Pattern-Recognition

• matplotlib R,G,B순서
  cv2.imshow() : uint8 [0,255], float32 [0.0, 1.0]

• opencv B,G,R순서
  plt.imshow() [0,255] 정규화한 결과 출력

• img.shape : (height, width, n_channel)

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

images = 분석할 이미지 list
channels = BGR (1-channel이면 [0], 3-channel [0,2])
mask = 분석할 이미지 영역 마스크, none=전체영역
histSize - bin의 개수[256]
ranges - 히스토그램의 분석 범위 [0,256]\

kernel = np.ones((5,5),np.uint8)

dilation = cv2.dilate(img,kernel,iterations = 3)

팽창 연산
iterations = 연산을 반복할 횟수

erosion = cv2.erode(dilation,kernel,iterations = 3)

침식 연산
iterations = 연산을 반복할 횟수

cv2.morphologyEx(img, cv2.MORTH_CLOSE, kernel)

cv2.MORTH_CLOSE, cv2.MORTH_OPEN

cv_M = cv2.getRotationMatrix2D(center, 90, 1.0)

center = 회전의 기준이 되는 좌표
counter clockwise 90도 만큼
크기는 1배로 유지해서

cv_result = cv2.warpAffine(img, cv_M, (width, height))

img = input image
cv_result = output image
cv_M = Affine transform, 적용할 매트릭스
(width, height) = ouput 영상의 사이즈

blurred_img = cv2.GaussianBlur(gray_img, (3,3), 0.0)

(input_image, kernel_size, sigma)

edge_img = cv2.Canny(blurred_img, 70, 140)

(input_image, low_th, high_th)

cv2.HoughLinesP(roi_img,1, np.pi / 180, 10, 10, 3)

input image
rho = distance resoultion of the accumulator in pixels
theta = angel resoultion of the accumulator in radians
threshold=변환 공간에서 만나는 점의 개수 기준, 숫자가 작으면 많은 선이 검출되지만 정확도가 떨어지고, 숫자가 크면 정확도가 올라감.
minLineLength=선의 최소 길이. 이 값보다 작으면 reject.
maxLineGap=선과 선사이의 최대 허용간격.
houghlinesP는 찾은 직선들의 좌표점(시작점과 끝점) 을 list로 반환