opencv 提供了绘制直线、圆形、矩形等基本绘图的功能   1、绘直线 cv2.line(画布,起点坐标，终点坐标，颜色，宽度) 例如：cv2.line(image,(20,60),(300,400),(0,0,255),2) 2、绘矩形 cv2.rectange(画布，起点，终点，颜色，宽度) 若宽度大于0，标识边线宽度；如果小于0，表示画实心矩形 例如：cv

图像的几何变换主要包括：平移、扩大与缩小、旋转、仿射、透视等等。图像变换是建立在矩阵运算基础上的，通过矩阵运算可以很快的找到对应关系。理解变换的原理需要理解变换的构造方法以及矩阵的运算方法。   OpenCV提供了两个转换函数cv2.warpAffine和cv2.warpPerspective，可以使用它们进行各种转换。 cv2.warpAffine采用2x3变换矩阵，而cv2.warpPerspective采

import cv2 import numpy as np img = cv2.imread(a.jpg, 0) reg, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APP

1. 轮廓检测 contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]] ) 第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法 参数1(image)：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；

图像平滑算法介绍 1. 均值滤波 均值滤波是指任意一点的像素值，都是周围 N * M 个像素值的均值。例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=5 * 5 是蓝色区域的大小。 其中5 * 5的矩阵称为核， # 实现方法为 result = cv2.blur(原始图像,核大小) # 其中，核大小是以（宽度，高度）表示的元组形式。常见的形式包括：核大小（3，3）和（5，

1. 图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。 图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。那么除去这些噪声的过程就是图像去噪。 2. 图像平滑是要突出图像的低频成分、主干部分或抑制图像噪声和干扰高频成分的图像处理方法，目的是使图像亮度平缓渐变，减小突变梯度，改善图像质量。字面意思就是让图像上颜色灰度变化更光滑。图像平滑处理过程中往往会使得图像变的模糊，因此又叫图像模糊。 图像平滑的基本原理是

cv::Mat cv::getRotationMatrix2D( Point2f center, double angle, double scale ) { angle *= CV_PI/180; double alpha = cos(angle)*scale; double beta = sin(angle)*scale; Mat M(2, 3, CV_64F); doubl

在python里，图片以数组的形式保存，我们用例子说明，用数组创建图1，并且修改左下角像素的颜色，如图2 图1     图2   # -*- coding: UTF-8 -*- import cv2 import numpy as np #创建4行3列 12个像素的3通道彩色图， #第1维是行， 第2维是列，第3维的BGR值， # 以下img 第0行，第0列是

AI学习

欧氏距离是一个距离定义，指在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离就是两点之间的实际距离。 二维空间的公式 p为点 与点 之间的欧氏距离 三维空间的公式 n维空间的公式

两种不同的缩放方式，目的都是缩小范围。 归一化(Normalization)：将一列数据变化到某个固定区间(范围)中，通常，这个区间是[0, 1]，广义的讲，可以是各种区间，比如图像中可能会映射到[0,255]，主要是为了数据处理方便提出来的 标准化(Standardization)：就是将训练集中某一列数值特征（假设是第i列）的值缩放成均值为0，方差为1的状态。具体操作是将数据按比例缩放，使之落入一个小的特定区间。

一、在现实生活中，一个目标变量（y）可以认为是由多个特征变量（x）影响和控制的，那么这些特征变量的量纲和数值的量级就会不一样，比如x1 = 10000，x2 = 1，x3 = 0.5 可以很明显的看出特征x1和x2、x3存在量纲的差距；x1对目标变量的影响程度将会比x2、x3对目标变量的影响程度要大（可以这样认为目标变量由x1掌控，x2，x3影响较小，一旦x1的值出现问题，将直接的影响到目标变量的预测，把目标变量的预测值由x1独揽大权，