一、视频处理
1.1 OpenCV指定视频编解码器的常用选项
注意，帧速率和帧大小也必须指定，这些属性可以通过VideoCapture类的get()函数得到。但是摄像头的帧速率准确值不能通过get()方法返回，所以对于摄像头创建合适的VideoWriter类，要么对帧速率做出假设，要么用计时器来测量。
二、处理图像
2.1 傅里叶变换
- 幅度谱：图像的幅度谱时另一种图像，幅度谱图像呈现了原始图像再变化方面的一种表示：把一幅图像中最明亮的像素放到图像中央，然后逐渐变暗，在边缘上的像素最暗，这样可以发现图像中有多少亮的像素和暗的像素，以及它们分布的百分比。
2.2 滤波器
- 高通滤波器：用来检测图像的某个区域，然后根据像素和周围像素的亮度差值来提升该像素的亮度的滤波器，注意，滤波器中的所有值加起来为
0。 - 低通滤波器：在像素与周围像素的亮度差值小于一个特定值时，平滑该像素的亮度，主要用于去噪和模糊化。
- 核：一组权重的集合，它会应用在源图像的一个区域，并由此生成目标图像的一个像素。比如，大小尾7的核意味着每49(7*7)个源图像的像素会产生目标图像的一个像素。
- 锐化、边缘检测以及模糊等滤波器都使用了高度对称的核，但是有时不对称的核也会得到一些有趣的效果。
2.3 边缘&轮廓检测
Canny边缘检测算法非常复杂，有5个步骤：
用高斯滤波器对图像进行去噪、计算梯度、在边缘上使用非最大抑制(NMS)、在检测到的边缘上使用双阈值去除假阳性，最后还会分析所有的边缘及其之间的连接，以保留真正的边缘并消除不明显的边缘。
轮廓检测
- 轮廓检测不单单是用来检测图像或者视频帧中物体的轮廓，而且还有其他操作与轮廓检测有关，包括：计算多边形边界、形状逼近核计算感兴趣区域。
2.4 直线与圆检测
-
直线检测
可以通过HoughLines和HoughLinesP函数来完成，它们仅有的差异是：第一个函数使用的是标准Hough变换，第二个函数使用概率Hough变换（通过分析点的子集并估计这些点都属于一条直线的概率，这是标准Hough变换的优化版本，执行更快。）
一个简单的示例，代码不知道什么bug无法复制黏贴，源码
HoughLinesP函数参数说明：
1、需要处理的图像；
2、线段的几何表示rho和theta，一般分别取1和np.pi/180；
3、阈值。低于该阈值的直线会被忽略；
4、最小直线长度和最大线间间距。 -
圆检测
HoughCircles函数用来检测圆，类似地，有一个圆心间地最小距离和圆地最小及最大半径，下面是一个简单地示例：代码不知道什么bug无法复制黏贴，源码
HoughCircles函数参数说明：
三、图像检索以及基于图像描述符的搜索
本节主要是使用OpenCV来检测图像特征，并利用这些特征进行图像匹配和搜索。
3.1 特征检测算法
OpenCV中最常使用的特征检测和提取算法有：
Harris:用于检测角点SIFT:用于检测斑点(Blob)SURF:用于检测斑点FAST:用于检测角点BRIEF:用于检测斑点ORB:该算法代表带方向的FAST算法与具有旋转不变性的BRIEF算法
通过以下方法进行特征匹配：
- 暴力(
Brute-Force)匹配法 - 基于
DLANN的匹配法
可以采用单应性进行空间验证。
特征定义：
特征就是有意义的图像区域，该区域具有独特性或易于识别性。因此，角点及高密度区域是很好的特征，而大量重复的模式或低密度区域则不是好的特征；边缘可以将图像分为两个区域，因此也可以看作好的特征；斑点（与周围有很大差别的图像区域）也是有意义的特征。
检测角点特征
cornerHarris是一个非常方便且实用的OpenCV函数，该函数可以检测图像的角点。
DoG(Difference of Gaussians)
是对同一图像使用不同高斯滤波器所得到的结果，DoG操作的最终结果会得到感兴趣的区域（关键点）。
