这几天在进行印章提取、识别的代码开发，其中用到了几个opencv库的几个函数，脑袋中想到了要用到什么处理，但是却忘记了各个函数库比如二值化、膨胀/腐蚀等函数的参数，因此每个函数都查找了好久才想起来每个函数参数中的意思，因此在这篇blog中想总结一下opencv用过的函数，方便我自己以后查找、使用。
目录
image = cv2.imread(filename, flags)filename: 需要读取图像的绝对路径。
flags（一般省略，需要时填上）: 需要的格式
（1）cv2.IMREAD_UNCHANGED ：原图
（2）cv2.IMREAD_COLOR ：彩色图像
（3）cv2.IMREAD_GRAYSCALE ：灰度图像
示例：
import cv2
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
cv2.imshow("image", image) # 显示图像，第一参数为窗口的名字，第二参数为要显示的图像
cv2.waitKey(0) # 参数为等待多少毫秒秒后关闭，当参数为0时无限刷新窗口，按下任意按键则关闭窗口
cv2.destroyAllWindows() # 关闭所有窗口
import cv2
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
height, width, channel = image.shape # 高、宽、通道数
print(height, width, channel)
cv2.imshow("image", image) # 显示图像，第一参数为窗口的名字，第二参数为要显示的图像
cv2.waitKey(0) # 参数为等待多少毫秒秒后关闭，当参数为0时无限刷新窗口，按下任意按键则关闭窗口
cv2.destroyAllWindows() # 关闭所有窗口
image_resize = cv2.resize(image, (h, w), method)image：输入图像
(h，w)：缩放之后的图像大小
method：使用怎么样的方法缩放，一般是线性插值（cv2.INTER_LINEAR）和最近邻插值 （cv2.INTER_NEAREST）
import cv2
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image = cv2.resize(image, (256, 256), cv2.INTER_LINEAR)
print(image.shape)
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
cv2.imwrite(filename, image)filename：保存图像的绝对路径
image：要保存的图像
示例：
import cv2
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
cv2.imwrite("C:/Users/Roger/Desktop/lena_imwrite.jpg", image)
cv2.imshow("image", image) # 显示图像，第一参数为窗口的名字，第二参数为要显示的图像
cv2.waitKey(0) # 参数为等待多少毫秒秒后关闭，当参数为0时无限刷新窗口，按下任意按键则关闭窗口
cv2.destroyAllWindows() # 关闭所有窗口
image_cvt = cv2.cvtColor(image, flags)image：要转换的图像
flags：需要转换成的格式
（1）cv2.COLOR_BGR2RGB：BGR 格式转 RGB 格式
（2）cv2.COLOR_BGR2GRAY：BGR 格式转 灰度图 格式
（3）cv2.COLOR_BGR2HSV：BGR 格式转 HSV 颜色空间格式
（4）cv2.COLOR_BGR2HLS：BGR 格式转 HLS 颜色模式格式
由于 opencv 读取上来的格式为 BGR 格式，因此只介绍 BGR 转其他格式图像，RGB转其他图像也是类似，如 RGB 格式转 BGR 格式：cv2.COLOR_RGB2BGR。
示例：
import cv2
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
image_cvt = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("image", image) # 显示图像，第一参数为窗口的名字，第二参数为要显示的图像
cv2.imshow("image_cvt", image_cvt) # 显示图像，第一参数为窗口的名字，第二参数为要显示的图像
cv2.waitKey(0) # 参数为等待多少毫秒秒后关闭，当参数为0时无限刷新窗口，按下任意按键则关闭窗口
cv2.destroyAllWindows() # 关闭所有窗口
retVal, dst= cv2.threshold(src, thresh, maxval, method)参数：
src：灰度图像
thresh：起始阈值
maxval：最大阈值
method：方法参数
（1）cv2.THRESH_BINARY：当前像素的值大于最小阈值 thresh 时，则该像素值变为 maxval ，其他情况下像素值为 0。
（2）cv2.THRESH_BINARY_INV：当前像素的值大于最小阈值 thresh 时，则该像素值变为 0，其他情况下像素值为 maxval。
（3）cv2.THRESH_TRUNC：当前像素值大于最小阈值 thresh 时，则该像素值变为 thresh，其他情况下像素值不变。
（4）cv2.THRESH_TOZERO：当前像素值大于最小阈值 thresh 时，则该像素值不变，其他情况下像素值变为 0。
（5）cv2.THRESH_TOZERO_INV：当前像素值大于最小阈值 thresh 时，则该像素变成 0，其他情况下像素值不变。
以下是比较特殊的 3 种方法，可与以上 5 种方法配合使用：
（1）cv2.THRESH_OTSU：使用最小二乘法处理像素点。
（2）cv2.THRESH_TRIANGLE：使用三角算法处理像素点。
（3）cv2.THRESH_MASK：掩膜操作。
配合使用示例：
retVal, dst= cv2.threshold(src, thresh, maxval, cv2.THRESH_BINARY + cv2.THRESH_OTSU)函数返回值：
retVal：分割的阈值。
dst：分割的图像。
函数使用示例：
import cv2
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
retVal, dst = cv2.threshold(image_gray, 200, 255, cv2.THRESH_BINARY)
cv2.imshow("image", image)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（1）图像膨胀
image_dilate = cv2.dilate(image, kernel, iterations)image：要进行膨胀操作的图像
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_dilate = cv2.dilate(image_gray, kernel, iterations=1)
cv2.imshow("image", image)
cv2.imshow("image_dilate", image_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：填充图像中的小孔洞、连接图像中的断开的区域。
（2）图像腐蚀
image_erode = cv2.erode(image, kernel, iterations)image：要进行腐蚀操作的图像
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_erode = cv2.erode(image_gray, kernel, iterations=1)
cv2.imshow("image", image)
cv2.imshow("image_erode", image_erode)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：去除比较小的噪声、分离紧密连接的区域、 去除边界。
（3）开运算（先腐蚀后膨胀）
image_open = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel, iterations)image：要进行开运算操作的图像
cv2.MORPH_OPEN：开运算方法
kernel：卷积核大小
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_open = cv2.morphologyEx(image_gray, cv2.MORPH_OPEN, kernel, iterations=1)
cv2.imshow("image_open", image_open)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：去掉孤立的小点，去除噪声，断开比较细小连接的点
（4）闭运算（先膨胀再腐蚀）
image_close = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel, iterations)image：要进行闭运算操作的图像
cv2.MORPH_CLOSE：闭运算方法
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_close = cv2.morphologyEx(image_gray, cv2.MORPH_CLOSE, kernel, iterations=1)
cv2.imshow("image_close", image_close)
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：填充区域间的空洞、弥合小缝隙。
（5）梯度运算（膨胀图像 - 腐蚀图像）
image_gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel, iterations)image：要进行梯度运算的图像
cv2.MORPH_GRADIENT：梯度运算方法
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_gradient = cv2.morphologyEx(image_gray, cv2.MORPH_GRADIENT, kernel, iterations=1)
cv2.imshow("image_gradient", image_gradient)
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：凸显出图像的边缘，保留图像边缘的轮廓，用于边缘检测。
（6）礼帽 / 顶帽（开运算图像 - 原图）
image_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT, kernel, iterations)image：要进行礼帽运算的图像
cv2.MORPH_TOPHAT：礼帽运算方法
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_tophat = cv2.morphologyEx(image_gray, cv2.MORPH_TOPHAT, kernel, iterations=1)
cv2.imshow("image_tophat", image_tophat)
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：往往用来提取图像中比临近点亮度高的一些斑块，用于突出亮度变化。
（7）黑帽（闭运算图像 - 原图）
image_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel, iterations)image：要进行黑帽运算的图像
cv2.MORPH_BLACKHAT：黑帽运算方法
kernel：卷积核
iterations：迭代次数
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3), np.uint8)
image_blackhat = cv2.morphologyEx(image_gray, cv2.MORPH_BLACKHAT, kernel, iterations=1)
cv2.imshow("image_blackhat", image_blackhat)
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
作用：往往用来提取比其他邻近区域亮度低一些的区域，用于突出暗度变化。
（1）Canny算子
image_canny = cv2.Canny(image, threshold1, threshold2)image：输入图像
threshold1：像素阈值1
threshold2：像素阈值2
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image_canny = cv2.Canny(image_gray, 0, 255)
cv2.imshow("image", image)
cv2.imshow("image_canny", image_canny)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（2）Sobel算子
sobel_x_ / sobel_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
src：输入图像
ddepth：图像深度，如cv2.CV_16S
dx / dy：x / y 方向上的求导的阶数，0 表示这个方向上没有求导，一般填0、1、2
ksize：Sobel算子卷积核大小，一般为奇数1、3、5、7
scale：缩放系数，一般默认即可
absX / absY = cv2.convertScaleAbs(sobel_x / sobel_y)sobel_x / sobel_y：在 x / y 方向上的导数边缘
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/thresh.jpg"
image = cv2.imread(image_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
x = cv2.Sobel(image_gray, cv2.CV_16S, 0, 1)
y = cv2.Sobel(image_gray, cv2.CV_16S, 1, 0)
abs_x = cv2.convertScaleAbs(x)
abs_y = cv2.convertScaleAbs(y)
image_sobel = cv2.addWeighted(abs_x, 0.5, abs_y, 0.5, 0) # 图像融合
cv2.imshow("image", image)
cv2.imshow("image_sobel", image_sobel)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
image_add= cv2.addWeighted(image1, alpha, image2, beta, gamma)image1：输入图像1
alpha：图像1在融合图像中的权重
image2：输入图像2
beta：图像2在融合图像中的权重
gamma：图像增益
示例：
import cv2
import numpy as np
image_path1 = "C:/Users/Roger/Desktop/0.jpg"
image_path2 = "C:/Users/Roger/Desktop/lena.jpg"
image1 = cv2.imread(image_path1)
image2 = cv2.imread(image_path2)
image1 = cv2.resize(image1, (256, 256), cv2.INTER_LINEAR)
image2 = cv2.resize(image2, (256, 256), cv2.INTER_LINEAR)
image_add= cv2.addWeighted(image1, 0.5, image2, 0.5, 0)
cv2.imshow("image1", image1)
cv2.imshow("image2", image2)
cv2.imshow("image_add", image_add)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（1）通道分割
B, G, R = cv2.split(image)image：输入图像
B：b 通道图像
G：g 通道图像
R：r 通道图像
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
b, g, r = cv2.split(image)
cv2.imshow("image", image)
cv2.imshow("r", r)
cv2.imshow("g", g)
cv2.imshow("b", b)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（2）通道合并
image_merge = cv2.merge([B, G, R]) # 注意 b g r 通道的位置顺序决定合并成 BGR 格式图像还是 RGB 格式图像B：b 通道上图像
G：g 通道上图像
R：r 通道上图像
image_merge：以 BGR 通道合并之后的 BGR 格式图像
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena.jpg"
image = cv2.imread(image_path)
b, g, r = cv2.split(image)
image_merge = cv2.merge([b, g, r])
cv2.imshow("image", image)
cv2.imshow("r", r)
cv2.imshow("g", g)
cv2.imshow("b", b)
cv2.imshow("image_merge", image_merge)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
11.1 图像轮廓检测
contours, hierarchy = cv2.findContours(image, mode, method)参数：
image：输入的二值化图像
mode：不同轮廓检索模式
（1）cv2.RETR_LIST：这是一种最简单的轮廓检索方式，它不建立轮廓间的子属关系，也就是说它的所有的轮廓属于同一层级。
（2）cv2.RETR_TREE：完整建立轮廓的层级从属关系。
（3）cv2.RETR_EXTERNAL：只寻找最高层级的轮廓
（4）cv2.RETR_CCOMP：把所有轮廓分为两个层级，不是里层就是外层。
method：轮廓的估计方法
（1）cv2.CHAIN_APPROX_NONE：存储所有边界点。
（2）cv2.CHAIN_APPROX_SIMPLE：去除所有冗余点并压缩轮廓，从而节省内存。
返回值：
contours：一个包含了图像中所有轮廓的 list 列表，其中每一个轮廓以边界点坐标 (x, y) 的形式存储在 numpy 数组中。
hierarchy：一个包含四个值的数组，为 [Next, Previous, First Children, Parent]，一般不使用。
（1）Next：与当前轮廓处于同一层级的下一条轮廓。
（2）Previous：与当前轮廓处于同一层级的上一条轮廓。
（3）First Children：当前轮廓的第一条子轮廓。
（4）Parent：当前轮廓的父级轮廓。
11.2 轮廓绘制
cv2.drawContours(image, cnt, contourIdx, color, thickness)image：需要绘制轮廓的图像
cnt：轮廓信息的数组
contourIdx：绘制哪个轮廓的索引，-1为绘制所有轮廓
color：绘制轮廓的颜色，是一个元组，如 (0, 0, 255)
thickness：绘制轮廓的线的大小
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_copy = image.copy()
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
retVal, image_thresh = cv2.threshold(image_gray, 180, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(image_thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
# pattern
for i in range(len(contours)):
cv2.drawContours(image_copy, contours[i], -1, (0, 0, 255), 2)
cv2.imshow("image", image)
cv2.imshow("image_copy", image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
11.3 根据阈值筛选轮廓面积
area = cv2.contoursArea(contours[i])参数：
contours[i]：findContours函数返回的 contours 数组中的一个轮廓
返回值：
area：循环到当前轮廓的面积
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_copy = image.copy()
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
retVal, image_thresh = cv2.threshold(image_gray, 180, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(image_thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
# pattern
for i in range(len(contours)):
area = cv2.contourArea(contours[i])
if area < 200:
continue
cv2.drawContours(image_copy, contours[i], -1, (0, 0, 255), 2)
cv2.imshow("image", image)
cv2.imshow("image_copy", image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
11.4 绘制最小矩形框
rect = cv2.minAreaRect(contours[i])参数：
contours[i]：findContours函数返回的 contours 数组中的一个轮廓
返回：
rect：返回 (center(x, y), (width, height), angle of rotation) 的 Box2D结构
# Box2D 结构转换成 4 个角点
points = cv2.boxPoints(rect)参数：
rect：输入为 (center(x, y), (width, height), angle of rotation) 的 Box2D结构
返回：
points：返回的是最小矩形框的 4 个角点
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/0.jpg"
image = cv2.imread(image_path)
image_copy = image.copy()
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
retVal, image_thresh = cv2.threshold(image_gray, 180, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(image_thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
# pattern
for i in range(len(contours)):
area = cv2.contourArea(contours[i])
if area < 200:
continue
# 找到包含轮廓的最小矩形框，返回的是(center(x, y), (width, height), angle of rotation)的 Box2D结构
rect = cv2.minAreaRect(contours[i])
# Box2D 结构转换成 4 个角点
points = cv2.boxPoints(rect)
# 角点类型转换成整型
points = np.int0(points)
# 绘制矩形
cv2.drawContours(image_copy, [points], -1, (0, 0, 255), 2)
cv2.imshow("image", image)
cv2.imshow("image_copy", image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（1）均值滤波
image_blur = cv2.blur(image, ksize)image：输入图像
ksize：卷积核大小，如 (3, 3)、(5, 5)
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena_voice.jpg"
image = cv2.imread(image_path)
image_blur = cv2.blur(image, (3, 3))
cv2.imshow("image", image)
cv2.imshow("image_blur", image_blur)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（2）中值滤波
image_median = cv2.medianBlur(image, ksize)image：输入图像
ksize：卷积核大小，是一个整数，如 ksize 为 3，则生成 (3, 3) 大小的卷积核
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena_voice.jpg"
image = cv2.imread(image_path)
image_median = cv2.medianBlur(image, 3)
cv2.imshow("image", image)
cv2.imshow("image_median", image_median)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（3）双边滤波
image_bilateral = cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace, borderType)image：输入图像
d：d是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐d=5。对于较大噪声的离线滤波，可以选择d=9。
sigmaColor：sigmaColor是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为0时，滤波失去意义；该值为255时，指定直径内的所有点都能够参与运算。
sigmaSpace：sigmaSpace是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d与 sigmaSpace的值成比例。
borderType：borderType是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena_voice.jpg"
image = cv2.imread(image_path)
image_bilateral = cv2.bilateralFilter(image, 9, 150, 150)
cv2.imshow("image", image)
cv2.imshow("image_bilateral", image_bilateral)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（4）高斯滤波
image_gaussian = cv2.GaussianBlur(image, ksize, sigmaX, sigmaY, borderType)image：输入图像
ksize：卷积核大小，如（3，3）、（5，5）
sigmaX：X 方向上的标准偏差
sigmaY：Y 方向上的标准偏差
borderType：边界样式，一般不用管，默认即可
示例：
import cv2
import numpy as np
image_path = "C:/Users/Roger/Desktop/lena_voice.jpg"
image = cv2.imread(image_path)
image_gaussian = cv2.GaussianBlur(image, (5, 5), 0, 0)
cv2.imshow("image", image)
cv2.imshow("image_gaussian", image_gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
（1）直线
cv2.line(image, p1, p2, color, thickness, lineType, shift)image：要绘制的输入图像
p1：直线坐标1，如 (100, 100)
p2：直线坐标2，如 (400, 100)
color：直线颜色，是以BGR来设定的，如 (255, 0, 0) 则为蓝色
thickness：直线宽度
lineType：直线类型，一般为默认的 cv2.LINE_8，其他有：cv2.LINE_4、cv2.LINE_AA
shift：坐标小数点位数，一般默认
示例：
import cv2
import numpy as np
image = np.zeros((500, 500, 3), dtype=np.uint8)
cv2.line(image, (100, 100), (400, 100), (255, 0, 0), 2, cv2.LINE_4)
cv2.line(image, (100, 200), (400, 200), (0, 255, 0), 2, cv2.LINE_8)
cv2.line(image, (100, 300), (400, 300), (0, 0, 255), 2, cv2.LINE_AA)
cv2.imshow("image", image)
cv2.waitKey(0)
（2）圆形
cv2.circle(image, center, radius, color, thickness, lineType, shift)mage：要绘制的输入图像
center：圆心坐标，如 (100, 100)
radius：半径大小， 如 50
color：直线颜色，是以BGR来设定的，如 (255, 0, 0) 则为蓝色
thickness：直线宽度，-1 表示内部填充
lineType：直线类型，一般为默认的 cv2.LINE_8，其他有：cv2.LINE_4、cv2.LINE_AA
shift：坐标小数点位数，一般为默认
示例：
import cv2
import numpy as np
image = np.zeros((400, 500, 3), dtype=np.uint8)
cv2.circle(image, (100, 100), 70, (255, 0, 0), 2, cv2.LINE_4)
cv2.circle(image, (250, 200), 70, (0, 255, 0), 2, cv2.LINE_8)
cv2.circle(image, (400, 300), 70, (0, 0, 255), -1, cv2.LINE_AA)
cv2.imshow("image", image)
cv2.waitKey(0)