORB优化、深度视觉、目标跟踪等前沿功能，这些在OpenCV2中要么缺失，要么实现不够完善；对底层计算进行了优化，更好地支持多核处理器、GPU加速（CUDA接口升级），整体运行效率高于OpenCV2；新增了对机器学习框架的适配、图像分割进阶算法，以及对主流图像/视频格式的更好支持。语言接口与生态的差异OpenCV2对Python接口的支持不够完善，文档和生态相对薄弱；OpenCV3大幅优化了Python、Java等高级语言接口，让非C++开发者更容易上手，同时配套文档更齐全，社区生态更活跃，后续的第三方工具和教程也更多围绕3.x版本展开。构建与部署的优化OpenCV3升级了构建系统，更好地支持CMake最新版本，简化了跨平台编译流程（Windows、Linux、Android等），同时减少了第三方依赖库的冗余，部署后的体积更可控，更适合嵌入式设备和移动应用开发。1A2BGR（蓝-绿-红）（而非日常认知的RGB顺序，这是OpenCV与其他图像处理库（如PIL/Pillow）的重要区别）uint8（8位无符号整数）（取值范围为0~255，这是图像存储中最常见的像素数据类型，用于表示每个颜色通道的亮度等级）。3A参数0（等价于cv2.IMREAD_GRAYSCALE）：以灰度单通道模式读取图像，直接返回灰度图4请创建一个大小为300像素×300像素的三通道RGB图像，并将所有像素值设置为0，再以(100,50)与(150,100)为顶点绘制一个红色平面。#导入OpenCV库importcv2#导入numpy库（用于创建图像数组）importnumpyasnp#1.创建300×300三通道图像，所有像素值置0#格式说明：np.zeros((高度,宽度,通道数),数据类型)#注意：OpenCV中图像数组格式为(H,W,C)，这里创建的是三通道图像（后续转换为RGB逻辑）img=np.zeros((300,300,3),dtype=np.uint8)#2.绘制红色矩形（顶点(100,50)与(150,100)）#关键说明：OpenCV默认图像色彩空间为BGR，红色对应BGR格式(0,0,255)#矩形绘制函数：cv2.rectangle(图像,左上角顶点,右下角顶点,颜色,填充方式)#cv2.FILLED表示填充矩形（绘制红色平面，而非边框）pt1=(100,50)#第一个顶点(x1,y1)pt2=(150,100)#第二个顶点(x2,y2)red_color=(0,0,255)#OpenCV中BGR格式的红色cv2.rectangle(img,pt1,pt2,red_color,cv2.FILLED)#3.显示结果（验证效果，OpenCV窗口显示仍以BGR格式识别）cv2.imshow("RedRectangleImage",img)cv2.waitKey(0)#等待任意按键按下cv2.destroyAllWindows()#关闭所有显示窗口5．请编写一个程序，用于录制计算机摄像头所拍摄的画面，并在画面的左上角绘制自己的名字，最后将录制结果保存在文件夹中。#导入OpenCV库importcv2defrecord_camera_with_name(name="MyName",save_path="camera_record.avi"):#1.初始化摄像头捕获对象#参数0表示默认摄像头（笔记本内置摄像头、台式机外接第一个摄像头）cap=cv2.VideoCapture(0)#校验摄像头是否成功打开ifnotcap.isOpened():print("错误：无法打开摄像头，请检查摄像头是否正常连接或被其他程序占用！")return#2.获取摄像头画面的宽、高和帧率（用于视频写入配置）frame_width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps=int(cap.get(cv2.CAP_PROP_FPS))#若摄像头无法获取有效帧率，默认设置为25帧/秒iffps<=0:fps=25#3.配置视频写入对象（用于保存录制结果）#视频编码格式：XVID兼容性强，跨平台可播放，对应后缀.avifourcc=cv2.VideoWriter_fourcc(*'XVID')#初始化VideoWriter：(保存路径,编码格式,帧率,画面尺寸)out=cv2.VideoWriter(save_path,fourcc,fps,(frame_width,frame_height))#4.配置文字绘制参数（左上角绘制姓名）text=name#要绘制的姓名text_position=(20,50)#文字左上角坐标（x=20,y=50，贴近左上角）font=cv2.FONT_HERSHEY_SIMPLEX#常用无衬线字体font_scale=1.2#文字大小缩放比例font_color=(0,255,0)#文字颜色（BGR格式，这里是绿色）font_thickness=2#文字线条粗细print("提示：摄像头已启动，录制中...按下'q'键停止录制并保存文件")#5.循环捕获、处理、录制画面whileTrue:#读取一帧摄像头画面ret,frame=cap.read()#校验帧是否读取成功（摄像头断开时会读取失败）ifnotret:print("警告：无法读取摄像头画面，停止录制")break#在画面左上角绘制姓名文字cv2.putText(img=frame,text=text,org=text_position,fontFace=font,fontScale=font_scale,color=font_color,thickness=font_thickness)#将处理后的帧写入视频文件out.write(frame)#显示实时录制画面（供预览）cv2.imshow("CameraRecording(Press'q'toquit)",frame)#按下'q'键退出循环（停止录制），等待1ms检测按键ifcv2.waitKey(1)&0xFF==ord('q'):break#6.释放资源（关键步骤，避免内存泄漏和文件损坏）cap.release()#释放摄像头out.release()#释放视频写入对象（确保文件完整保存）cv2.destroyAllWindows()#关闭所有OpenCV显示窗口print(f"录制完成！视频文件已保存至：{save_path}")#调用函数执行录制（可修改姓名和保存路径）if__name__=="__main__":#自定义：修改第一个参数为你的姓名，第二个参数为自定义保存路径（如"./record/我的录制.avi"）#注意：若指定子文件夹（如./record/），需提前手动创建该文件夹，否则会保存失败record_camera_with_name(name="ZhangSan",save_path="my_camera_record.avi")第三章1Dcv2.blur()——该函数是OpenCV中专门用于实现**均值滤波（又称方框滤波、平均滤波）**的函数，其原理是取滤波核窗口内所有像素的平均值，作为窗口中心像素的新值，实现图像去噪和平滑。2Acv2.erode()——该函数是OpenCV中专门用于实现**图像腐蚀（Erosion）**的专用函数。腐蚀是形态学操作的基础之一，其原理是用预设的结构元素（卷积核）扫描图像，取窗口内像素的最小值替换中心像素值，最终会让图像中的亮区域（前景）收缩、细化，常用于去除小的亮噪声、分离相邻的物体等。3Ccv2.bilateralFilter()——该函数是OpenCV中专门用于实现双边滤波（BilateralFiltering）的专用函数。双边滤波是一种非线性滤波，它同时考虑了空间距离相似度和像素值灰度相似度，在实现图像去噪平滑的同时，能够有效保留图像的边缘细节（避免普通滤波导致的边缘模糊）。4Bcv2.medianBlur()——这是中值滤波函数。它通过取像素邻域内的中值来替换中心像素值，对椒盐噪声（黑白噪点）有非常好的去除效果，是中值滤波的专用函数。5A6向下采样（高斯模糊+降采样）向上采样（升采样+与高斯金字塔的上一层做差）7代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefgaussian_blur_demo():#1.读取图像img=cv2.imread('tree.jpg')ifimgisNone:print("错误：未找到tree.jpg，请检查图像路径是否正确！")return#转换为RGB格式（方便matplotlib显示，OpenCV默认BGR）img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#2.不同尺寸高斯核滤波#3×3高斯滤波（sigmaX设为0，OpenCV会自动根据核尺寸计算sigma）blur_3x3=cv2.GaussianBlur(img,(3,3),sigmaX=0)#7×7高斯滤波blur_7x7=cv2.GaussianBlur(img,(7,7),sigmaX=0)#11×11高斯滤波blur_11x11=cv2.GaussianBlur(img,(11,11),sigmaX=0)#3.两次3×3高斯滤波blur_3x3_twice=cv2.GaussianBlur(blur_3x3,(3,3),sigmaX=0)#4.转换为RGB格式用于显示blur_3x3_rgb=cv2.cvtColor(blur_3x3,cv2.COLOR_BGR2RGB)blur_7x7_rgb=cv2.cvtColor(blur_7x7,cv2.COLOR_BGR2RGB)blur_11x11_rgb=cv2.cvtColor(blur_11x11,cv2.COLOR_BGR2RGB)blur_3x3_twice_rgb=cv2.cvtColor(blur_3x3_twice,cv2.COLOR_BGR2RGB)#5.显示所有结果plt.figure(figsize=(16,10))#原图plt.subplot(2,3,1)plt.imshow(img_rgb)plt.title('原图')plt.axis('off')#3×3滤波结果plt.subplot(2,3,2)plt.imshow(blur_3x3_rgb)plt.title('3×3高斯滤波')plt.axis('off')#7×7滤波结果plt.subplot(2,3,3)plt.imshow(blur_7x7_rgb)plt.title('7×7高斯滤波')plt.axis('off')#11×11滤波结果plt.subplot(2,3,4)plt.imshow(blur_11x11_rgb)plt.title('11×11高斯滤波')plt.axis('off')#两次3×3滤波结果plt.subplot(2,3,5)plt.imshow(blur_3x3_twice_rgb)plt.title('两次3×3高斯滤波')plt.axis('off')#差值图像（两次3×3vs7×7）diff=cv2.absdiff(blur_3x3_twice,blur_7x7)diff_rgb=cv2.cvtColor(diff,cv2.COLOR_BGR2RGB)plt.subplot(2,3,6)plt.imshow(diff_rgb)plt.title('两次3×3与7×7的差值')plt.axis('off')plt.tight_layout()plt.show()#6.验证结果是否相同（计算差值的平均值，接近0但非0）diff_mean=np.mean(diff)print(f"两次3×3高斯滤波与7×7高斯滤波的像素差值平均值：{diff_mean:.6f}")ifdiff_mean==0:print("结果完全相同")else:print("结果不相同")#7.解释原因print("\n原因分析：")print("1.高斯滤波的可分离性：高斯滤波是线性操作，连续两次3×3高斯滤波等价于一个“3×3卷积核卷积后再卷积3×3核”的复合核，但复合核的尺寸是5×5（而非7×7），且权重分布与7×7高斯核不同；")print("2.高斯核的权重分布：3×3高斯核的sigma由OpenCV自动计算（sigma=0.85），两次卷积的复合核权重和7×7高斯核（sigma≈1.91）的权重分布差异显著；")print("3.数值精度：即使理论上近似，OpenCV的浮点运算精度限制也会导致像素值存在微小差异。")if__name__=="__main__":gaussian_blur_demo()8代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefcompare_resize_methods():#1.读取图像img=cv2.imread('mountain.jpg')ifimgisNone:print("错误：未找到mountain.jpg，请检查图像路径是否正确！")return#转换为RGB格式（matplotlib显示用，OpenCV默认BGR）img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w=img.shape[:2]print(f"原始图像尺寸：{w}×{h}")#2.方式1：cv2.resize()三次缩小（每次宽高缩为1/2）resize_imgs=[img_rgb]#存储每次resize的结果，初始为原图current_resize=img.copy()foriinrange(3):#计算新尺寸：宽高各缩为1/2new_w=current_resize.shape[1]//2new_h=current_resize.shape[0]//2#使用默认插值方式（cv2.INTER_LINEAR）缩小current_resize=cv2.resize(current_resize,(new_w,new_h))#转换为RGB存储resize_imgs.append(cv2.cvtColor(current_resize,cv2.COLOR_BGR2RGB))print(f"第{i+1}次resize后尺寸：{new_w}×{new_h}")#3.方式2：cv2.pyrDown()三次缩小（高斯金字塔下采样）pyrdown_imgs=[img_rgb]#存储每次pyrDown的结果，初始为原图current_pyr=img.copy()foriinrange(3):current_pyr=cv2.pyrDown(current_pyr)#转换为RGB存储pyrdown_imgs.append(cv2.cvtColor(current_pyr,cv2.COLOR_BGR2RGB))pyr_h,pyr_w=current_pyr.shape[:2]print(f"第{i+1}次pyrDown后尺寸：{pyr_w}×{pyr_h}")#4.可视化对比结果plt.figure(figsize=(16,12))#显示原图plt.subplot(4,3,1)plt.imshow(img_rgb)plt.title('原图')plt.axis('off')#显示resize各次结果foriinrange(1,4):plt.subplot(4,3,i+1)plt.imshow(resize_imgs[i])plt.title(f'第{i}次cv2.resize()')plt.axis('off')#显示pyrDown各次结果foriinrange(1,4):plt.subplot(4,3,i+4)plt.imshow(pyrdown_imgs[i])plt.title(f'第{i}次cv2.pyrDown()')plt.axis('off')#对比最终结果（第三次缩小）plt.subplot(4,3,8)plt.imshow(resize_imgs[3])plt.title('最终：cv2.resize()×3')plt.axis('off')plt.subplot(4,3,9)plt.imshow(pyrdown_imgs[3])plt.title('最终：cv2.pyrDown()×3')plt.axis('off')#计算最终结果的差值（直观显示差异）#先统一尺寸（确保两者尺寸一致，pyrDown和resize理论尺寸相同）final_resize=resize_imgs[3]final_pyr=pyrdown_imgs[3]diff=cv2.absdiff(cv2.cvtColor(final_resize,cv2.COLOR_RGB2BGR),cv2.cvtColor(final_pyr,cv2.COLOR_RGB2BGR))diff_rgb=cv2.cvtColor(diff,cv2.COLOR_BGR2RGB)plt.subplot(4,3,10)plt.imshow(diff_rgb)plt.title('最终结果差值（resize-pyrDown）')plt.axis('off')plt.tight_layout()plt.show()#5.输出差异分析print("\n=====两种缩小方式的核心差异=====")print("1.处理逻辑：")print("-cv2.resize()：直接对图像像素进行插值缩放（默认双线性插值），无预处理，仅改变像素排列；")print("-cv2.pyrDown()：先对图像进行高斯模糊（消除混叠效应），再移除偶数行/列缩小，属于高斯金字塔下采样。")print("2.视觉效果：")print("-cv2.resize()：多次缩小后易出现锯齿、摩尔纹、细节失真（混叠）；")print("-cv2.pyrDown()：多次缩小后图像更平滑，无明显锯齿，细节过渡自然，但会丢失更多高频细节。")print("3.尺寸一致性：")print("-两者每次缩小后宽高均为原来的1/2，3次后尺寸均为原图的1/8（宽高）、1/64（面积）；")print("-但像素值分布差异显著，pyrDown因高斯模糊整体更“柔”，resize保留更多原始像素的硬边缘。")if__name__=="__main__":compare_resize_methods()第四章1A2A3B4A5A6计算图像的直方图，对图像进行直方图均衡化处理。7程序代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefcanny_threshold_experiment():#1.读取图像并转为灰度图img_path="DavidL.jpg"img=cv2.imread(img_path)ifimgisNone:print(f"错误：未找到图像{img_path}，请检查文件路径是否正确！")returnimg_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#Canny需基于灰度图处理img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#转换为RGB用于matplotlib显示#2.定义5组测试参数（threshold1:低阈值，threshold2:高阈值）threshold_groups=[(0,50,"threshold1=0,threshold2=50"),(50,100,"threshold1=50,threshold2=100"),(100,150,"threshold1=100,threshold2=150"),(150,200,"threshold1=150,threshold2=200"),(200,250,"threshold1=200,threshold2=250")]#3.对每组参数执行Canny边缘检测canny_results=[]fort1,t2,titleinthreshold_groups:edges=cv2.Canny(img_gray,t1,t2)#核心Canny函数调用canny_results.append((edges,title))#4.可视化所有结果plt.figure(figsize=(18,12))#显示原图plt.subplot(2,3,1)plt.imshow(img_rgb)plt.title("原图")plt.axis("off")#显示5组Canny结果fori,(edges,title)inenumerate(canny_results):plt.subplot(2,3,i+2)plt.imshow(edges,cmap="gray")plt.title(title)plt.axis("off")plt.tight_layout()plt.show()#5.逐一分析每组参数的效果print("\n=====Canny阈值参数对边缘检测效果的影响分析=====")print("【核心原理】：Canny的双阈值规则——")print("-高于threshold2（高阈值）：判定为强边缘，直接保留；")print("-低于threshold1（低阈值）：判定为非边缘，直接舍弃；")print("-介于两者之间：仅当与强边缘相连时，才判定为边缘保留。")print("\n【各组参数效果】：")#第1组：threshold1=0,threshold2=50print("\n(1)threshold1=0,threshold2=50：")print("效果：边缘数量极多，画面几乎全白，包含大量噪声和伪边缘；")print("原因：高阈值50过低，几乎所有像素梯度都被判定为强边缘，低阈值0无过滤作用，噪声完全保留。")#第2组：threshold1=50,threshold2=100print("\n(2)threshold1=50,threshold2=100：")print("效果：边缘数量较多，能清晰看到主体轮廓，但仍有少量细碎的噪声边缘；")print("原因：阈值适中，核心边缘（如人物轮廓、五官）被保留，同时少量低梯度的噪声/细节也被检测到。")#第3组：threshold1=100,threshold2=150print("\n(3)threshold1=100,threshold2=150：")print("效果：边缘数量适中，主体轮廓清晰且无明显噪声，是本次实验中效果最优的参数组合；")print("原因：高低阈值比例约1:1.5（接近工业界推荐的1:2/1:3），既过滤了噪声，又保留了关键边缘。")#第4组：threshold1=150,threshold2=200print("\n(4)threshold1=150,threshold2=200：")print("效果：边缘数量减少，仅保留高梯度的强边缘（如五官轮廓、头发边缘），部分细节边缘丢失；")print("原因：阈值升高，大量中等梯度的边缘（如皮肤纹理）被舍弃，仅保留对比度极高的核心边缘。")#第5组：threshold1=200,threshold2=250print("\n(5)threshold1=200,threshold2=250：")print("效果：边缘极少，仅能看到极少数超高梯度的边缘（如眼睛、头发的强对比处），主体轮廓几乎丢失；")print("原因：阈值过高，只有极少数像素梯度能达到高阈值，大部分边缘被判定为非边缘舍弃。")if__name__=="__main__":canny_threshold_experiment()8程序代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefhough_transform_car_demo():#1.读取图像img_path="Car.jpg"img=cv2.imread(img_path)ifimgisNone:print(f"错误：未找到图像{img_path}，请检查文件路径是否正确！")return#转换为RGB格式（matplotlib显示用）img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#转为灰度图（霍夫变换的基础）img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#边缘检测（预处理，提升霍夫变换准确性）edges=cv2.Canny(img_gray,50,150,apertureSize=3)#----------------------霍夫线变换----------------------#使用概率霍夫线变换（HoughLinesP），参数适配汽车图像特征lines=cv2.HoughLinesP(edges,#边缘图rho=1,#像素精度theta=np.pi/180,#角度精度threshold=80,#阈值（越高检测的直线越少，越精准）minLineLength=50,#最小线段长度（过滤短杂线）maxLineGap=10#线段最大间隙（允许断开的间隙）)#绘制霍夫线变换结果img_lines=img_rgb.copy()iflinesisnotNone:forlineinlines:x1,y1,x2,y2=line[0]#用红色绘制检测到的直线（线宽2）cv2.line(img_lines,(x1,y1),(x2,y2),(255,0,0),2)#----------------------霍夫圆变换----------------------#霍夫圆变换对噪声敏感，先做高斯模糊img_blur=cv2.GaussianBlur(img_gray,(9,9),2)#霍夫圆变换（适配汽车车轮检测）circles=cv2.HoughCircles(img_blur,#模糊后的灰度图method=cv2.HOUGH_GRADIENT,#梯度法（唯一支持的方法）dp=1,#分辨率缩放因子（1为原图分辨率）minDist=100,#圆心之间的最小距离（避免重复检测）param1=100,#Canny边缘检测的高阈值param2=30,#圆心检测阈值（越低检测的圆越多）minRadius=20,#最小圆半径（过滤小圆）maxRadius=100#最大圆半径（过滤大圆）)#绘制霍夫圆变换结果img_circles=img_rgb.copy()ifcirclesisnotNone:#转换为整数（圆参数是浮点型）circles=np.uint16(np.around(circles))forcircleincircles[0,:]:center=(circle[0],circle[1])#圆心坐标radius=circle[2]#半径#绘制圆心（绿色点，大小6）cv2.circle(img_circles,center,1,(0,255,0),6)#绘制圆周（绿色线，线宽2）cv2.circle(img_circles,center,radius,(0,255,0),2)#----------------------可视化结果----------------------plt.figure(figsize=(18,6))#原图plt.subplot(1,3,1)plt.imshow(img_rgb)plt.title('原图')plt.axis('off')#霍夫线变换结果plt.subplot(1,3,2)plt.imshow(img_lines)plt.title('霍夫线变换结果')plt.axis('off')#霍夫圆变换结果plt.subplot(1,3,3)plt.imshow(img_circles)plt.title('霍夫圆变换结果')plt.axis('off')plt.tight_layout()plt.show()#----------------------效果分析----------------------print("\n=====霍夫变换对Car.jpg的处理效果分析=====")print("1.霍夫线变换的图像变化：")print("-核心变化：图像上叠加了红色的直线，这些直线对应汽车的边缘特征（如车身轮廓、车窗边框、保险杠线条、地面标线等）；")print("-视觉效果：原本的汽车图像被“结构化”，能清晰看到构成汽车的直线元素，杂乱的细节被过滤，仅保留直线特征；")print("-特点：检测的直线数量由阈值控制，阈值越高，直线越少，仅保留最明显的强直线（如车身主轮廓）。")print("\n2.霍夫圆变换的图像变化：")print("-核心变化：图像上叠加了绿色的圆形（圆心+圆周），主要检测到汽车的车轮（轮胎/轮毂）等圆形特征；")print("-视觉效果：能精准定位圆形目标的位置和大小，非圆形区域无额外绘制，突出汽车的圆形部件；")print("-特点：对噪声敏感，需先高斯模糊预处理，参数（如minDist、param2）会影响圆的检测数量和准确性。")if__name__=="__main__":hough_transform_car_demo()第五章1A2A3A4C5程序代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefdetect_circle_contour():#1.读取图像img_path="circle.jpg"img=cv2.imread(img_path)ifimgisNone:print(f"错误：未找到图像{img_path}，请检查文件路径是否正确！")return#2.转换为灰度图像img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#3.阈值化处理（转为二值图像）#参数：灰度图、阈值、最大值、二值化类型（THRESH_BINARY_INV适用于白底黑圆的情况，可根据图像调整）#若图像是黑底白圆，改用cv2.THRESH_BINARYret,img_binary=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV)#4.检测轮廓#参数：二值图像、轮廓检索模式（RETR_EXTERNAL只检测最外层）、轮廓逼近方法（CHAIN_APPROX_SIMPLE压缩点）contours,hierarchy=cv2.findContours(img_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#5.绘制轮廓（可视化）img_contour=img.copy()#复制原图用于绘制轮廓ifcontours:#取面积最大的轮廓（确保是圆形的主轮廓，过滤噪声）main_contour=max(contours,key=cv2.contourArea)#绘制轮廓：绿色，线宽2，-1表示绘制所有轮廓点cv2.drawContours(img_contour,[main_contour],-1,(0,255,0),2)#输出轮廓关键信息print("=====圆形轮廓关键信息=====")print(f"轮廓点数量：{len(main_contour)}")print(f"轮廓面积：{cv2.contourArea(main_contour):.2f}像素")#计算最小包围圆（验证圆形特征）(cx,cy),radius=cv2.minEnclosingCircle(main_contour)print(f"最小包围圆圆心：({cx:.2f},{cy:.2f})，半径：{radius:.2f}像素")else:print("未检测到任何轮廓，请检查阈值化参数或图像内容！")#6.可视化所有步骤结果plt.figure(figsize=(16,4))#原图plt.subplot(1,4,1)plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))plt.title('原图')plt.axis('off')#灰度图plt.subplot(1,4,2)plt.imshow(img_gray,cmap='gray')plt.title('灰度图像')plt.axis('off')#二值化图像plt.subplot(1,4,3)plt.imshow(img_binary,cmap='gray')plt.title('阈值化二值图像')plt.axis('off')#轮廓检测结果plt.subplot(1,4,4)plt.imshow(cv2.cvtColor(img_contour,cv2.COLOR_BGR2RGB))plt.title('轮廓检测结果')plt.axis('off')plt.tight_layout()plt.show()if__name__=="__main__":detect_circle_contour()6程序代码如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解决matplotlib中文显示问题plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefcontour_approx_demo():#1.构造基础轮廓（不规则多边形，周长≈110，作为基长度）#手动构造点集，确保轮廓周长接近110points=np.array([[50,50],[70,30],[100,40],[120,60],[110,90],[90,100],[60,90],[40,70],[50,50]#闭合轮廓],dtype=32)#调整为OpenCV轮廓的格式（(N,1,2)）original_contour=points.reshape((-1,1,2))#计算原始轮廓的周长（作为基长度参考）base_length=cv2.arcLength(original_contour,closed=True)print(f"原始轮廓周长（基长度参考）：{base_length:.2f}(目标基长度110)")#2.定义逼近精度比例（90%、66%、33%、10%）ratios=[0.9,0.66,0.33,0.1]ratio_labels=["90%","66%","33%","10%"]#基于基长度110计算每个比例对应的ε（逼近精度）epsilon_list=[110*ratioforratioinratios]#3.对每个ε执行轮廓逼近approx_contours=[]fori,(epsilon,label)inenumerate(zip(epsilon_list,ratio_labels)):#cv2.approxPolyDP(轮廓,逼近精度ε,是否闭合)approx=cv2.approxPolyDP(original_contour,epsilon,closed=True)approx_contours.append((approx,label,epsilon))#计算逼近后轮廓的周长approx_length=cv2.arcLength(approx,closed=True)print(f"\n{label}逼近（ε={epsilon:.2f}）：")print(f"逼近后轮廓顶点数：{len(approx)}")print(f"逼近后轮廓周长：{approx_length:.2f}")#4.可视化原始轮廓和所有逼近结果plt.figure(figsize=(15,10))#绘制原始轮廓plt.subplot(2,3,1)#提取轮廓点的x、y坐标x_ori=original_contour[:,0,0]y_ori=original_contour[:,0,1]plt.plot(x_ori,y_ori,'b-',linewidth=2,label='原始轮廓')plt.fill(x_ori,y_ori,'lightblue',alpha=0.3)plt.title(f'原始轮廓（周长≈{base_length:.2f}）')plt.axis('equal')#等比例显示，避免轮廓变形plt.legend()#绘制4种逼近结果fori,(approx,label,epsilon)inenumerate(approx_contours):plt.subplot(2,3,i+2)x_approx=approx[:,0,0]y_approx=approx[:,0,1]plt.plot(x_ori,y_ori,'gray--',linewidth=1,label='原始轮廓（参考）')plt.plot(x_approx,y_approx,'r-',linewidth=2,label=f'{label}逼近')plt.fill(x_approx,y_approx,'lightcoral',alpha=0.3)plt.title(f'{label}逼近（ε={epsilon:.2f}）')plt.axis('equal')plt.legend()plt.tight_layout()plt.show()if__name__=="__main__":contour_approx_demo()

第六章1A2A3人脸识别的基本步骤是人脸检测和人脸识别/人脸验证，后者对检测到的人脸进行特征提取与身份匹配/身份确认。4程序代码如下：importcv2importosimportnumpyasnp#=====================1.配置参数=====================#人脸检测分类器路径（OpenCV自带，若找不到需手动指定路径）CASCADE_PATH=cv2.data.haarcascades+"haarcascade_frontalface_default.xml"#训练数据保存路径TRAIN_DIR="train_data"#模型保存路径MODEL_PATH="model/face_model.yml"#人脸图像尺寸（统一大小，方便训练）FACE_SIZE=(100,100)#你的身份标签（数字，比如0，代表唯一身份）YOUR_LABEL=0#你的名字（对应标签，用于识别结果显示）YOUR_NAME="我自己"#=====================2.工具函数=====================defcreate_dir(dir_path):"""创建文件夹（若不存在）"""ifnotos.path.exists(dir_path):os.makedirs(dir_path)defdetect_face(img_gray):"""检测人脸并返回裁剪后的人脸图像"""#加载人脸检测分类器face_cascade=cv2.CascadeClassifier(CASCADE_PATH)ifface_cascade.empty():raiseException("人脸检测分类器加载失败，请检查CASCADE_PATH是否正确！")#检测人脸faces=face_cascade.detectMultiScale(img_gray,scaleFactor=1.1,minNeighbors=5,minSize=(30,30))iflen(faces)==0:returnNone,None#未检测到人脸#取第一个检测到的人脸（默认只有一个人）x,y,w,h=faces[0]#裁剪人脸区域并统一尺寸face_roi=img_gray[y:y+h,x:x+w]face_roi=cv2.resize(face_roi,FACE_SIZE)returnface_roi,(x,y,w,h)#=====================3.采集人脸数据=====================defcollect_face_data(num_photos=20):"""调用摄像头采集num_photos张人脸照片（默认20张，越多训练效果越好）"""create_dir(TRAIN_DIR)cap=cv2.VideoCapture(0)#打开摄像头（0为默认摄像头）count=0#已采集的照片数print(f"\n开始采集人脸数据，需要拍摄{num_photos}张照片...")print("提示：请正对摄像头，缓慢移动头部，按空格键拍摄，按q键退出！")whilecount<num_photos:ret,frame=cap.read()ifnotret:print("摄像头读取失败！")breakimg_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)face_roi,face_rect=detect_face(img_gray)#绘制人脸检测框ifface_rectisnotNone:x,y,w,h=face_rectcv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)cv2.putText(frame,f"已采集：{count}/{num_photos}",(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(255,0,0),2)cv2.imshow("CollectFaceData",frame)#按键操作key=cv2.waitKey(1)&0xFFifkey==ord('q'):#按q退出breakelifkey==ord(''):#按空格键拍摄ifface_roiisnotNone:#保存人脸图像photo_path=os.path.join(TRAIN_DIR,f"face_{count}.png")cv2.imwrite(photo_path,face_roi)count+=1print(f"已保存第{count}张人脸照片：{photo_path}")cap.release()cv2.destroyAllWindows()ifcount==num_photos:print(f"\n人脸数据采集完成！共采集{count}张照片，保存至{TRAIN_DIR}文件夹。")else:print(f"\n采集中断，仅保存了{count}张照片（需要{num_photos}张）。")#=====================4.训练人脸识别模型=====================deftrain_face_model():"""加载训练数据，训练LBPH人脸识别模型"""create_dir(os.path.dirname(MODEL_PATH))faces=[]#存储人脸图像数据labels=[]#存储对应的标签#遍历训练数据文件夹forfilenameinos.listdir(TRAIN_DIR):iffilename.endswith(".png")orfilename.endswith(".jpg"):#读取人脸图像img_path=os.path.join(TRAIN_DIR,filename)face_img=cv2.imread(img_path,0)#以灰度图读取ifface_imgisNone:continue#添加到训练集faces.append(face_img)labels.append(YOUR_LABEL)iflen(faces)==0:raiseException(f"训练数据为空！请先运行collect_face_data()采集人脸照片。")print(f"\n开始训练模型，共加载{len(faces)}张训练图像...")#创建LBPH人脸识别器（适合新手，参数为默认值）recognizer=cv2.face.LBPHFaceRecognizer_create()#训练模型recognizer.train(faces,np.array(labels))#保存模型recognizer.save(MODEL_PATH)print(f"模型训练完成！已保存至{MODEL_PATH}")returnrecognizer#=====================5.测试人脸识别模型=====================deftest_face_recognition(test_mode="camera"):"""测试模型：支持摄像头实时识别（camera）或单张照片识别（photo）"""#加载训练好的模型ifnotos.path.exists(MODEL_PATH):raiseException(f"模型文件不存在！请先运行train_face_model()训练模型。")recognizer=cv2.face.LBPHFaceRecognizer_create()recognizer.read(MODEL_PATH)iftest_mode=="camera":#摄像头实时识别cap=cv2.VideoCapture(0)print("\n开始实时人脸识别，按q键退出！")print("置信度越低，匹配度越高（通常<50为匹配）")whileTrue:ret,frame=cap.read()ifnotret:breakimg_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)face_roi,face_rect=detect_face(img_gray)ifface_rectisnotNone:x,y,w,h=face_rectifface_roiisnotNone:#预测人脸label,confidence=recognizer.predict(face_roi)#判断是否匹配（置信度<50为匹配，可根据实际调整）iflabel==YOUR_LABELandconfidence<50:result=f"{YOUR_NAME}(置信度：{confidence:.1f})"color=(0,255,0)#绿色表示匹配else:result=f"未知人脸(置信度：{confidence:.1f})"color=(0,0,255)#红色表示不匹配#绘制结果cv2.rectangle(frame,(x,y),(x+w,y+h),color,2)cv2.putText(frame,result,(x,y-10),cv2.FONT_HERSHEY_SIMPLEX,0.7,color,2)cv2.imshow("FaceRecognitionTest",frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()eliftest_mode=="photo":#单张照片识别（需将测试照片放入test_photo文件夹，命名为test.jpg）test_photo_path="test_photo/test.jpg"create_dir("test_photo")ifnotos.path.exists(test_photo_path):print(f"测试照片不存在！请在test_photo文件夹中放入名为test.jpg的照片。")returnframe=cv2.imread(test_photo_path)img_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)face_roi,face_rect=detect_face(img_gray)iff