OpenCV or Android

最近在 http://portal.kotlin-academy.com/#/ 上看到很多关于 Kotlin 的有趣的题目。个人觉得很适合 Kotlin 爱好者，感兴趣的小伙伴可自行查阅。【有趣的 Kotlin 】系列记录自己对每一题的理解。0x03：If-else chainingfun printNumberSign(num: Int) { if (num < 0) { "negative" } else if (num > 0) { .

最近在 http://portal.kotlin-academy.com/#/ 上看到很多关于 Kotlin 的有趣的题目。个人觉得很适合 Kotlin 爱好者，感兴趣的小伙伴可自行查阅。【有趣的 Kotlin 】系列记录自己对每一题的理解。0x02：Indent trimmingfun main(args: Array<String>) { val world = "multiline world" println(""" Hello \$world """.

最近在 http://portal.kotlin-academy.com/#/ 上看到很多关于 Kotlin 的有趣的题目。个人觉得很适合 Kotlin 爱好者，感兴趣的小伙伴可自行查阅。【有趣的 Kotlin 】系列记录自己对每一题的理解。0x01：Scala-like functionsfun hello() = { println("Hello, World")}fun main(args: Array<String>) { hello()}以上代码，.

前言前面，我们已经介绍了两种集成 wechat_qrcode 微信二维码识别能力的做法：完整编译 OpenCV 和 OpenCV ContribNative C++ 单独集成 wechat_qrcode 模块这两种方式的预览和识别均是基于 OpenCV 提供的 JavaCamera2View。今天介绍一下如何通过 CameraX 框架调用 wechat_qrcode 模块能力。CameraX 基本使用CameraX 具有以下最低版本要求：Android API 级别 21Androi

前言从前面两篇文章，我们了解到图像倾斜的两种类型：平面倾斜和 Z 轴倾斜，也结合之前学习的 API 完成了理想图片的矫正工作。但是基于理想图片的图像倾斜矫正在实际开发过程中的作用并不大。笔者能力有限，目前无法帮助大家实现矫正能力强且好用的 Android 应用。但是，我们可以站在巨人的肩膀上去实现我们的目标。SmartCropSmartCrop，是一款简单易用的智能图片裁剪库，适用于身份证，名片，文档等照片的裁剪。它是笔者在 Github 上遨游时，无意中发现的，正好弥补一下前两篇文章实用化效果不强的

图像倾斜一般图像倾斜有两种情况：平面倾斜：拍照设备与拍照对象平行，拍出来的图像只需要进行旋转即可完成矫正。Z 轴倾斜：拍照设备与拍照对象不平行，拍出来的图像要先进行透视变换，然后再进行旋转等操作才可以完成矫正。上一篇文章我们采用理想化图片尝试了平面倾斜的矫正，今天我们继续用理想化图片尝试Z轴倾斜矫正。核心内容就是透视变换，Android OpenCV 系列中有有一篇关于透视变换的文章，当时我们是直接手动标点，然后生成透视矩阵完成透视变换。针对 Z 轴倾斜矫正，也是可以通过人为干预标

前言笔者日常开发除了使用 Android 原生、Flutter 外，偶尔还会使用 ionic + cordova 的组合来完成部分跨平台应用开发。最近在使用过程中发现一个问题，ionic 组件 ion-datetime、ion-picker 不支持级联操作，但是可以通过一些取巧的方式间接实现，一起看看吧。无级联常规使用布局<ion-header translucent> <ion-toolbar> <ion-title>Picker</ion-t

前言Android OpenCV 系列的上一篇文章中，我们学习了 ORB 特征点的暴力匹配方式。复习一下，暴力匹配法会针对查询描述子中的每个描述符在训练描述子中寻找匹配描述子，算法复杂度是 O(n2n^2n2) 级别的，随着特征点数量的增加，运行速度会受到明显的影响。所以，我们今天介绍另外一种匹配方法—— （近似）最近邻快速搜索库（Fast Library for Approximate Nearest Neighbors，FLANN）。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合，而且这些算法

前言Android OpenCV 系列文章每一篇只针对一个单独的知识点进行自学和输出，随着我们基础知识的积累，自然会考虑由易到难的实现一些综合应用场景，给枯燥的基础 API 和算法学习增添一些趣味，形成正向反馈，提高学习兴趣，激发学习热情。就如同之前自学 Android 一样，绘制干净界面，实现绚丽动画，了解系统原理都会刺激求知欲，助你持续学习，持续输出。图像倾斜一般图像倾斜有两种情况：平面倾斜：拍照设备与拍照对象平行，拍出来的图像只需要进行旋转即可完成矫正；Z 轴倾斜：拍照设备与拍照对

Android 项目开发过程中，扫码场景使用最多的开源库是 ZXing ，Github 上针对 ZXing 的优化和二次封装不胜枚举，但是 Zxing 的缺陷在于只是实现了扫码的一些基础操作，对于更为复杂的扫码环境比如强光，弯曲，形变等情况，并不能很好地支持。现在主流的做法是基于Zxing 的源码做部分优化，但是效果依然不算理想，同时还会花费很多人力。今天，我们就介绍下 ZXing 的完美替代品 —— 华为统一扫码服务（ Scan Kit ）。关于 ZXing 和 Scan Kit 的对比，论坛内有一篇.

YUVYUV，是一种颜色编码方法。“Y” 表示明亮度（Luminance、Luma），“U” 和 “V” 则是色度、浓度（Chrominance、Chroma）。Y’UV、YUV、YCbCr、YPbPr 几个概念其实是一回事儿。由于历史关系，Y’UV、YUV 主要是用在彩色电视中，用于模拟信号，YCbCr 用于数字视频、图像的压缩和传输，如 MPEG、JPEG。Y’UV 设计的初衷是为了使彩色电视能够兼容黑白电视。对于黑白电视信号，没有色度信息也就是(UV)，那么在彩色电视显示的时候指显示亮度信息。将一张

看两段代码第一段代码：val a: Int = 100val boxedA: Int? = aval anotherBoxedA: Int? = aval b: Int = 10000val boxedB: Int? = bval anotherBoxedB: Int? = bprintln(boxedA === anotherBoxedA) // trueprintln(boxedB === anotherBoxedB) // false第二段代码：val a: Int = 1

最近在看Kotlin官方文档，今天翻译【Kotlin Idioms】章节帮助大家复习，虽然我知道各位的英文都贼溜。官方原文：https://kotlinlang.org/docs/idioms.html创建 DTO、POJO、POCOdata class Customer(val name: String, val email: String)提供具备下列功能的 Customer 类：所有属性的 getters ，如果是 var 属性，还提供 settersequals()hashCo.

特征点匹配特征点，表示图像内具有显著特征的像素点。采用不同的特征点检测算法，得到的特征点也不同，除了我们前面介绍的ORB特征点检测方法，还有SIFT、SURF等特征点算法可以用于特征点检测。虽然算法不同，但是在OpenCV API层面的操作方式基本相同。通过在不同的图像上使用同一种特征点检测算法，获取各自的特征点并进行匹配，可以帮助我们快速寻找不同图像之间的信息关联。那么如何匹配呢？前面我们介绍过，每个特征点都有标志其唯一身份和特点的描述子，那么我们就可以通过在两个图像中寻找相似描述子来间接的匹配特征点。

概念特征点特征点和角点都是图像中具有局部特征的点，但是特征点具有唯一描述像素点特征的描述子。特征点由关键点和描述子组成，例如ORB特征点，我们需要先使用FAST算法求取关键点，然后再计算BRIEF描述子，从而形成ORB特征点。所谓关键点，字面理解为图像内关键像素点，OpenCV中对应的类型为KeyPoint，里面包含像素点的坐标、直径、方向、强度等有用的信息；而描述子（descriptor），是用来唯一描述关键点的一串数字，通过描述子可以区分两个不同的关键点，也可以用来匹配相同的关键点，所以选择合适的方

前面我们介绍的两种角点检测方法Harris角点检测和Shi-Timasi角点检测的精度都是像素级别。但是在跟踪、三维重建，相机校正等应用上我们都需要精确的角点位置坐标，即亚像素级别。原理OpenCV亚像素角点检测方法是从亚像素角点到周围像素点的矢量应垂直于图像的灰度梯度这个观察事实得到的，通过最小化误差函数的迭代方法来获得亚像素级精度的坐标值。图中：qqq，即待求的亚像素点；pip_ipi​，即qqq周围的点(pi−q)(p_i-q)(pi​−q)，第一个向量pip_ipi​处的梯度GiG

本文同步发表于我的微信公众号，在微信搜索 OpenCV or Android 即可关注。前言It’s raining… Compose! Pull out all the stops for this final challenge. Build a beautiful weather app for a chance to win a Pixel 5! We’ll judge based on visual beauty, novelty of idea, code quality, and o.

前言第三周挑战赛是速度比拼，按照官方发出的设计图最快完成且符合所有设计规范者胜出。不仅要做得快，还要做得好，奖品自然不会少。这一期的奖品是：Google Pixel 5。深知干不过业界大佬们，花个半天纯当练手完成题目。设计图设计风格界面导航界面标注完整设计图：https://github.com/android/android-dev-challenge-compose/blob/assets/Bloom.zip知识点主题：自定义主题列表：LazyColumn、LazyRow

本文同步发表于我的微信公众号，在微信搜索 OpenCV or Android 即可关注。前言最近Android官方发起了Jetpack Compose的推广活动：Jetpack Compose开发者挑战赛。活动时间一个月，每周一题，广大开发者根据官方需求，Clone官方模板工程并使用Jetpack Compose技术结题后按要求提交，即可参与活动。今天抽空完成了第二题，有点丑陋，感兴趣的同学可以做个漂亮点的。环境活动地址：https://developer.android.google.cn/.

本文同步发表于我的微信公众号，在微信搜索 OpenCV or Android 即可关注。前言最近Android官方发起了Jetpack Compose的推广活动：Jetpack Compose开发者挑战赛。活动时间一个月，每周一题，广大开发者根据官方需求，Clone官方模板工程并使用Jetpack Compose技术结题后按要求提交，即可参与活动。上周完成了第一题，今天第二周的题目已经出来了，感兴趣的同学可以参与下。环境活动地址：https://developer.android.google.

本文同步发表于我的微信公众号，在微信搜索 OpenCV or Android 即可关注。协变、逆变概念许多程序设计语言的类型系统支持子类型。例如，如果Cat是Animal的子类型，那么Cat类型的表达式可用于任何出现Animal类型表达式的地方。所谓的变型（variance）是指如何根据组成类型之间的子类型关系，来确定更复杂的类型之间（例如Cat列表之于Animal列表，回传Cat的函数之于回传Animal的函数…等等）的子类型关系。当我们用类型构造出更复杂的类型，原本类型的子类型性质可能被保持、.

本文同步发表于我的微信公众号，扫描左侧二维码即可关注。概念内联函数（inline function）：在计算机科学中，内联函数（有时称作在线函数或编译时期展开函数）是一种编程语言结构，用来建议编译器对一些特殊函数进行内联扩展（有时称作在线扩展）；也就是说建议编译器将指定的函数体插入并取代每一处调用该函数的地方（上下文），从而节省了每次调用函数带来的额外时间开支。但在选择使用内联函数时，必须在程序占用空间和程序执行效率之间进行权衡，因为过多的比较复杂的函数进行内联扩展将带来很大的存储资源开支。另外还.

前言为了方便个人更新微信状态，上周花半天时间编写简单的抖音去水印APP。热心的小伙伴发现在Android11上无法保存视频。震惊，土豪竟然都是高端大气Android11。于是乎，分区存储的适配工作必须给土豪安排上。分区存储为了让用户更好地管理自己的文件并减少混乱，以 Android 10（API 级别 29）及更高版本为目标平台的应用在默认情况下被赋予了对外部存储空间的分区访问权限，即分区存储。此类应用在不请求任何与存储相关的用户权限时，只能访问外部存储空间上的应用专属目录，以及本应用所创建的特定类型

2011年12月微信3.5版本正式上线“扫一扫”二维码，历经9年蜕变，“扫一扫”从二维码名片到扫码支付、从小程序码到健康码，二维码已经成为一种生活方式，连接着数字与现实。现在，在腾讯WeChatCV团队的贡献下，微信扫码引擎正式加入OpenCV开源了！号称只需要三行代码，你便轻松拥有微信的扫码能力。我只想说，真的没那么容易，我花了半天才完成微信二维码扫描引擎在Android平台上的基础实践。前言 全网首发微信二维码引擎An

前言微信8.0.0更新以后，大伙玩得不亦乐乎，除了会动的表情，特效的炸弹、烟花等，还有一个亮点就是微信个人状态背景，既可以挂图片，更可以挂视频，给人一种万物皆可短视频的感觉。我也很爱这个功能，但是奈何鄙人才疏学浅，没法制作炫酷的短视频。只能使用去抖音水印工具获取视频积累素材，但是目前接触的去水印工具：小程序：没广告的不能用，能用的大堆广告网页：速度慢且操作不便捷。想想自己是个程序员，得尊重下自己的职业，自己动手丰衣足食。以下内容，仅供学习娱乐使用。思路1. “抖音”，复制链接今年的《

Android摄像头预览Android OpenCV开发过程中，我们有3种可选方式去实现Android摄像头预览功能：使用Android系统Camera API使用CameraX（JetPack组件）使用OpenCV SDK辅助类（JavaCameraView、JavaCamera2View等）当然，有人可能会有疑问？后面两种方式不也是使用Android系统的Camera APi嘛。你说的很有道理，只是CameraX为我们处理了很多麻烦的问题，如设备管理，生命周期管理等逻辑，让开发者更专注于生

目录结构何为Kotlin Flow？Flow，直接翻译就是“流”，如何理解呢？生活中，我们有水流，人流，车流等；开发中，我们有字节流，视频流等。参考这些内容，我们就很好理解”流“的概念，连续的内容输出形成“流”。Android技术层面上，使用过RxJava的朋友对生产者-消费者模式以及数据流的概念如数家珍，而Kotlin Flow是以协程为基础进行连续内容输出的开发库，实现与RxJava相似的功能，但是与Android结合更紧密，因为它是“亲儿子”。为何需要Kotlin Flow？RxJava相

Shi-Tomasi角点检测在Harris角点检测中，Harris角点评价系数R表示为：R=det(M)−k(trace(M))2R=det(M)-k(trace(M))^2R=det(M)−k(trace(M))2det(M)=λ1λ2det(M)=λ_1λ_2det(M)=λ1​λ2​trace(M)=λ1+λ2trace(M)=λ_1+λ_2trace(M)=λ1​+λ2​其中det(M)=λ1λ2是矩阵的行列式，trace(M)=λ1+λ2是矩阵的迹其中det(M)=λ_1

何为Kotlin协程？协程是一种并发设计模式，Kotlin协程是一个线程框架。为什么需要Kotlin协程？提供方便的线程操作API，编写逻辑清晰且简洁的线程代码。协程是Google在 Android 上进行异步编程的推荐解决方案。具有如下特点：轻量：您可以在单个线程上运行多个协程，因为协程支持挂起，不会使正在运行协程的线程阻塞。挂起比阻塞节省内存，且支持多个并行操作。内存泄漏更少：使用结构化并发机制在一个作用域内执行多项操作。内置取消支持：取消操作会自动在运行中的整个协程层次结构内传播。J

什么是角点？角点就是极值点，即在某方面属性特别突出的点。当然，你可以自己定义角点的属性（设置特定熵值进行角点检测）。角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点。角点通常被定义为两条边的交点，或者说，角点的局部邻域应该具有两个不同区域的不同方向的边界。常见的角点有：灰度梯度的最大值对应的像素点；两条直线或者曲线的交点；一阶梯度的导数最大值和梯度方向变化率最大的像素点；一阶导数最大，二阶导数为零的像素点（指示物体边缘变化不连续的方向）。为什么要检测角点？角点是图像

图像插值何为插值？插值是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。何为图像插值？从低分辨率图像生成高分辨率图像的过程（放大），用以恢复图像中所丢失的信息。APIpublic static void resize(Mat src, Mat dst, Size dsize, double fx, double fy, int interpolation) 参数一：src，输入源图像。参数二：dst，输出目标图像。参数三：

图像翻转图像翻转图像翻转操作，就是将图像二维数组沿水平轴，垂直轴或者两个轴进行翻转操作。dstij={srcsrc.rows−i−1,jif  flipCode=0srci,src.cols−j−1if  flipCode>0srcsrc.rows−i−1,src.cols−j−1if  flipCode<0\texttt{dst} _{ij} = \left\{ \begin{array}{l l} \texttt{src} _{\texttt{src.rows}-i-1,j} &am

图像积分图积分图像是Crow在1984年首次提出，是为了在多尺度透视投影中提高渲染速度，是一种快速计算图像区域和与平方和的算法。其核心思想是对每个图像建立自己的积分图查找表，在图像积分处理计算阶段根据预先建立的积分图查找表，直接查找从而实现对均值卷积线性时间计算，做到了卷积执行的时间与半径窗口大小的无关联。图像积分图在图像特征提取HAAR/SURF、二值图像分析、图像相似相关性NCC计算、图像卷积快速计算等方面均有应用，是图像处理中的经典算法之一。原理积分图像采用不同的计算规则获取不同的积分图像：s

泊松图像编辑图像合成是图形处理的一个基本问题，其通过将源图像中一个物体或者一个区域嵌入到目标图像生成一个新的图像。在对图像进行合成的过程中，为了使合成后的图像更自然，合成边界应保持无缝。但如果原图像和目标图像有着明显不同的纹理特征，则直接合成后的图像会存在明显的边界。针对此问题，Prez等提出了一种利用构造Poisson方程求解像素最优值的方法，在保留了源图像梯度信息的同时，可以很好地融合源图像与目标图像的背景。该方法根据用户指定的边界条件求解一个Poisson方程，实现了梯度上的连续，从而达到边界处的无

脱色脱色是将彩色图像转换为灰度图像的过程。同时，它也是数字打印，风格化的黑白照片渲染以及许多单通道图像处理应用程序中的基本工具。Imgproc.cvtColor(rgb, gray, Imgproc.COLOR_RGB2GRAY)可以快速的实现图片脱色，其通过简单的计算将三通道图像转换成单通道图像，经典的灰度转换公式如下：GRAY=0.299∗R+0.587∗G+0.114∗BGRAY=0.299*R+0.587*G+0.114*BGRAY=0.299∗R+0.587∗G+0.114∗B但是转换过

非真实渲染非真实感渲染(Non Photorealistic Rendering，简称NPR)，是指利用计算机模拟各种视觉艺术的绘制风格，也用于发展新的绘制风格。比如模拟中国画、水彩、素描、油画、版画等艺术风格。NPR也可以把三维场景渲染出丰富的、特别的新视觉效果，使它具备创新的功能。NPR渲染以强烈的艺术形式应用在动画、游戏等娱乐领域中，也出现在工程、工业设计图纸中。广阔的应用领域，不仅是由于它的艺术表现形式丰富多样，还在于计算机能够辅助完成原本工作量大、难度高的创作工作。目前，基于三维软件的NPR

图像修复实际应用中，图像常常容易受损，如存在污渍的镜头、旧照片的划痕、人为的涂画（比如马赛克），亦或是图像本身的损坏。将受到损坏的图像尽可能还原成原来的模样的技术，称之为图像修复。所谓修复，就代表图像大部分内容是完好的，所以，图像修复的原理，就是用完好的部分去推断受损部分的信息，特别是完好部分与受损部分的交界处，即受损区域的边缘，在这个推断过程中尤为重要。OpenCV给我们提供了inpaint方法来实现这个功能，并提供了两种图像修复的算法：基于Navier-Stokes的修复方法基于图像梯度的快速

图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。均值漂移（Mean-Shift）MeanShfit 均值漂移算法是一种通用的聚类算法，通常可以实现彩色图像分割。基本思想

图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。GrabcutGraphCut需要用户提供精确的前景背景的种子，而且当提供的种子无法覆盖所有分布时，必然会影响分割的准确度

最近帮一位读者朋友在Android平台上集成部分OpenCV功能，考虑到移动端的特殊性，不建议采用全包集成，同时，市面上Android手机基本上都是基于arm的指令集。综合考虑，采用c++ & native库的方式来实现OpenCV能力的集成。环境Android Studio 4.1.1OpenCV 4.5.0NDK 21.1.6352462CMake 3.10.2环境搭建下载opencv-4.5.0-android-sdk下载地址：https://sourceforge.n.

最近下载OpenCV的官方版本时网速特别慢，考虑到大家可能也会遇到这个问题，于是乎，存于百度盘分享之。版本列表下载链接公众号内回复【OpenCV】，即可全量下载。

图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。分水岭法分水岭算法介绍，下面这位知乎博主已经讲得非常详细了，详情请自行查阅。https://zhuanlan.zhihu

图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。漫水填充法漫水填充算法是根据像素灰度值之间的差值寻找相同区域实现分割。我们可以将图像的灰度值理解成像素点的高度，这样一张图

QR二维码QR码（英语：Quick Response Code；全称为快速响应矩阵图码）是二维码的一种，于1994年由日本DENSO WAVE公司发明。QR来自英文Quick Response的缩写，即快速反应，因为发明者希望QR码可以快速解码其内容。QR码使用四种标准化编码模式（数字、字母数字、字节（二进制）和日文（Shift_JIS））来存储数据。QR码常见于日本，为目前日本最通用的二维空间条码，在世界各国广泛运用于手机读码操作。QR码比普通一维条码具有快速读取和更大的存储资料容量，也无需要像一维条

什么是模板匹配？模板匹配是一种用于在较大图像中搜索和查找模板图像位置的方法。OpenCV提供matchTemplate()方法来实现模板匹配功能。模板匹配结果返回的是灰度图像，其中每个像素表示该像素的邻域与模板匹配程度。假设输入图像的大小（W * H），模板图像的大小为（w * h），则输出图像的大小将为（W - w + 1，H - h + 1）。获得结果后，可以使用minMaxLoc()方法查找最大/最小值位置，并将其作为矩形的左上角，以（w，h）作为矩形的宽度和高度来确定模板匹配到的区域。模板匹配原

凸包凸包（Convex Hull）是一个计算几何（图形学）中的概念。在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点(X1，…Xn)的凸组合来构造.在二维欧几里得空间中，凸包可想象为一条刚好包着所有点的橡皮圈。用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有的点。凸包缺陷如图所示，黑色的轮廓线为convexity hull（凸包），而convexity hull（凸包）与手掌之间的部分

前面我们提到轮廓发现、轮廓周长以及轮廓面积，然后通过轮廓面积和周长的固定关系来判断轮廓形状。但是针对不规则的形状，其实我们是很难通过数量关系来进行判断的。参考之前直线拟合的方式，我们也可以通过形状拟合的方式来对轮廓进行一定的分析。最常见的是将轮廓拟合成矩形等多边形。API最大外接矩形public static Rect boundingRect(Mat array)参数一：array，输入的灰度图或者二维点集合。该方法用于求取包含输入图像中物体轮廓或者二维点集的最大外接矩形。返回值为R.

轮廓面积与周长轮廓面积和轮廓周长都是轮廓的重要统计特征。轮廓面积是指每个轮廓中所有像素点围成区域的面积，单位为像素。轮廓周长是指每个轮廓中所有像素点围成区域的周长，单位同样为像素。通过分析轮廓面积和轮廓周长，我们可以区分物体的大小，识别物体的不同，同时还能分析出一些其他内容，例如，正方形区域的周长和面积是有固定关系的，圆形区域的周长和面积是有固定关系的。通过计算轮廓面积和周长，再结合这些固定关系，我们是可以得到一些结论的。API轮廓面积public static double contourArea

图像轮廓是一系列相连的点组成的曲线，代表物体的基本外形。轮廓与边缘的区别在于，轮廓是连续的，边缘并不全部连续。轮廓发现的操作一般用于二值化图，所以通常会使用阈值分割或Canny边缘检测先得到二值图。注意，轮廓发现是针对白色物体的，一定要保证物体是白色，而背景是黑色，不然很多人在寻找轮廓时会找到图片最外面的一个框。轮廓层级部分内容翻译自：https://docs.opencv.org/3.1.0/d9/d8b/tutorial_py_contours_hierarchy.html通常我们使用.

《计算机视觉：算法与应用》是一本高质量的入门教材。但美中不足的是，这本书写于十年前，涉及的机器学习、深度学习内容较少，而近年来，这两项技术又在视觉领域实现了爆炸式增长。为了弥补这一缺憾，最近，作者 Richard Szeliski 在自己的个人主页上宣布，《计算机视觉：算法与应用》第二版已经基本完成，并发布了新书的 PDF 版本，向读者征集意见。新书主页：http://szeliski.org/Book/下载链接：https://www.dropbox.com/sh/88qvr1z7fpfx1t

概念直线拟合霍夫直线检测是检测图像中是否存在直线，直线拟合则是假定我们已经知道点数据是在一条直线上，需要利用这些数据拟合出一条直线，但是由于噪声的存在，这条直线可能并不会通过大多数的数据点，此时，我们无法使用直线检测方式来寻找直线，而只能通过直线拟合的方式来求出这条直线。那么如何拟合直线呢？一般我们采用最小二乘法来保证所有数据点距离直线的距离最小，从而得出这条拟合出来的直线。最小二乘法最小二乘法是由勒让德在19世纪发现的，形式如下式：标函数=∑（观测值−理论值）2 标函数=\sum（观测值-

欢迎关注我的微信公众号【OpenCV or Android】，感谢大家支持和鼓励！公众号文章和CSDN不完全一致，公众号会分享更优质的内容以及书籍。欢迎扫码关注。

标准霍夫变换的原理就是把图像空间转换成参数空间（即霍夫空间），例如霍夫变换的直线检测就是在距离 -角度空间内进行检测。圆可以表示为：(x−a)2+(y−b)2=r2(x-a)^2+(y-b)^2 = r^2(x−a)2+(y−b)2=r2其中a和b代表圆心坐标，r代表圆半径。因此，霍夫变换的圆检测就是在这三个参数组成的三维空间内进行。原则上，霍夫变换可以检测任何形状。但复杂的形状需要的参数很多，霍夫空间的维数对应就多，因此在程序实现上所需的内存空间以及运行效率上都不利于把标准霍夫变换应用于实际复杂.

简介ViewModel，直接翻译过来就是"视图模型"，再换个说法，其实就是"界面模型"。界面，在Android系统中通常采用Activity和Fragment来承载。那么，“界面模型”，我理解就是用于处理界面数据，界面逻辑等内容的载体，便于分担传统MVC架构中Controller角色的职责。由此，可总结ViewModel的基本作用：数据持久化如果系统销毁或重新创建界面控制器，则存储在其中的任何临时性界面相关数据都会丢失。例如，应用的某个 Activity 中可能包含用户列表。因配置更改而重新创建

Paging3Paging3，是Jetpack提供给开发者用来显示本地或者网络数据集的分页库。针对这类场景，传统的做法是用RecyclerView的加载更多来实现分页加载，很多逻辑需要自行处理且不一定完善。Paging3相当于是官网提供的一套解决方案。特点每一页的数据会缓存至内存中，以此保证处理分页数据时更有效的使用系统资源内置请求重复数据删除功能，确保应用有效地使用网络带宽和系统资源支持Kotlin协程、Flow、LiveData以及RxJava内置错误处理支持，如刷新和重试功能。逻

霍夫变换利用点与线之间的对偶性，将图像空间中直线上离散的像素点通过参数方程映射为霍夫空间中的曲线，并将霍夫空间中多条曲线的交点作为直线方程的参数映射为图像空间中的直线。给定直线的参数方程，可以利用霍夫变换来检测图像中的直线。霍夫直线检测点和线的对偶性图像空间中的点，对应霍夫空间中的直线图像空间中的直线，对应霍夫空间中的点共点的直线，在霍夫空间中对应的点在一条直线上共线的点，在霍夫空间中对应的直线交于一点极坐标参数方程对于平面中的一条直线，在笛卡尔坐标中，常见的有点.

简介形态学（morphology）一词通常表示生物学的一个分支，它是研究动植物的形态和结构的学科。而我们图像处理中指的形态学，往往表示的是数学形态学。数学形态学（Mathematical morphology） 的语言是集合论。同样，形态学为大量的图像处理问题提供了一种一致的有力方法。数字形态学中的集合表示图像中的不同对象。例如，在二值图像中，所有的黑色像素的集合是图像完整的形态学描述。形态学的基本操作有图像腐蚀、图像膨胀、开操作、闭操作、击中不击中等。主要应用于边界提取、区域填充、连通分量的提取、凸壳

图像腐蚀、膨胀属于形态学的操作，就是基于形状的一系列图像处理操作。数字形态学的基本思想是：用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到图像分析和识别的目的。图像腐蚀、膨胀是基于高亮部分(白色)操作的，膨胀是对高亮部分进行膨胀，类似“领域扩张”，腐蚀是高亮部分被腐蚀，类似“领域蚕食”。膨胀腐蚀的应用主要体现在消除噪声、分割独立元素或者连接相邻元素、寻找图像中明显极大值、极小值区域以及求图像的梯度。图像膨胀图像膨胀的作用是将目标图像扩大，运算效果取决于结构元素大小内容以及逻辑运算性质。.

图像腐蚀、膨胀属于形态学的操作，就是基于形状的一系列图像处理操作。数字形态学的基本思想是：用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到图像分析和识别的目的。图像腐蚀、膨胀是基于高亮部分(白色)操作的，膨胀是对高亮部分进行膨胀，类似“领域扩张”，腐蚀是高亮部分被腐蚀，类似“领域蚕食”。膨胀腐蚀的应用主要体现在消除噪声、分割独立元素或者连接相邻元素、寻找图像中明显极大值、极小值区域以及求图像的梯度。图像腐蚀图像腐蚀的作用是将目标图像收缩，运算效果取决于结构元素大小内容以及逻辑运算性质。.

像素距离对于像素p(x , y)，q(s , t)，z(v , w)，用D(p , q)来表示像素p , q间的距离，像素间距离的D(x , y)应满足的如下条件：D(p , q) ≥ 0D(p , q) = D(q , p)D(p , q) + D(q , z) ≥ D(p , z)像素距离的分类及计算方法欧氏距离（Euclidean Distance）两个像素点之间的直线距离。与直角坐标系中两点之间的直线距离求取方式相同，分别计算两个像素在X方向和Y方向上的距离，之后利用勾股

图像连通域连通域图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。提取图像中不同的连通域是图像处理中较为常用的方法，例如在车牌识别、文字识别、目标检测等领域对感兴趣区域分割与识别。一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像邻域邻域，与指定元素相邻的像素集合。常用的有4邻域和8邻域。如果像素点A与B邻接，我们称A与B连通，于是

Canny算法边缘检测Canny边缘检测算法是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。截止2014年8月, Canny发表的该篇论文，已被引用19000余次。Canny 创立了边缘检测计算理论（Computational theory of edge detection）解释这项技术如何工作。通常情况下边缘检测的目的是在保留原有图像属性的情况下，显著减少图像的数据规模。有多种算法可以进行边缘检测，虽然Canny算法年代久远，但可以说它是边缘检测的一种标准算法，而且仍在

Moshi文章为对Moshi官方介绍的简单翻译。方便个人学习，加深印象。官方介绍：https://github.com/square/moshi基础用法依赖Maven<dependency> <groupId>com.squareup.moshi</groupId> <artifactId>moshi</artifactId> <version>1.9.2</version></depend

Laplacian 算子Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点，因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。Laplacian算子是一种二阶导数算子，对噪声比较敏感，因此常需要配合高斯滤波一起使用。如果邻域系统是4邻域，Laplacian 算子的模板为：[0101−41010]\begin{bmatrix} 0&1&0\\1&-4&1\\0&1&

Scharr算子Scharr算子是对Sobel算子差异性的增强，因此两者之间的在检测图像边缘的原理和使用方式上相同。Scharr算子的边缘检测滤波的尺寸为3×3，因此也有称其为Scharr滤波器。可以通过将滤波器中的权重系数放大来增大像素值间的差异，弥补Sobel算子对图像中较弱的边缘提取效果较差的缺点。APIpublic static void Scharr(Mat src, Mat dst, int ddepth, int dx, int dy, double scale, double d

Sobel算子索贝尔算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。索贝尔算子不但产生较好的检测效果，而且对噪声具有平滑抑制作用，但是得到的边缘较粗，且可能出现伪边缘。该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像

边缘检测什么是图像的边缘？图像的边缘是图像最基本的特征之一。所谓边缘（或边沿）是指周围像素灰度有跳跃性变化或“屋顶”变化的那些像素的集合。边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域之间，因此它是图像分割依赖的重要特征。从本质上说，图像边缘是图像局部特性不连续性（灰度突变、颜色突变、纹理结构突变等）的反应，它标志着一个区域的终结和另一个区域的开始。检测...

双边滤波高斯滤波是以距离为权重，设计滤波模板作为滤波系数，只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。高斯滤波的缺陷如下图所示：平坦区域正常滤波，图像细节没有变化，而在突变的边缘上，因为只使用了距离来确定滤波权重，导致边缘被模糊。在高斯基础上，进一步优化，叠加了像素值的考虑，因此也就引出了双边滤波，一种非线性滤波，滤波效果对保留边缘更有效。为了理解双边滤波的距离...

高斯滤波高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。 通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。高斯滤波是利用高斯核的一个2维的卷积算子，用于图...

方框滤波方框滤波和均值滤波核基本上是一致的，主要的区别是要不要归一化处理，如果使用归一化处理，方框滤波就是均值滤波。APIpublic static void boxFilter(Mat src, Mat dst, int ddepth, Size ksize, Point anchor, boolean normalize, int borderType)参数一：src，输入图像...

均值滤波均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度g（x，y），即g（x，y）=∑f（x，y）/m m为该模板中包含当前像素在内的像素总个数。从频率域观点来看均值滤波...

高斯噪声高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。这类噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声，也成为正态噪声，是在实践中经常用到的噪声模型。区别于椒盐噪声随机出现在图像中的任意位置，高斯噪声出现在图像中的所有位置。且概率密度函数如下所示：p(z)=12πδe−(z−μ)2δ2p(z) ...

椒盐噪声椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper no...

图像卷积在信号处理中卷积操作需要给出一个卷积函数与信号进行计算，图像的卷积形式与其相同，需要给出一个卷积模板与原图像进行卷积计算。整个过程可以看成是一个卷积模板在另外一个大的图像上移动，对每个卷积模板覆盖的区域进行点乘，得到的值作为中心像素点的输出值。卷积首先需要将卷积模板旋转180°，之后从图像的左上角开始移动旋转后的卷积模板，从左到右，从上到下依次进行卷积计算，最终得到卷积后的图像。卷积...

图像直方图图像直方图是统计图像中每个灰度值的个数，之后将图像灰度值作为横轴，以灰度值个数或者灰度值所占比率作为纵轴绘制的统计图。通过直方图可以看出图像中哪些灰度值数目较多，哪些较少。直方图是图像中像素强度分布的图形表达方式。直方图统计了每一个强度值所具有的像素个数。APIpublic static void calcHist(List<Mat> images, Mat...

图像金字塔图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。我们将一层一层的图像比喻...

极坐标极坐标系（polar coordinates）是指在平面内由极点、极轴和极径组成的坐标系。在平面上取定一点O，称为极点。从O出发引一条射线Ox，称为极轴。再取定一个单位长度，通常规定角度取逆时针方向为正。这样，平面上任一点P的位置就可以用线段OP的长度ρ以及从Ox到OP的角度θ来确定，有序数对（ρ，θ）就称为P点的极坐标，记为P（ρ，θ）；ρ称为P点的极径，θ称为P点的极角。极坐标和笛...

仿射变换仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。 仿射变换能够保持图像的“平直性”，包括旋转，缩放，平移，错切操作。一般而言，仿射变换矩阵为23的矩阵，第三列的元素起着平移的作用，前面两列的数字对角线上是缩放,其余为旋转或者错切的作用。仿射变换是一种二维坐标（x, y）到二维坐标（u, v）的线性变换。数学表达式如下：对应的...

图像透视变换透视变换（Perspective Transformation)是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换。透视变换是按照物体成像投影规律进行变换，即将物体重新投影到新的成像平面。透视变换常用于机器人视觉导航研究中，由于相机视场与地面存在倾斜角使得物体成像产...

LUT查找表LUT查找表，即像素灰度值的映射表，它以像素灰度值作为索引，以灰度值映射后的数值作为表中的内容。可以类比为我们编程过程中使用的Map，Key为像素灰度值，Value为灰度值映射后的数值。APIpublic static void LUT(Mat src, Mat lut, Mat dst)参数一：src，输入图像矩阵，其数据类型只能是CV_8U参数二：lut，256...

图像二值化简介图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。原理图像的二值化处理就是将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图...

多通道分离APIpublic static void split(Mat m, List<Mat> mv)参数一：m，待分离的多通道图像参数二：mv，分离后的单通道图像操作override fun onCreate(savedInstanceState: Bundle?) { super.onCreate(savedInstanceState) mBi...

颜色模型RGB采用三种颜色的英文首字母组成，分别是红色（Red）、绿色（Green）和蓝色（Blue）。虽然该颜色模型的命名方式是红色在前，但是在OpenCV中却是相反的顺序，第一个通道时蓝色（B）分量，第二个通道时绿色（G）分量，第三个通道时红色（R）分量。根据存储顺序的不同，OpenCV 4中提供了这种顺序的反序格式，用于存储第一个通道是红色分量的图像，但是这两种格式的图像的颜色空间是相同...

亮度和对比度对RGB色彩图像来讲，亮度越高，像素点对应的RGB值应该越大；亮度越低，像素点对应的RGB值应该越小。而对比度则是用来描述图像颜色与亮度之间的差异感知，对比度越大，图像的每个像素与周围的差异性也就越大，整个图像的细节就越显著；反之亦然。调整图像亮度和对比度属于像素变换-点操作g(i,j) = αf(i,j) +β （其中 α>0 ，α 增益（放大倍数），用来控制图像的对比度...

绘制几何图形直线矩形多边形圆形椭圆文字绘制直线APIpublic static void line(Mat img, Point pt1, Point pt2, Scalar color, int thickness, int lineType, int shift) 参数一：img，输入图像参数二：pt1，起点参数三：pt2，终点参数四：color，绘制直线的颜...

图像像素值统计图像像素最大值、最小值以及位置图像均值、标准差查找最大值、最小值APIpublic static MinMaxLocResult minMaxLoc(Mat src, Mat mask)参数src：输入的图像矩阵参数mask：可选的掩码矩阵返回值 MinMaxLocResult：记录最小值、最大值及其位置public static class Mi...

MatMat类用于表示一个多维的单通道或者多通道的稠密数组。能够用来保存实数或复数的向量、矩阵，灰度或彩色图像，立体元素，点云，张量以及直方图（高维的直方图使用SparseMat保存比较好）。简而言之，Mat就是用来保存多维的矩阵的。Mat对象中包含了图像的各种基本信息与图像像素数据。Mat是由头部与数据部分组成的，其中头部还包含一个指向数据的指针。Mat方法方法使用p...