MNN/docs/pymnn/cv.md

cv

module cv

cv模块提供了基础的图像处理函数，并在接口上兼容了opencv-python的API。

使用注意：

• 图像描述使用Var变量，其属性为：
  • data_format为NHWC
  • shape是[h, w, c]
  • dtype是uint8
• CV模块中的枚举类型直接用int实现，所以请使用cv.COLOR_BGR2BGRA，不要用cv.ColorConversionCodes.COLOR_BGR2BGRA*
• 将[h, w, c]的图形转换为模型输入的[n, c, h, w]不要使用transpose；请使用expr.convert，示例如下：

  import MNN.cv as cv
  import MNN.numpy as np
  import MNN.expr as expr
  # data_format: NHWC, shape: [360, 480, 3], dtype: uint8
  img = imread('cat.jpg')
  # data_format: NHWC, shape: [360, 480, 3], dtype: float32
  imgf = img.astype(np.float32)
  # data_format: NHWC, shape: [1, 360, 480, 3], dtype: float32
  imgf_batch = np.expand_dims(imgf, 0)
  # data_format: NCHW, shape: [1, 360, 480, 3], dtype: float32
  input_var = expr.convert(imgf_batch, expr.NCHW)
  

---

cv Types

• Var

---

cv.COLOR_*

描述图像颜色空间转换函数cvtColor的转换方式

• 类型：int
• 枚举值：
  • COLOR_BGR2BGRA
  • COLOR_RGB2RGBA
  • COLOR_BGRA2BGR
  • COLOR_RGBA2RGB
  • COLOR_BGR2RGBA
  • COLOR_RGB2BGRA
  • COLOR_RGBA2BGR
  • COLOR_BGRA2RGB
  • COLOR_BGR2RGB
  • COLOR_RGB2BGR
  • COLOR_BGRA2RGBA
  • COLOR_RGBA2BGRA
  • COLOR_BGR2GRAY
  • COLOR_RGB2GRAY
  • COLOR_GRAY2BGR
  • COLOR_GRAY2RGB
  • COLOR_GRAY2BGRA
  • COLOR_GRAY2RGBA
  • COLOR_BGRA2GRAY
  • COLOR_RGBA2GRAY
  • COLOR_BGR2BGR565
  • COLOR_RGB2BGR565
  • COLOR_BGR5652BGR
  • COLOR_BGR5652RGB
  • COLOR_BGRA2BGR565
  • COLOR_RGBA2BGR565
  • COLOR_BGR5652BGRA
  • COLOR_BGR5652RGBA
  • COLOR_GRAY2BGR565
  • COLOR_BGR5652GRAY
  • COLOR_BGR2BGR555
  • COLOR_RGB2BGR555
  • COLOR_BGR5552BGR
  • COLOR_BGR5552RGB
  • COLOR_BGRA2BGR555
  • COLOR_RGBA2BGR555
  • COLOR_BGR5552BGRA
  • COLOR_BGR5552RGBA
  • COLOR_GRAY2BGR555
  • COLOR_BGR5552GRAY
  • COLOR_BGR2XYZ
  • COLOR_RGB2XYZ
  • COLOR_XYZ2BGR
  • COLOR_XYZ2RGB
  • COLOR_BGR2YCrCb
  • COLOR_RGB2YCrCb
  • COLOR_YCrCb2BGR
  • COLOR_YCrCb2RGB
  • COLOR_BGR2HSV
  • COLOR_RGB2HSV
  • COLOR_BGR2Lab
  • COLOR_RGB2Lab
  • COLOR_BGR2Luv
  • COLOR_RGB2Luv
  • COLOR_BGR2HLS
  • COLOR_RGB2HLS
  • COLOR_HSV2BGR
  • COLOR_HSV2RGB
  • COLOR_Lab2BGR
  • COLOR_Lab2RGB
  • COLOR_Luv2BGR
  • COLOR_Luv2RGB
  • COLOR_HLS2BGR
  • COLOR_HLS2RGB
  • COLOR_BGR2HSV_FULL
  • COLOR_RGB2HSV_FULL
  • COLOR_BGR2HLS_FULL
  • COLOR_RGB2HLS_FULL
  • COLOR_HSV2BGR_FULL
  • COLOR_HSV2RGB_FULL
  • COLOR_HLS2BGR_FULL
  • COLOR_HLS2RGB_FULL
  • COLOR_LBGR2Lab
  • COLOR_LRGB2Lab
  • COLOR_LBGR2Luv
  • COLOR_LRGB2Luv
  • COLOR_Lab2LBGR
  • COLOR_Lab2LRGB
  • COLOR_Luv2LBGR
  • COLOR_Luv2LRGB
  • COLOR_BGR2YUV
  • COLOR_RGB2YUV
  • COLOR_YUV2BGR
  • COLOR_YUV2RGB
  • COLOR_YUV2RGB_NV12
  • COLOR_YUV2BGR_NV12
  • COLOR_YUV2RGB_NV21
  • COLOR_YUV2BGR_NV21
  • COLOR_YUV420sp2RGB
  • COLOR_YUV420sp2BGR
  • COLOR_YUV2RGBA_NV12
  • COLOR_YUV2BGRA_NV12
  • COLOR_YUV2RGBA_NV21
  • COLOR_YUV2BGRA_NV21
  • COLOR_YUV420sp2RGBA
  • COLOR_YUV420sp2BGRA
  • COLOR_YUV2RGB_YV12
  • COLOR_YUV2BGR_YV12
  • COLOR_YUV2RGB_IYUV
  • COLOR_YUV2BGR_IYUV
  • COLOR_YUV2RGB_I420
  • COLOR_YUV2BGR_I420
  • COLOR_YUV420p2RGB
  • COLOR_YUV420p2BGR
  • COLOR_YUV2RGBA_YV12
  • COLOR_YUV2BGRA_YV12
  • COLOR_YUV2RGBA_IYUV
  • COLOR_YUV2BGRA_IYUV
  • COLOR_YUV2RGBA_I420
  • COLOR_YUV2BGRA_I420
  • COLOR_YUV420p2RGBA
  • COLOR_YUV420p2BGRA
  • COLOR_YUV2GRAY_420
  • COLOR_YUV2GRAY_NV21
  • COLOR_YUV2GRAY_NV12
  • COLOR_YUV2GRAY_YV12
  • COLOR_YUV2GRAY_IYUV
  • COLOR_YUV2GRAY_I420
  • COLOR_YUV420sp2GRAY
  • COLOR_YUV420p2GRAY
  • COLOR_YUV2RGB_UYVY
  • COLOR_YUV2BGR_UYVY
  • COLOR_YUV2RGB_Y422
  • COLOR_YUV2BGR_Y422
  • COLOR_YUV2RGB_UYNV
  • COLOR_YUV2BGR_UYNV
  • COLOR_YUV2RGBA_UYVY
  • COLOR_YUV2BGRA_UYVY
  • COLOR_YUV2RGBA_Y422
  • COLOR_YUV2BGRA_Y422
  • COLOR_YUV2RGBA_UYNV
  • COLOR_YUV2BGRA_UYNV
  • COLOR_YUV2RGB_YUY2
  • COLOR_YUV2BGR_YUY2
  • COLOR_YUV2RGB_YVYU
  • COLOR_YUV2BGR_YVYU
  • COLOR_YUV2RGB_YUYV
  • COLOR_YUV2BGR_YUYV
  • COLOR_YUV2RGB_YUNV
  • COLOR_YUV2BGR_YUNV
  • COLOR_YUV2RGBA_YUY2
  • COLOR_YUV2BGRA_YUY2
  • COLOR_YUV2RGBA_YVYU
  • COLOR_YUV2BGRA_YVYU
  • COLOR_YUV2RGBA_YUYV
  • COLOR_YUV2BGRA_YUYV
  • COLOR_YUV2RGBA_YUNV
  • COLOR_YUV2BGRA_YUNV
  • COLOR_YUV2GRAY_UYVY
  • COLOR_YUV2GRAY_YUY2
  • COLOR_YUV2GRAY_Y422
  • COLOR_YUV2GRAY_UYNV
  • COLOR_YUV2GRAY_YVYU
  • COLOR_YUV2GRAY_YUYV
  • COLOR_YUV2GRAY_YUNV
  • COLOR_RGBA2mRGBA
  • COLOR_mRGBA2RGBA
  • COLOR_RGB2YUV_I420
  • COLOR_BGR2YUV_I420
  • COLOR_RGB2YUV_IYUV
  • COLOR_BGR2YUV_IYUV
  • COLOR_RGBA2YUV_I420
  • COLOR_BGRA2YUV_I420
  • COLOR_RGBA2YUV_IYUV
  • COLOR_BGRA2YUV_IYUV
  • COLOR_RGB2YUV_YV12
  • COLOR_BGR2YUV_YV12
  • COLOR_RGBA2YUV_YV12
  • COLOR_BGRA2YUV_YV12

---

cv.INTER_*

描述图像形变函数resize,warpAffine,warpPerspective的插值方式

• 类型：int
• 枚举值：
  • INTER_NEAREST
  • INTER_LINEAR
  • INTER_CUBIC
  • INTER_AREA
  • INTER_LANCZOS4
  • INTER_LINEAR_EXACT
  • INTER_NEAREST_EXACT
  • WARP_FILL_OUTLIERS
  • WARP_INVERSE_MAP

---

cv.BORDER_*

描述图像形变函数warpAffine,warpPerspective的边界填充方式

• 类型：int
• 枚举值：
  • BORDER_CONSTANT
  • BORDER_REFLECT_101
  • BORDER_REFLECT
  • BORDER_REFLECT101
  • BORDER_DEFAULT

---

cv.THRESH_*

描述阈值函数threshold的阈值方式

• 类型：int
• 枚举值：
  • THRESH_BINARY
  • THRESH_BINARY_INV
  • THRESH_TRUNC
  • THRESH_TOZERO
  • THRESH_TOZERO_INV
  • THRESH_MASK
  • THRESH_OTSU
  • THRESH_TRIANGLE

---

cv.RETR_*

描述轮廓检测函数findContours的轮廓检索方式

• 类型：int
• 枚举值：
  • RETR_EXTERNAL
  • RETR_LIST
  • RETR_CCOMP
  • RETR_TREE
  • RETR_FLOODFILL

---

cv.CHAIN_*

描述轮廓检测函数findContours的轮廓逼近算法

• 类型：int
• 枚举值：
  • CHAIN_APPROX_NONE
  • CHAIN_APPROX_SIMPLE
  • CHAIN_APPROX_TC89_L1
  • CHAIN_APPROX_TC89_KCOS

---

cv.LINE_*

用在画图相关函数，如：line, fillPoly等，描述画线的类型

• 类型：int
  • FILLED
  • LINE_4
  • LINE_8
  • LINE_AA

---

cv.IMREAD_*

用在图片读取函数imread的参数flag中，分别表示读取：uint8灰度图，uint8的bgr图，float32的bgr图

• 类型：int
  • IMREAD_GRAYSCALE
  • IMREAD_COLOR
  • IMREAD_ANYDEPTH

---

cv.ROTATE_*

描述图像旋转函数rotate的旋转方式

• 类型：int
  • ROTATE_90_CLOCKWISE
  • ROTATE_180
  • ROTATE_90_COUNTERCLOCKWISE

---

cv.SOLVEPNP_*

描述3d重建函数solvePnP的求解方法

• 类型：int
  • SOLVEPNP_ITERATIVE
  • SOLVEPNP_SQPNP

---

cv.DECOMP_*

描述线性方程组求解函数solve的求解方法

• 类型：int
  • DECOMP_LU
  • DECOMP_SVD
  • DECOMP_EIG
  • DECOMP_CHOLESKY
  • DECOMP_QR
  • DECOMP_NORMAL

---

cv.NORM_*

描述线归一化函数normalize的归一化方法

• 类型：int
  • NORM_INF
  • NORM_L1
  • NORM_L2
  • NORM_MINMAX

---

cv.ADAPTIVE_THRESH_*

描述自适应阈值函数adaptiveThreshold的自适应方法

• 类型：int
  • ADAPTIVE_THRESH_MEAN_C
  • ADAPTIVE_THRESH_GAUSSIAN_C

---

copyTo(src, |mask, dst)

将src复制并返回，如果mask不为空，则只拷贝mask为1的像素；如果dst不为空，则在mask为0时拷贝dst中对应的像素，参考：copyTo

注意：目前src仅支持int32类型数据，用户使用前后需要自行转换类型

参数：

• src:Var 源图像
• mask:Var 掩码图像，可选
• dst:Var mask为0时选择的图像，可选

返回：复制的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> h, w, _ = img.shape
>>> zero = np.zeros((h//3, w), dtype=np.int32)
>>> one = np.ones((h//3, w), dtype=np.int32)
>>> mask = np.concatenate((one, zero, one), axis=0)
>>> img = img.astype(np.int32)
>>> copyTo = cv.copyTo(img, mask).astype(np.uint8)
>>> cv.imwrite('copyTo.jpg', copyTo)
True

---

bitwise_and(src1, src2, |dst, mask)

对src1和src2执行按位与操作，并对结果按照执行copyTo返回，参考：bitwise_and

参数：

• src1:Var 源图像
• src2:Var 源图像
• mask:Var 掩码图像，可选
• dst:Var mask为0时选择的图像，可选

返回：按位与的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_and(img, img)
array([[[ 49,  57,  26],
        ...
        [158, 175, 184]]], dtype=uint8)

---

bitwise_or(src1, src2, |dst, mask)

对src1和src2执行按位或操作，并对结果按照执行copyTo返回，参考：bitwise_or

参数：

• src1:Var 源图像
• src2:Var 源图像
• mask:Var 掩码图像，可选
• dst:Var mask为0时选择的图像，可选

返回：按位或的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_or(img, img)
array([[[ 49,  57,  26],
        ...
        [158, 175, 184]]], dtype=uint8)

---

bitwise_xor(src1, src2, |dst, mask)

对src1和src2执行按位异或操作，并对结果按照执行copyTo返回，参考：bitwise_xor

参数：

• src1:Var 源图像
• src2:Var 源图像
• mask:Var 掩码图像，可选
• dst:Var mask为0时选择的图像，可选

返回：按位异或的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_xor(img, img)
array([[[0, 0, 0],
        ...
        [0, 0, 0]]], dtype=uint8)

---

hconcat(src)

在水平方向上将src中的图像连接起来，并返回，相当于做axis=1的concat，参考：hconcat

参数：

• src:Var 源图像

返回：水平连接的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.hconcat(img)
>>> cv.hconcat(img)
array([[ 49,  57,  26, ...,  25,  62,  46],
       ...,
       [ 45,  94,  56, ..., 158, 175, 184]], dtype=uint8)

---

vconcat(src)

在垂直方向上将src中的图像连接起来，并返回，相当于做axis=0的concat，参考：vconcat

参数：

• src:Var 源图像

返回：垂直连接的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.vconcat(img)
array([[ 49,  57,  26],
       ...,
       [158, 175, 184]], dtype=uint8)

---

mean(src, mask)

逐channel计算src的元素均值，如果mask不为空，则只返回mask为1的结果，参考：mean

参数：

• src:Var 源图像

返回：每个channel的均值

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.mean(img)
array([ 85.656685, 135.9716, 125.76543,   0.], dtype=float32)

---

flip(src, flipCode)

对src进行水平，垂直，或水平+垂直翻转，并返回，参考：flip

flipCode	说明
filpCode = 0	垂直翻转
flipCode > 0	水平翻转
flipCode < 0	水平+垂直翻转

参数：

• src:Var 源图像

返回：翻转的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> flip = cv.flip(img, -1)
>>> cv.imwrite('flip.jpg', flip)
True

---

rotate(src, rotateMode)

以90度的倍数旋转src，并返回，参考：rotate

rotateCode	说明
ROTATE_90_CLOCKWISE	顺时针旋转90度
ROTATE_180	顺时针旋转180度
ROTATE_90_COUNTERCLOCKWISE	顺时针旋转270度

参数：

• src:Var 源图像

返回：翻转的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> rotate = cv.rotate(img, cv.ROTATE_90_CLOCKWISE)
>>> cv.imwrite('rotate.jpg', rotate)
True

---

solve(src1, src2, |method)

求解线性方程组，目前仅实现了LU方法；参考：solve

参数：

• src1:Var 线性方程组左侧矩阵
• src2:Var 线性方程组右侧矩阵
• method:int 求解方法，可选；默认为cv.DECOMP_LU (目前仅实现了LU方法)

返回：能否求解，求解获得的矩阵

返回类型：Tuple(bool, Var)

示例：

>>> a = np.array([2., 3., 4., 0., 1., 5., 0., 0., 3.]).reshape(3, 3)
>>> b = np.array([1., 2., 3.]).reshape(3, 1)
>>> cv.solve(a, b)
(True, array([[ 3.],
              [-3.],
              [ 1.]], dtype=float32))

---

normalize(src, dst, alpha, beta, norm_type, |dtype, mask)

对输入进行归一化；参考：normalize

参数：

• src:Var 输入矩阵
• dst:Var Python中不需要使用该参数，直接赋为None即可
• alpha:float 归一化的下限
• beta:float 归一化的上限
• norm_type:int 归一化类型，如：cv.NORM_MINMAX
• dtype:dtype 输入类型，不需要赋值
• mask 兼容性参数，目前还不支持mask

返回：归一化结果

返回类型：Var

示例：

>>> x = np.arange(12).reshape(2, 2, 3).astype(np.uint8)
>>> cv.normalize(x, None, -50, 270, cv.NORM_MINMAX)
array([[[  0,   0,   8],
        [ 37,  66,  95]],

       [[125, 154, 183],
        [212, 241, 255]]], dtype=uint8)

---

merge(mv)

将多张图片沿channel合并；参考：merge

参数：

• mv:[Var] 输入矩阵数组

返回：合并结果矩阵

返回类型：Var

示例：

>>> x = np.arange(9).reshape(3, 3)
>>> cv.merge([x, x])
array([[[0, 0],
        [1, 1],
        [2, 2]],

       [[3, 3],
        [4, 4],
        [5, 5]],

       [[6, 6],
        [7, 7],
        [8, 8]]], dtype=int32)

---

split(m)

将图片沿channel方向拆分；参考：split

参数：

• m:Var 待拆分图片

返回：拆分出的图片

返回类型：[Var]

示例：

>>> x = np.arange(12).reshape(2, 2, 3)
>>> cv.split(x)
[array([[0, 3],[6, 9]], dtype=int32),
 array([[1, 4],[7, 10]], dtype=int32),
 array([[2, 5],[8, 11]], dtype=int32)]

---

addWeighted(src1, alpha, src2, beta, gamma)

对输入的两个矩阵执行权重相加：dst = src1 * alpha + src2 * beta + gamma；参考：addWeighted

参数：

• src1:Var 第一个输入矩阵
• alpha:float 第一个输入矩阵的权重
• src2:Var 第二个输入矩阵
• beta:float 第二个输入矩阵的权重
• gamma:float 额外增加的常量

返回：加权得到的和

返回类型：Var

示例：

>>> x = np.arange(3.)
>>> cv.addWeighted(x, 0.2, x, 0.5, 1)
array([1. , 1.7, 2.4], dtype=float32)

---

haveImageReader(filename)

用于判断是否支持特定图像格式的解码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：haveImageReader

移动端默认不包含该函数

参数：

• filename:str 图像文件路径

返回：是否有读取图像的接口

返回类型：bool

示例：

>>> cv.haveImageReader('cat.jpg')
True

---

haveImageWriter(filename)

用于判断是否支持特定图像格式的编码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：haveImageWriter

移动端默认不包含该函数

参数：

• filename:str 图像文件路径

返回：是否有写图像的接口

返回类型：bool

示例：

>>> cv.haveImageWriter('cat.jpg')
True

---

imdecode(buf, |flag)

将内存数据解码为图像，并返回，参考：imdecode

移动端默认不包含该函数

参数：

• buf:ndarray|sequence 图像数据序列，可以是ndarray, list, tuple, bytes等
• flag:int 解码方式，可选，默认为cv2.IMREAD_COLOR

返回：解码后的图像

返回类型：Var

示例：

>>> cv.imdecode(bytearray(open('cat.jpg', 'rb').read()), cv.IMREAD_COLOR)
array([[[ 49,  57,  26],
        [ 50,  58,  27],
        [ 47,  55,  25],
        ...,
        [188, 205, 214],
        [158, 175, 184],
        [158, 175, 184]]], dtype=uint8)

---

imencode(ext, img, |params)

将图像编码为图像数据，并返回，参考：imencode

移动端默认不包含该函数

参数：

• ext:str 图像文件扩展名，如jpg, png等
• img:Var 图像
• params:[int] 编码参数，可选，默认为[cv2.IMWRITE_JPEG_QUALITY, 95]

返回：编码后的图像数据序列，first是bool代表是否编码成功，second是listofuint8代表编码后的图像数据序列

返回类型：pair

示例：

>>> success, buf = cv.imencode('jpg', cv.imread('cat.jpg'))
>>> success
True
>>> buf[:10]
[255, 216, 255, 224, 0, 16, 74, 70, 73, 70]

---

imread(filename, |flag)

读取图像，并返回，参考：imread

移动端默认不包含该函数

参数：

• filename:str 图像文件路径
• flag:int 读取方式，可选，默认为cv2.IMREAD_COLOR

返回：读取的图像

返回类型：Var

示例：

>>> cv.imread('cat.jpg')
array([[[ 49,  57,  26],
        [ 50,  58,  27],
        [ 47,  55,  25],
        ...,
        [188, 205, 214],
        [158, 175, 184],
        [158, 175, 184]]], dtype=uint8)

---

imwrite(filename, img, |params)

将图像写入文件，参考：imwrite

移动端默认不包含该函数

参数：

• filename:str 图像文件写的路径
• img:Var 图像对象
• params:[int] 编码参数，可选，默认为[cv2.IMWRITE_JPEG_QUALITY, 95]

返回：是否写入成功

返回类型：bool

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.imwrite('write.jpg', img)
True

---

Rodrigues(src)

将旋转矩阵转换为旋转向量，在solvePnP的返回值前会被使用，参考：Rodrigues

该函数只支持旋转矩阵到旋转向量，反之不支持

参数：

• src:Var 旋转矩阵

返回：旋转向量

返回类型：Var

示例：

>>> cv.Rodrigues(np.array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]]))
array([[0.],
       [0.],
       [0.]], dtype=float32)

---

solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, |flags)

根据输入的 3d坐标集合和2d坐标集合，相机内参和平移矩阵，计算3d坐标到2d坐标的映射关系，并返回旋转矩阵和平移矩阵，参考：solvePnP

目前仅支持SOLVEPNP_SQPNP

参数：

• objectPoints:Var 3d坐标集合, shape为(n,3)，n为点的个数
• imagePoints:Var 2d坐标集合, shape为(n,2)，n为点的个数
• cameraMatrix:Var 相机内参矩阵, shape为(3,3)
• distCoeffs:Var 相机畸变系数, shape为(1,5)或(5,), 不使用可以传入[]
• flags:int 标志位，可选，做兼容性处理，目前仅支持SOLVEPNP_SQPNP

返回：返回值tuple中有3个值，第一个值为bool是否找到变换关系，第二个值为Var是旋转向量，第三个值为Var是平移矩阵

返回类型：tuple

示例：

>>> model_points = np.array([0.0, 0.0, 0.0, 0.0, -330.0, -65.0, -225.0, 170.0, -135.0, 225.0, 170.0, -135.0, -150.0, -150.0, -125.0, 150.0, -150.0, -125.0]).reshape(6, 3)
>>> image_points = np.array([359., 391., 399., 561., 337., 297., 513., 301., 345., 465., 453., 469.]).reshape(6, 2)
>>> camera_matrix = np.array([1200., 0., 600., 0., 1200., 337.5, 0., 0., 1.]).reshape(3, 3)
>>> dist_coeffs = np.array([0.0, 0.0, 0.0, 0.0]).reshape(4, 1)
>>> cv.solvePnP(model_points, image_points, camera_matrix, dist_coeffs, flags=cv.SOLVEPNP_SQPNP)
(True, array([[ 3.000745  ],
       [ 0.03165916],
       [-0.9225616 ]], dtype=float32), array([[-435.97495],
       [  95.3929 ],
       [2201.46   ]], dtype=float32))

---

cvtColor(src, code, |dstCn)

将图像转换为另一种颜色空间，参考: cvtColor

如果src为YUV图像请使用cvtColorTwoPlane

参数：

• src:Var 输入图像
• code:int 转换方式，使用cv.COLOR_*
• dstCn:int 转换后图像的通道数，可选，默认为原图像的通道数

返回：转换后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')         # bgr
>>> cv.cvtColor(img, cv.COLOR_BGR2GRAY) # gray
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> cv.imwrite('cvtColor.jpg', gray) 
True

---

cvtColorTwoPlane(src1, src2, code)

将图像转换为另一种颜色空间，源图像存储在两个平面中，一般用于YUV_NV21和YUV_NV12到其他颜色空间的转换，参考: cvtColorTwoPlane

参数：

• src1:Var 图像的第一个平面
• src2:Var 图像的第二个平面
• code:int 转换方式，使用cv.COLOR_*

返回：转换后的图像

返回类型：Var

示例：

>>> h = w = 224
>>> y = np.random.randint(0, 255, h * w).reshape(h, w).astype(np.uint8)
>>> uv = np.random.randint(0, 255, h * w / 2).astype(np.uint8)
>>> rgb = cv.cvtColorTwoPlane(y, uv, cv.COLOR_YUV2RGB_NV21)
>>> cv.imwrite('cvtColorTwoPlane.jpg', rgb)
True

---

bilateralFilter(src, d, sigmaColor, sigmaSpace, |borderType)

双边滤波，直接实现未优化，速度较慢；参考: bilateralFilter

参数：

• src:Var 输入图像
• d:int 滤波时考虑周围像素的直径，如果为负数则通过sigmaSpace计算
• sigmaColor:float 颜色空间sigma值
• sigmaSpace:float 坐标空间sigma值
• borderType:int 边界模式，可选值；默认为REFLECT

返回：滤波后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.bilateralFilter(img, 20, 80.0, 35.0)
>>> cv.imwrite('bilateralFilter.jpg', img)
True

---

blur(src, ksize, |borderType)

使用归一化框滤镜模糊图像，参考: blur

参数：

• src:Var 输入图像
• ksize:[int] kernel大小
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：模糊后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.blur(img, [3, 3])
>>> cv.imwrite('blur.jpg', img)
True

---

boxFilter(src, ddepth, ksize, |normalize, borderType)

使用方框滤镜模糊图像，参考: boxFilter

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• ksize:[int] kernel大小
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：模糊后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.boxFilter(img, -1, [7, 7])
>>> cv.imwrite('boxFilter.jpg', img)
True

---

dilate(src, kernel, |iterations, borderType)

通过使用特定的结构元素对图像进行扩张，参考: dilate

参数：

• src:Var 输入图像
• kernel:Var 结构元素
• iterations:int 迭代次数，可选，默认为1
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：扩张后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.dilate(img, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('dilate.jpg', img)
True

---

erode(src, kernel, |iterations, borderType)

通过使用特定的结构元素对图像进行腐蚀，参考: erode

参数：

• src:Var 输入图像
• kernel:Var 结构元素
• iterations:int 迭代次数，可选，默认为1
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：腐蚀后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.erode(img, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('erode.jpg', img)
True

---

filter2D(src, ddepth, kernel, |delta, borderType)

度图像执行二维卷积，参考: filter2D

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• kernel:Var 卷积核
• delta:float 加到卷积结果的偏移量，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：卷积结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.filter2D(img, -1, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('filter2D.jpg', img)
True

---

GaussianBlur(src, ksize, sigmaX, |sigmaY, borderType)

使用高斯滤镜模糊图像，参考: GaussianBlur

参数：

• src:Var 输入图像
• ksize:[int] kernel大小
• sigmaX:float X 方向的高斯核标准差
• sigmaY:float Y方向的高斯核标准差；如果 sigmaY 为零，则设置为等于 sigmaX，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：模糊后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.GaussianBlur(img, [5, 5], 3)
>>> cv.imwrite('GaussianBlur.jpg', img)
True

---

getDerivKernels(dx, dy, ksize, |normalize)

返回用于计算空间图像导数的滤波器系数，参考: getDerivKernels

参数：

• dx:int 关于 x 的导数
• dy:int 关于 y 的导数
• ksize:int 返回的kernel大小，可以是1,3,5,7
• normalize:bool 是否将系数归一化，可选，默认为false

返回：滤波器系数

返回类型：Var

示例：

>>> cv.getDerivKernels(1, 1, 3)
(array([[-1.,  0.,  1.]], dtype=float32), array([[-1.,  0.,  1.]], dtype=float32))

---

getGaborKernel(ksize, sigma, theta, lambd, gamma, |psi)

返回Gabor滤波器系数，参考: getGaborKernel

参数：

• ksize:[int] 返回的kernel大小
• sigma:float Gabor的标准差
• theta:float Gabor函数的平行条纹的法线方向
• lambd:float 正弦因子的波长
• gamma:float 空间纵横比
• psi:float 相位偏移，可选，默认为PI/2

返回：滤波器系数

返回类型：Var

示例：

>>> cv.getGaborKernel([3, 3], 10, 5, 5, 5)
array([[ 6.1722213e-01,  9.2025989e-01,  9.3729156e-01],
       [-3.1094351e-01, -4.3711388e-08,  3.1094342e-01],
       [-9.3729156e-01, -9.2025995e-01, -6.1722219e-01]], dtype=float32)

---

getGaussianKernel(ksize, sigma)

返回高斯滤波器系数，参考: getGaussianKernel

参数：

• ksize:int 返回的kernel大小，必须是奇数
• sigma:float 高斯标准差sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8

返回：滤波器系数

返回类型：Var

示例：

>>> cv.getGaussianKernel(3, 5)
array([[0.33110374, 0.3377925 , 0.33110374]], dtype=float32)

---

getStructuringElement(shape, ksize)

返回指定大小和形状的结构元素，用于形态学操作，参考: getStructuringElement

参数：

• shape:int 元素形状
  • 0: 矩形
  • 1: 十字形
  • 2：椭圆形
• ksize:[int] 结构元素的大小

返回：结构元素

返回类型：Var

示例：

>>> cv.getStructuringElement(0, (3, 3))
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]], dtype=uint8)

---

Laplacian(src, ddepth, |ksize, scale, delta, borderType)

计算图像的拉普拉斯算子，参考: Laplacian

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• ksize:int 卷积核大小，可选，默认为1
• scale:float 缩放因子，可选，默认为1
• delta:float 加到结果的偏移量，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：拉普拉斯算子计算结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.Laplacian(img, -1, 3)
>>> cv.imwrite('Laplacian.jpg', img)
True

---

pyrDown(src, |dstsize, borderType)

模糊图像并对其进行下采样，参考: pyrDown

参数：

• src:Var 输入图像
• dstsize:[int] 输出图像的大小
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：下采样后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.pyrDown(img)
>>> cv.imwrite('pyrDown.jpg', img)
True

---

pyrUp(src, |dstsize, borderType)

对图像进行上采样，然后对其进行模糊处理，参考: pyrUp

参数：

• src:Var 输入图像
• dstsize:[int] 输出图像的大小
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：下采样后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.pyrUp(img)
>>> cv.imwrite('pyrUp.jpg', img)
True

---

Scharr(src, ddepth, dx, dy, |scale, delta, borderType)

使用Scharr算子计算图像导数，参考: Scharr

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• dx:int 导数x的阶数
• dy:int 导数y的阶数
• scale:float 缩放因子，可选，默认为1
• delta:float 加到结果的偏移量，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：Scharr算子计算结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.Scharr(img, -1, 1, 1)
array([[[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        ...,
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]], dtype=uint8)

---

sepFilter2D(src, ddepth, kx, ky, |delta, borderType)

对图像应用可分离的线性过滤器，参考: sepFilter2D

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• kx:int x方向的kernel
• ky:int y方向的kernel
• delta:float 加到结果的偏移量，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：sepFilter2D计算结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> kernelX = np.array([[0., -1., 0.]])
>>> kernelY = np.array([[-1., 0., -1.]])
>>> cv.sepFilter2D(img, -1, kernelX, kernelY, 1)
array([[[1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        ...,
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1]]], dtype=uint8)

---

Sobel(src, ddepth, dx, dy, |ksize, scale, delta, borderType)

使用Sobel算子计算图像导数，参考: Sobel

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• dx:int 导数x的阶数
• dy:int 导数y的阶数
• ksize:int kernel的大小，可选，默认为3
• scale:float 缩放因子，可选，默认为1
• delta:float 加到结果的偏移量，可选，默认为0
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：Sobel算子计算结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.Sobel(img, -1, 1, 0)
array([[[0, 0, 0],
        [0, 0, 0],
        [0, 0, 2],
        ...,
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]], dtype=uint8)

---

spatialGradient(src, |ksize, borderType)

使用Sobel算子分别计算x和y方向的一阶图像导数，参考: spatialGradient

参数：

• src:Var 输入图像
• ksize:int Sobel kernel的大小，可选，默认为3
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：spatialGradient计算结果

返回类型：Var

---

sqrBoxFilter(src, ddepth, ksize, |normalize, borderType)

计算与过滤器重叠的像素值的归一化平方和，参考: sqrBoxFilter

参数：

• src:Var 输入图像
• ddepth:int 图像的深度
• ksize:[int] kernel的大小
• normalize:bool 是否归一化，可选，默认为true
• borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT

返回：sqrBoxFilter计算结果

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.sqrBoxFilter(img, -1, (3,3))
>>> img = img.astype(np.uint8)
>>> cv.imwrite('sqrBoxFilter.jpg', img)
True

---

getAffineTransform(src, dst)

计算两组三个顶点之间仿射变换矩阵，参考: getAffineTransform

参数：

• src:[float] 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y
• dst:[float] 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y

返回：变换矩阵

返回类型：CVMatrix 参考：CVMatrix

示例：

>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0]
>>> cv.getAffineTransform(src, dst)
    [[1.266667  0.600000    -83.333336]
    [-0.533333 1.000000    76.666664]
    [76.666664 0.000000    0.000000]]

---

getPerspectiveTransform(src, dst)

计算两组三个顶点之间透视变换矩阵，参考: getPerspectiveTransform

参数：

• src:[float] 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y
• dst:[float] 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y

返回：变换矩阵

返回类型：CVMatrix 参考：CVMatrix

示例：

>>> src =  [100.0, 50.0, 100.0, 390.0, 600.0, 50.0, 600.0, 390.0]
>>> dst = [200.0, 100.0, 200.0, 330.0, 500.0, 50.0, 600.0, 390.0]
>>> cv2.getPerspectiveTransform(src, dst)
    [[0.307692  -0.104072   174.434372]
    [-0.129231 0.504751    87.685509]
    [87.685509 -0.000585   -0.000520]]

---

getRectSubPix(image, patchSize, center)

获取图像的矩形子块，参考: getRectSubPix

参数：

• image:Var 输入的图像
• patchSize:[int] 裁剪的patch大小(width, height)
• center:[int] 被裁减出的矩形的中心点(x, y)

返回：裁剪出的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> h, w, c = img.shape
>>> center = (w / 2.0, h / 2.0)
>>> img = cv2.getRectSubPix(img, [90, 90], center)
>>> cv.imwrite('getRectSubPix.jpg', img)
True

---

getRotationMatrix2D(center, angle, scale)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的getRotationMatrix2D 函数，用于计算 2D 旋转的仿射变换矩阵。

参数：

• center:[float] 图像中的旋转中心点(x, y)
• angle:float 旋转角度(degrees)
• scale:float 同向放缩因子

返回：仿射变换矩阵

返回类型：类型为 CVMatrix

示例：

>>> cv.getRotationMatrix2D((500.0 / 2.0, 333.0 / 2.0), 90, 1.0)
[[-0.000000	1.000000	83.500015]
 [-1.000000	-0.000000	416.500000]
 [416.500000	0.000000	0.000000]]

---

invertAffineTransform(m)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的invertAffineTransform 函数，计算仿射变换矩阵的逆矩阵。

参数：

• m:CVMatrix 输入的仿射矩阵

返回：仿射变换矩阵的逆矩阵

返回类型：类型为 CVMatrix

示例：

>>> m = MNN.CVMatrix()
>>> m.setScale(5.0, 5.0)
>>> cv.invertAffineTransform(m)
[[0.200000      0.000000        -0.000000]
 [0.000000      0.200000        -0.000000]
 [-0.000000     0.000000        0.000000]]

---

convertMaps(map1, map2, dstmap1type, |interpolation)

映射map转换，为了兼容OpenCV中的convertMaps 函数；但实际不进行任何操作，仍返回map1, map2

参数：

• map1:Var 原始映射关系
• map2:Var 原始映射关系
• dstmap1type:int 兼容性参数，不支持
• interpolation:int 兼容性参数，不支持

返回：(map1, map2)

返回类型：类型为 Tuple

---

remap(src, map1, map2, interpolation, |borderMode, borderValue)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的remap 函数，用于图像重映射。

不支持borderMode与borderValue

参数：

• src:Var 输入的图像
• map1:Var x坐标映射
• map2:Var y坐标映射
• interpolation:int 插值方式，仅支持cv.INTER_NEAREST和cv.INTER_LINEAR
• borderMode:int 兼容性参数，不支持
• borderValue:int 兼容性参数，不支持

返回：重映射后的图像

返回类型：类型为 Var

示例：

>>> img = cv.imread('cat.jpg')
>>> row, col, ch = img.shape
>>> mapx = np.ones(img.shape[:2], np.float32)
>>> mapy = np.ones(img.shape[:2], np.float32)
>>> for i in range(row):
>>>     for j in range(col):
>>>         mapx[i, j] = float(j)
>>>         mapy[i, j] = float(row-i)
>>> img = cv.remap(img, mapx, mapy, cv.INTER_LINEAR)
>>> cv.imwrite('remap.jpg', img)
True

---

resize(src, dsize, |fx, fy, interpolation, code, mean, norm)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的resize 函数，用于放缩图像。

该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能

参数：

• src:Var 输入的图像
• dsize:tuple 放缩后的大小
• fx:float 水平方向的放缩因子，如果为0，则自动计算，默认为0
• fy:float 竖直方便的放缩因子，如果为0，则自动计算，默认为0
• interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
• code:int 可以在缩放时转换颜色空间，默认为-1不执行转换
• mean:[float] 转换为float的归一化的均值，默认为空不转换为float
• norm:[float] 转换为float的归一化的标准差，默认为空不转换为float

返回：放缩后的图像

返回类型：类型为 Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.resize(img, [100, 100])
>>> cv.imwrite('resize.jpg', img)
True

---

warpAffine(src, M, dsize, |flag, borderMode, borderValue, code, mean, norm)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的warpAffine 函数，对一个图像应用仿射变换。

该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能

参数：

• src:Var 输入的图像
• dsize:tuple 放缩后的大小
• interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
• borderMode:int 边界模式，默认为cv.BORDER_CONSTANT
• borderValue:int 当边界模式为 cv.BORDER_CONSTANT 时设定的值，默认为0
• code:int 可以在缩放时转换颜色空间，默认为-1不执行转换
• mean:[float] 转换为float的归一化的均值，默认为空不转换为float
• norm:[float] 转换为float的归一化的标准差，默认为空不转换为float

返回：仿射变换的图像

返回类型：Var

示例：

>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0]
>>> transform = cv.getAffineTransform(src, dst)
>>> img = cv.imread('cat.jpg')
>>> img = cv.warpAffine(img, transform, [300, 330])
>>> cv.imwrite('warpAffine.jpg', img)
True

---

warpPerspective(src, M, dsize, flag, borderMode, borderValue)

作用等同与 OpenCV 中 Geometric Image Transformations 模块的warpPerspective 函数，对一个图像应用透视变换。

参数：

• src:Var 输入的图像
• dsize:tuple 放缩后的大小
• interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
• borderMode:int 边界模式，默认为cv.BORDER_CONSTANT
• borderValue:int 当边界模式为 cv.BORDER_CONSTANT 时设定的值，默认为0

返回：透视变换的图像

返回类型：Var

示例：

>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0]
>>> transform = cv.getPerspectiveTransform(src, dst)
>>> img = cv.imread('cat.jpg')
>>> img = cv.warpPerspective(img, transform, [500, 333])
>>> cv.imwrite('warpPerspective.jpg', img)
True

---

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的adaptiveThreshold 函数，对图像逐像素进行自适应阈值变化，可以将使用此函数将图像变成二值图像。

参数：

• src:Var 输入的图像
• maxValue:float 阈值的最大值
• adaptiveMethod:int 自适应方法，如：cv.ADAPTIVE_THRESH_MEAN_C
• thresholdType:int 阈值变化的类型，如：cv.THRESH_BINARY
• blockSize:int 计算阈值时取邻域的大小，如：3,5,7等
• C:float

返回：阈值变化后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> img = cv.adaptiveThreshold(img, 50, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 2)
>>> cv.imwrite('adaptiveThreshold.jpg', img)
True

---

blendLinear(src1, src2, weight1, weight2)

作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的blendLinear 函数，对两幅图像进行线性混合。

参数：

• src1:Var 输入的图像
• src2:Var 输入的图像
• weight1:Var src1 计算的叠加权重
• weight2:Var src2 计算的叠加权重

返回：混合后的图像。

返回类型：Var

示例：

>>> src1 = np.array([[2.0, 3.0], [1.0, 1.0]])
>>> src2 = np.array([[0.0, 1.0], [1.0, 1.0]])
>>> weight1 = np.array([[1.0, 2.0], [1.5, 1.5]])
>>> weight2 = np.array([[0.1, 0.5], [0.2, 0.3]])
>>> cv.blendLinear(src1, src2, weight1, weight2)
array([[1.8181652 , 2.5999894 ],
       [0.9999941 , 0.99999446]], dtype=float32)

---

threshold(src, thresh, maxval, type)

作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的threshold 函数，对图像逐像素进行阈值变化，可以将使用此函数将图像变成二值图像，比如在寻找轮廓时(findContours)可以使用该函数。

参数：

• src:Var 输入的图像
• thresh:float 阈值
• maxval:float 阈值的最大值
• type:int 阈值变化的类型，默认为cv.THRESH_BINARY

参数	说明
THRESH_BINARY	小于阈值的像素置为0，大于阈值的像素置为maxval
THRESH_BINARY_INV	小于阈值的像素置为maxval，大于阈值的像素置为0
THRESH_TRUNC	小于阈值的像素置为0，大于阈值的像素保持不变
THRESH_TOZERO	小于阈值的像素置为0，大于阈值的像素不变
THRESH_TOZERO_INV	小于阈值的像素不变，大于阈值的像素置为0

返回：阈值变化后的图像

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> img = img.astype(np.float32)
>>> img = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
>>> img = img.astype(np.uint8)
>>> cv.imwrite('threshold.jpg', img)
True

---

findContours(image, mode, method, offset)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的findContours 函数，对二值图像进行轮廓查找，查找得到的结果可以用作contourArea，fillPoly和drawContours的参数使用。

注意：该实现未计算hierarchy信息

参数：

• image:Var 输入的图像
• mode:int 轮廓查找的模式，默认为cv.RETR_EXTERNAL
• method:int 轮廓查找的方法，默认为cv.CHAIN_APPROX_SIMPLE
• offset:tuple 轮廓查找的偏移量，默认为(0, 0)

返回：tuple的第一个元素为找到的轮廓像素，类型为list of Var，第二个值为兼容opencv的值，本函数未实现。

返回类型：tuple

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
([array([[[143, 294]],
         ...,
         [[144, 295]]], dtype=int32),
         ...
  array([[[304,   1]],
         ...,
         [[309,   1]]], dtype=int32)], 'no hierarchy')

---

contourArea(points, oriented)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的contourArea 函数，计算轮廓的面积。

参数：

• points:Var 轮廓像素
• oriented:bool 是否计算有向面积，默认为False

返回：轮廓的面积

返回类型：float

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.contourArea(contours[0], False)
15.5

---

convexHull(points, clockwise, returnPoints)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的convexHull 函数，计算点集的凸包。

参数：

• points:Var 轮廓像素
• clockwise:bool 是否按顺时针方向计算凸包，默认为False
• returnPoints:bool 是否返回凸包的点集，默认为True

返回：凸包的点集

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.convexHull(contours[0])
array([[[147, 295]],
       [[147, 298]],
       [[146, 299]],
       [[143, 298]],
       [[142, 297]],
       [[142, 296]],
       [[143, 294]]], dtype=int32)

---

minAreaRect(points)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的minAreaRect 函数，计算点集的最小外接矩形。

参数：

• points:Var 轮廓像素

返回：最小外接矩形的中心点坐标，长宽，旋转角度

返回类型：tuple

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.minAreaRect(contours[0])
((144.61766052246094, 296.5294494628906), (5.3357834815979, 4.123105525970459), 14.03624439239502)

---

boundingRect(points)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的boundingRect 函数，计算点集的最小外接矩形。

参数：

• points:Var 轮廓像素

返回：最小外接矩形的中心点坐标，长宽

返回类型：tuple

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.boundingRect(contours[0])
[142, 294, 6, 6]

---

connectedComponentsWithStats(image, connectivity)

作用等同与 OpenCV 中 Connected Components模块的connectedComponentsWithStats 函数，计算图像的连通域。

参数：

• image:Var 图像
• connectivity:int 连通域的连通性，默认为8

返回：连通域的数量，连通域的标签，每个标签的统计输出，每个标签的质心输出

返回类型：tuple

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.connectedComponentsWithStats(img)
(2, array([[[[1], ..., [1]], ..., [[1], ..., [1]]]], dtype=int32),
    array([[213, 60, 262, 52, 3], [0, 0, 480, 360, 172797]], dtype=int32),
    array([[386., 77.333336], [239.49745, 179.50177]], dtype=float32))

---

boxPoints(box)

作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的boxPoints 函数，计算矩形的四个顶点坐标。

参数：

• box:tuple 矩形的中心点坐标，长宽，旋转角度，参考 minAreaRect 函数的返回值

返回：四个顶点坐标

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.boxPoints(cv.minAreaRect(contours[0]))
array([[141.52942, 297.8824 ],
       [142.52942, 293.8824 ],
       [147.7059 , 295.1765 ],
       [146.7059 , 299.1765 ]], dtype=float32)

---

line(img, pt1, pt2, color, thickness, lineType, shift)

作用等同与 OpenCV 中 Drawing Functions 模块的line 函数，绘制从第一个点指向第二个点的直线。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制线条的图像
• pt1:tuple 线条绘制的起点(x, y)
• pt2:tuple 线条绘制的终点(x, y)
• color:tuple 线条绘制的颜色(b, g, r, a)
• thickness:int 线的粗细，默认为1
• lineType:int 线条绘制的方式，默认为cv.LINE_8
• shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.line(img, (10, 10), (100, 100), (255, 0, 0, 0), 5)
>>> cv.imwrite('line.jpg', img)
True

---

arrowedLine(img, pt1, pt2, color, thickness, lineType, shift, tipLength)

作用等同与 OpenCV 中 Drawing Functions 模块的arrowedLine 函数，绘制从第一个点指向第二个点的箭头段。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制箭头的图像
• pt1:tuple 箭头绘制的起点(x, y)
• pt2:tuple 箭头绘制的终点(x, y)
• color:tuple 箭头绘制的颜色(b, g, r, a)
• thickness:int 箭头的粗细，默认为1
• lineType:int 箭头绘制的方式，默认为cv.LINE_8
• shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
• tipLength:float 箭头部分与直线长度的百分比，默认为0.1

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.arrowedLine(img, (10, 10), (100, 100), (255, 0, 0, 0), 5)
>>> cv.imwrite('arrowedLine.jpg', img)
True

---

circle(img, center, radius, color, thickness, lineType, shift)

作用等同与 OpenCV 中 Drawing Functions 模块的circle 函数，绘制一个圆。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制圆的图像
• center:tuple 圆的中心点(x, y)
• radius:int 圆的半径大小
• color:tuple 圆绘制的颜色(b, g, r, a)
• thickness:int 圆的粗细，默认为1
• lineType:int 圆绘制的方式，默认为cv.LINE_8
• shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.circle(img, (100, 100), 5, (255, 0, 0, 0), 5)
>>> cv.circle(img, (100, 100), 50, (0, 0, 255, 0), 5)
>>> cv.imwrite('circle.jpg', img)
True

---

rectangle(src, pt1, pt2, color, thickness, lineType, shift)

作用等同与 OpenCV 中 Drawing Functions 模块的rectangle 函数，绘制一个矩形。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制圆的图像
• pt1:tuple 矩形的一个顶(x, y)
• pt2:tuple 矩形的另一个顶(x, y)
• color:tuple 矩形绘制的颜色(b, g, r, a)
• thickness:int 矩形的粗细，默认为1
• lineType:int 矩形绘制的方式，默认为cv.LINE_8
• shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.rectangle(img, (50, 50), (150, 150), (255, 0, 0, 0), 5)
>>> cv.rectangle(img, (100, 100), (200, 200), (0, 0, 255, 0), 5)
>>> cv.imwrite('rectangle.jpg', img)
True

---

drawContours(img, contours, contourIdx, color, thickness, lineType)

作用等同与 OpenCV 中 Drawing Functions 模块的drawContours 函数，绘制轮廓边缘或对其填充。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制圆的图像
• contours:[[int]] 其中每一个元素都是一个list，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 x 或者 y，必须配对
• contourIdx:int 代表要绘制第几个轮廓组。如果传入负数，绘制所有轮廓组
• color:tuple 矩形绘制的颜色(b, g, r, a)
• thickness:int 矩形的粗细，默认为1
• lineType:int 矩形绘制的方式，默认为cv.LINE_8

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> gray = gray.astype(np.float32)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> binary = binary.astype(np.uint8)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.drawContours(img, contours, -1, [0, 0, 255])
>>> cv.imwrite('drawContours.jpg', img)
True

---

fillPoly(img, contours, color, lineType, shift, offset)

作用等同与 OpenCV 中 Drawing Functions 模块的fillPoly 函数，绘制填充多边形。

该函数为 in-replace，直接作用于原图

参数：

• img:Var 代表需要绘制圆的图像
• contours:[[int]] 其中每一个元素都是一个list，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 x 或者 y，必须配对
• color:tuple 矩形绘制的颜色(b, g, r, a)
• lineType:int 矩形绘制的方式，默认为cv.LINE_8
• shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
• offset:tuple 所有点相对轮廓的偏移量，默认为(0, 0)

返回：None

返回类型：None

示例：

>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> gray = gray.astype(np.float32)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> binary = binary.astype(np.uint8)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.fillPoly(img, contours, [0, 0, 255])
>>> cv.imwrite('fillPoly.jpg', img)
True

---

calcHist(imgs, channels, mask, histSize, ranges, accumulate)

作用等同与 OpenCV 中 Histograms 模块的calcHist 函数，计算图像的直方图。

参数：

• imgs:[Var] 需要计算的图像
• channels:[int] 需要计算的通道
• mask:Var 需要计算的图像的掩码，本函数实现不支持mask
• histSize:[int] 直方图的大小，如：[256]
• ranges:[float] 直方图的范围，如：[0., 256.]
• accumulate:bool 是否累加，默认为False 本函数实现不支持累加

返回：计算得到的直方图

返回类型：Var

示例：

>>> img = cv.imread('cat.jpg')
>>> cv.calcHist([img], [0], None, [256], [0., 256.])
array([ 9.,    5.,   13.,   25., ..., 41.,   74.,   41.,  173.], dtype=float32)