目录

🍅点击这里查看所有博文

  随着自己工作的进行，接触到的技术栈也越来越多。给我一个很直观的感受就是，某一项技术/经验在刚开始接触的时候都记得很清楚。往往过了几个月都会忘记的差不多了，只有经常会用到的东西才有可能真正记下来。存在很多在特殊情况下有一点用处的技巧，用的不多的技巧可能一个星期就忘了。

  想了很久想通过一些手段把这些事情记录下来。也尝试过在书上记笔记，这也只是一时的，书不在手边的时候那些笔记就和没记一样，不是很方便。

  很多时候我们遇到了问题，一般情况下都是选择在搜索引擎检索相关内容，这样来的也更快一点，除非真的找不到才会去选择翻书。后来就想到了写博客，博客作为自己的一个笔记平台倒是挺合适的。随时可以查阅，不用随身携带。

  同时由于写博客是对外的，既然是对外的就不能随便写，任何人都可以看到。经验对于我来说那就只是经验而已，公布出来说不一定我的一些经验可以帮助到其他的人。遇到和我相同问题时可以少走一些弯路。

  既然决定了要写博客，那就只能认真去写。不管写的好不好，尽力就行。千里之行始于足下，一步一个脚印，慢慢来 ，写的多了慢慢也会变好的。权当是记录自己的成长的一个过程，等到以后再往回看时，就会发现自己以前原来这么菜😂。

  本系列博客所述资料均来自互联网，并不是本人原创（只有博客是自己写的）。出于热心，本人将自己的所学笔记整理并推出相对应的使用教程，方面其他人学习。为国内的物联网事业发展尽自己的一份绵薄之力，没有为自己谋取私利的想法。若出现侵权现象，请告知本人，本人会立即停止更新，并删除相应的文章和代码。

一、二维码的发现和定位

1、具体操作步骤

• 先将图片转换为灰度图像

• 通过OTSU转换为二值图像

• 通过发现轮廓函数，对二值图像使用轮廓发现得到轮廓

• 根据二维码三个区域的特征，对轮廓进行面积与比例过滤，最终得到结果

2、思路

• 定位点的轮廓有三层轮廓

• 每个定位点的轮廓中心点一样的

• 三个定位点可以围成一个等腰直角三角形

3、存在的问题

• 只能对单个二维码来进行扫描

• 只能处理摄像头拍照很清楚的图片进行识别（对imei和二维码的清晰度要求高），拍摄位置的角度偏差比较小，同时考虑光线等元素的干扰

4、针对上面的问题有以下的改善

• 阈值分割

• 可以对图像进行腐蚀或者膨胀的处理

• 扣取所有正方形区域，逐个检测

• 然后再进行步骤2中的思路来检测，定位

5、涉及到的函数说明

threshold()固定阈值二值化函数：

ret, dst = cv2.threshold(src, thresh, maxval, type)

（1）参数说明：

Src：输入图，只能输入单通道图像，通常来说为灰度图

Thresh：阈值

Maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

Type：二值化操作的类型，包含以下5种类型： 

cv2.THRESH_BINARY； （两极化）

cv2.THRESH_BINARY_INV；（对调两极化）

cv2.THRESH_TRUNC； （过度）

cv2.THRESH_TOZERO；（亮色过度）

cv2.THRESH_TOZERO_INV；（对调亮色过度）

（2）返回值：dst 输出图

cv2.findContours()寻找轮廓函数：

img, countour,hierarchy =cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

（1）参数说明：

Image：表示寻找轮廓的图像；

Mode：表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：

 cv2.RETR_EXTERNAL表示只检测外轮廓

cv2.RETR_LIST检测的轮廓不建立等级关系

cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。

cv2.RETR_TREE建立一个等级树结构的轮廓。   

Method：表示轮廓的近似办法

cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1

cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

（2）返回值：

Img：表示返回的图像；

Coutour：是一个list，每个元素都是一个轮廓（彻底围起来算一个轮廓），用numpy中的ndarray表示。

Hierarchy：也是一个ndarry，其中的元素个数和轮廓个数相同，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。

二、总结

1、膨胀：调整分割区域的形状以获得比较理想的结果，每一个位置的矩形领域内值的最大值作为该位置的输出灰度值，总体亮度会比原图上升，亮的区域变大，暗的区域减少或消失

2、腐蚀：（类似于膨胀）每一个位置的矩形领域内值的最小值作为该位置的输出灰度值，总体亮度比原图低，亮的区域变小，暗的区域变大

3、opencv 中的层次结构：https://www.kancloud.cn/aollo/aolloopencv/362441

介绍：OpenCV使用一个含有四个元素的数组表示父子关系，【Next，Previous，First_Child，Parent】

  那么本篇博客就到此结束了，这里只是记录了一些我个人的学习笔记，其中存在大量我自己的理解。文中所述不一定是完全正确的，可能有的地方我自己也理解错了。如果有些错的地方，欢迎大家批评指正。如有问题直接在对应的博客评论区指出即可，不需要私聊我。我们交流的内容留下来也有助于其他人查看，说不一定也有其他人遇到了同样的问题呢😂。