14-Figma-组件、样式团队推送管理

这篇读书笔记，主要记录我阅读《OpenCV3编程入门》的读书笔记，作者毛星云写的这本书十分适合接触OpenCV的初学者，虽然理论性的内容是简要概括，但还是可以大致的理解。。此书最好的就是提供了大量的完整例子的代码，对初学者入门相当有帮助，建议各位OpenCV的初学者可以认真阅读一下这本书，会对OpenCV的编程有个一个整体的初步认识。 OpenCV学习笔记     chap1 邂逅

LUT（Look-Up Table，图像查找表）是图像处理中的重要工具，通过预先建立的映射关系快速调整图像属性。LUT利用map算法处理像素值，例如将低对比度图像转换为高对比度图像时，只需根据查找表替换像素值，无需重新计算。代码示例展示了如何使用OpenCV加载图像并应用LUT进行图像处理。此外，颜色表的使用也通过applyColorMap函数实现，将图像转换为伪彩色图像，如JET和COOL模式。这些技术简化了图像处理流程，提升了效率。

图像直方图是计算机视觉和图像处理中的重要工具，用于表示图像像素强度的分布。OpenCV 提供了强大的功能来计算和可视化直方图。直方图可以帮助分析图像的亮度、对比度、颜色分布，并用于阈值选择、图像相似性比较等。OpenCV 中的 cv::calcHist 函数是计算直方图的核心工具，支持单通道和多通道图像，并允许用户指定多种参数。直方图的应用包括直方图均衡化、直方图比较和直方图反向投影，这些技术在图像增强、对象识别和图像分割中非常有用。掌握直方图的使用可以显著提升图像处理的能力。

图像卷积是计算机视觉和图像处理中的基础操作，通过将核（Kernel）应用于图像的每个像素来修改或增强图像。OpenCV 提供了 cv::filter2D 函数来实现二维卷积，允许用户自定义卷积核并应用于输入图像。卷积核的不同设计可以实现多种效果，如模糊、锐化、边缘检测等。边界处理在卷积操作中至关重要，OpenCV 提供了多种边界处理模式以避免图像边缘产生伪影。理解卷积核的设计和边界处理方式，对于有效利用 OpenCV 进行图像处理至关重要。

完整代码展示import cv2import osi=0i=1dim=Noneelse:#一共四个坐标点#按顺序找到对应的坐标0123，分别是左上右上右下、左下s=pts.sum(axis=1) #对矩阵的每一行进行求和操作#获取输入的坐标点#计算输入的w和h值#预处理"灰度处理、做高斯滤波、边缘检测"#轮廓检测doCnt=None#根据轮廓大小进行排序，准备透视变换break#执行透视变换#阈值处理#根据实际情况指定标准#按照从上到下的顺序排序。

OpenCV 图像读取与显示

因为显卡较老 2060 super, NVIDIA GPU arch: 75 80 86 87 89 90。至于更高的反本没有显卡因此不知道。很多人发了opencv的编译方法，很少见到启动和关闭了那些模块，现在发个WIN64 opencv编译后的信息。执行opencv_version_win32.exe。

cv::cuda::createDerivFilter 是 OpenCV CUDA 模块中的一个工厂函数，用于创建一个计算图像导数的滤波器。这个滤波器可以用来计算图像在 x 方向和 y 方向上的任意阶导数。它特别适用于边缘检测、特征提取等计算机视觉任务

OpenCV 图像色彩空间转换

根据五张显微镜图片（11-1.tif ~ 11-5.tif），统计纤维宽度分布，并画出直方图+正态分布拟合曲线。

本文介绍了使用C/C++和OpenCV库实现图像卷积核运算的方法。卷积作为数字图像处理的核心技术，通过将输入图像的每个像素与其邻域像素根据卷积核进行加权求和，实现各种图像处理效果。文章详细解释了卷积的工作原理，并列举了常见卷积核类型（如平滑/模糊核、锐化核、边缘检测核等）及其作用。通过示例代码演示了如何利用OpenCV的filter2D()函数实现卷积操作，包括图像读取、卷积核定义、边界处理等关键步骤。该技术为高级图像处理应用奠定了基础，适用于噪声去除、边缘增强等多种场景。

摘要： 图像级操作是数字图像处理的基础，其中二值化是最常用的像素级操作之一。二值化通过设定阈值将灰度图像转换为黑白图像，广泛应用于OCR、特征提取等领域。阈值选择方法包括全局阈值、自适应阈值和Otsu算法。使用C/C++配合OpenCV库可高效实现二值化，核心函数为cv::threshold()（全局阈值）和cv::adaptiveThreshold()（自适应阈值）。文章提供了完整的代码示例，涵盖图像读取、阈值处理及结果保存的全流程。对于不依赖第三方库的情况，需自行处理图像格式解析和像素操作，但过程较为复

cv::cuda::FastFeatureDetector 是 OpenCV 的 CUDA 加速模块中的一部分，用于在图像中快速检测特征点。FAST（Features from Accelerated Segment Test）算法是一种高效的角点检测算法，能够在保持较高精度的同时显著提高速度。

该函数用于创建一个线性滤波器（Linear Filter），可以对图像执行任意用户定义的卷积核（kernel）操作。适用于模糊、锐化、边缘检测等图像处理任务。

对于纯粹的数值计算，Eigen通常更简洁高效；对于图像处理任务，OpenCV提供更完整的解决方案。在实际项目中，两者可以互补使用。OpenCV的位置返回是Point结构，Eigen是分离的行列索引。可以同时使用两个库，用Eigen做数值计算，OpenCV做图像处理。OpenCV一次调用可同时获取两个极值和位置。OpenCV的mean()自动处理多通道数据。Eigen的mean()只适用于单通道矩阵。Eigen需要分别调用两个函数获取极值。对于多通道数据，Eigen需要额外处理。处理图像数据(特别是多通道)