可以使用 OpenCV 的 cv2.getRotationMatrix2D() 函數來生成旋轉矩陣，然後使用 cv2.warpAffine() 函數將圖像旋轉。 請注意，旋轉角度是以逆時針方向為正的。例如，如果要將圖像逆時針旋轉 90 度，則角度值應設為 90。 此外，如果你想要在旋轉圖像時保留圖像的邊界，你可以使用 cv2.warpAffine() 函數的 borderValue參數來設置(255,255,255)。這樣會將旋轉後圖像的邊界填充為白色。

可以使用 OpenCV 的 cv2.convertScaleAbs() 函數來增亮圖像。這個函數會將圖像的每個像素值乘上一個指定的比例因子並加上一個常數，以此來調整圖像的亮度。 請注意，這個函數可能會導致圖像中的一些像素值超出 0 到 255 的範圍，因此你可能需要在函數末尾使用new_image = np.where(new_image > 255, 255, new_image)來將這些像素值限制在合法範圍內。

OpenCV 的 cv2.addWeighted() 函數可用來實現圖像增量。 這個函數有三個輸入參數： src1: 第一個輸入圖像，應該是第一幅圖像的數組。 alpha: 一個浮點數，用於決定第一幅圖像在輸出圖像中的權重。 src2: 第二個輸入圖像，應該是第二幅圖像的數組。 此函數返回值為加權的結果，其中第一幅圖像的權重為 alpha，第二幅圖像的權重為 1-alpha。 例如，假設你想要將第一幅圖像的 50％ 与第二幅圖像的 50％相加，你可以使用以下代碼： PS: 在使用 cv2.addWeighted() 函數時，兩幅圖像的大小必須相同，否則會出現錯誤。

理論 通常，我們使用尺寸固定的圖像。但在某些情況下，我們需要使用不同分辨率的(相同)圖像。例如，當我們在圖像中搜索物體時，比如人臉，我們並不確定物體出現在圖像中的大小。在這種情況下，我們需要創建一組具有不同分辨率的圖像，並在所有圖像中搜索對象。這些不同分辨率的圖像被稱為圖像金字塔(如果將它們放在一起，最高分辨率的圖像在底部，最低分辨率的圖像在頂部，它看起來像一個金字塔)。 圖像金字塔有兩種:高斯金字塔和拉普拉斯金字塔 高斯金字塔 高斯金字塔的高層(低層)圖像是通過去除低層(高層)圖像中的連續行和列來實現的。再由下一層的5個像素的高斯權值貢獻構成上一層的每個像素。這樣，一個M×N圖像就變成了M/2×N/2圖像。所以面積減少到原來的四分之一。它被稱為Octave。同樣的模式持續到金字塔的上方(即分辨率下降)。同樣地，在擴展過程中，每一層的面積會增加4倍。我們可以使用cv.pyrDown()和cv.pyrUp()函數找到高斯金字塔。 可以使用cv.pyrUp()函數放大圖像 拉普拉斯金字塔 拉普拉斯金字塔是由高斯金字塔形成的。拉普拉斯金字塔圖像就像邊緣圖像。它的大部分元素都是0。它們用於圖像壓縮。拉普拉斯金字塔的層次是由高斯金字塔的這一層次與高斯金字塔上一層次的擴展版之間相減形成的。Laplacian層次的三個層次如下(調整對比度以增強內容): 使用圖像金字塔實現圖像混合 金字塔的一個應用是圖像混合。 例如，在圖像拼接中，你將需要將兩個圖像疊加在一起，但由於圖像之間的不連續性，可能看起來不太好。 在這種情況下，使用金字塔圖像混合可以實現無縫混合，而不會在圖像中留下太多數據。 其中一個經典的例子就是混合兩種水果，橙子和蘋果。 現在看看結果本身來理解我在說什麼: 簡單地說就是這樣做的: 1. 加載蘋果和橘子的兩個圖像 2. 尋找蘋果和橘子的高斯金字塔(在這個例子中，層數是6) 3. 從高斯金字塔，找到他們的拉普拉斯金字塔 4. 現在把蘋果的左半部分和橘子的右半部分加入拉普拉斯金字塔的每一層 5. 最後，從這個聯合圖像金字塔，重建原始圖像。

模板匹配 參考此篇教學: https://docs.opencv.org/4.x/d4/dc6/tutorial_py_template_matching.html 使用範例如下: 使用cv.matchTemplate(), cv.minMaxLoc()與方式，當模板在圖片中被縮放或旋轉後，匹配成效不佳。 但實際應用中，物件在3D範圍內很常會被縮放或旋轉，就無法使用上述模板匹配方式 改良方法 嘗試Features2DFramework 中的 openCV 函數。例如SIFT或SURF描述符，以及FLANN匹配器。另外，您將需要findHomography方法。 這是在場景中查找旋轉對象的一個很好的例子。 簡而言之，算法是這樣的： 尋找目標圖像的關鍵點(Keypoints) 從這些關鍵點(Keypoints)中提取描述符(des) 尋找場景圖像的關鍵點 從關鍵點提取描述符 通過匹配器匹配描述符 分析圖片內容尋找目標圖像 有不同類別的 FeatureDetectors、DescriptorExtractors 和 DescriptorMatches，選擇適合的任務的那些。 以下為提取關鍵點的一個範例…

使用Canny算子 Canny 邊緣檢測是一種從不同的視覺對像中提取有用的結構信息並顯著減少要處理的數據量的技術。它已廣泛應用於各種計算機視覺系統。Canny發現，邊緣檢測在不同視覺系統上的應用需求是比較相似的。因此，可以在各種情況下實施滿足這些要求的邊緣檢測解決方案。邊緣檢測的一般標準包括： 錯誤率低的邊緣檢測，這意味著檢測應該盡可能準確地捕獲圖像中顯示的邊緣 算子檢測到的邊緣點應該準確地定位在邊緣的中心。 圖像中的給定邊緣應僅標記一次，並且在可能的情況下，圖像噪聲不應產生錯誤邊緣。 以下為一個簡單使用範例 使用cartToPolar 使用 cv2.Sobel 函數計算圖像的梯度值和方向，並使用 cv2.cartToPolar 函數將梯度值和方向轉換為極坐標形式。 在上面的方法中，要注意的是使用cv.CV_64F能有較好的結果，若想要有CV_8U的結果，可以先採用CV_64F再用下面方式轉為CV_8U 分水嶺演算法 OpenCV 實現了一種基於標記的分水嶺算法，您可以在其中指定哪些是要合併的所有谷點，哪些不是。它是一種交互式圖像分割。我們所做的是為我們所知道的對象賦予不同的標籤。用一種顏色（或強度）標記我們確定是前景或物體的區域，用另一種顏色標記我們確定是背景或非物體的區域，最後是我們不確定的區域，用 0 標記它。那是我們的標記。然後應用分水嶺算法。然後我們的標記將使用我們提供的標籤進行更新，並且對象的邊界值為 -1。 下面是我自己的嘗試

從彩色變灰階 使用 cv.cvtColor()函數可作色彩的空間轉換，例如要偵測顏色時，要轉成HSV 而降為灰階則為 從灰階到黑白 要把圖片從灰階變成黑白很簡單。對於每個像素，應用相同的閾值。如果像素值小於閾值，則設置為0，否則設置為最大值。函數cv.threshold用於應用閾值。第一個參數是源圖像，應該是灰度圖像。第二個參數是用於對像素值進行分類的閾值。第三個參數是分配給超過閾值的像素值的最大值。 可使用參數cv.threshold和cv.adaptiveThreshold。 cv.threshold 使用範例 cv.adaptiveThreshold 在cv.threshold使用一個全局值作為閾值。但這可能並不適用於所有情況，例如，如果圖像在不同區域具有不同的光照條件。在這種情況下，自適應閾值可以提供幫助。在這裡，算法根據像素周圍的小區域確定像素的閾值。因此，我們為同一圖像的不同區域獲得不同的閾值，這為具有不同光照的圖像提供了更好的結果。 除了上述參數外，方法cv.adaptiveThreshold 還需要三個輸入參數： adaptiveMethod決定如何計算閾值： cv.ADAPTIVE_THRESH_MEAN_C：閾值是鄰域面積的平均值減去常量C。 cv.ADAPTIVE_THRESH_GAUSSIAN_C ：閾值是鄰域值減去常量C的高斯加權和。 blockSize確定鄰域區域的大小，C是從鄰域像素的平均值或加權總和中減去的常數。 下面比較了具有不同光照的圖像的全局閾值和自適應閾值： cv.threshold使用THRESH_OTSU 在全局閾值中，使用任意選擇的值作為閾值。相反，Otsu 的方法避免了必須選擇一個值並自動確定它。 考慮只有兩個不同圖像值的圖像（雙峰圖像），其中直方圖僅包含兩個峰值。一個好的閾值應該在這兩個值的中間。類似地，Otsu 的方法從圖像直方圖中確定最佳全局閾值。 為此，使用了cv.threshold()函數，其中cv.THRESH_OTSU作為額外標誌傳遞。閾值可以任意選擇。然後算法找到最佳閾值，該閾值作為第一個輸出返回。…