import MNN.cv as cv
import MNN.numpy as np
import MNN.expr as expr
# data_format: NHWC, shape: [360, 480, 3], dtype: uint8
img = imread('cat.jpg')
# data_format: NHWC, shape: [360, 480, 3], dtype: float32
imgf = img.astype(np.float32)
# data_format: NHWC, shape: [1, 360, 480, 3], dtype: float32
imgf_batch = np.expand_dims(imgf, 0)
# data_format: NCHW, shape: [1, 360, 480, 3], dtype: float32
input_var = expr.convert(imgf_batch, expr.NCHW)
copyTo(src, |mask, dst)
将src复制并返回，如果mask不为空，则只拷贝mask为1的像素；如果dst不为空，则在mask为0时拷贝dst中对应的像素，参考：copyTo
注意：目前src仅支持int32类型数据，用户使用前后需要自行转换类型
src:Var 源图像
mask:Var 掩码图像，可选
dst:Var mask为0时选择的图像，可选
返回：复制的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> h, w, _ = img.shape
>>> zero = np.zeros((h//3, w), dtype=np.int32)
>>> one = np.ones((h//3, w), dtype=np.int32)
>>> mask = np.concatenate((one, zero, one), axis=0)
>>> img = img.astype(np.int32)
>>> copyTo = cv.copyTo(img, mask).astype(np.uint8)
>>> cv.imwrite('copyTo.jpg', copyTo)
bitwise_and(src1, src2, |dst, mask)
对src1和src2执行按位与操作，并对结果按照执行copyTo返回，参考：bitwise_and
src1:Var 源图像
src2:Var 源图像
mask:Var 掩码图像，可选
dst:Var mask为0时选择的图像，可选
返回：按位与的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_and(img, img)
array([[[ 49,  57,  26],
        [158, 175, 184]]], dtype=uint8)




    

bitwise_or(src1, src2, |dst, mask)
对src1和src2执行按位或操作，并对结果按照执行copyTo返回，参考：bitwise_or
src1:Var 源图像
src2:Var 源图像
mask:Var 掩码图像，可选
dst:Var mask为0时选择的图像，可选
返回：按位或的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_or(img, img)
array([[[ 49,  57,  26],
        [158, 175, 184]]], dtype=uint8)
bitwise_xor(src1, src2, |dst, mask)
对src1和src2执行按位异或操作，并对结果按照执行copyTo返回，参考：bitwise_xor
src1:Var 源图像
src2:Var 源图像
mask:Var 掩码图像，可选
dst:Var mask为0时选择的图像，可选
返回：按位异或的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.bitwise_xor(img, img)
array([[[0, 0, 0],
        [0, 0, 0]]], dtype=uint8)
>>> img = cv.imread('cat.jpg')
>>> flip = cv.flip(img, -1)
>>> cv.imwrite('flip.jpg', flip)
>>> img = cv.imread('cat.jpg')
>>> rotate = cv.rotate(img, cv.ROTATE_90_CLOCKWISE)
>>> cv.imwrite('rotate.jpg', rotate)
返回类型：Tuple(bool, Var)
>>> a = np.array([2., 3., 4., 0., 1., 5., 0., 0., 3.]).reshape(3, 3)
>>> b = np.array([1., 2., 3.]).reshape(3, 1)
>>> cv.solve(a, b)
(True, array([[ 3.],
              [-3.],
              [ 1.]], dtype=float32))
normalize(src, dst, alpha, beta, norm_type, |dtype, mask)
对输入进行归一化；参考：normalize
src:Var 输入矩阵
dst:Var Python中不需要使用该参数，直接赋为None即可
alpha:float 归一化的下限
beta:float 归一化的上限
norm_type:int 归一化类型，如：cv.NORM_MINMAX
dtype:dtype 输入类型，不需要赋值
mask 兼容性参数，目前还不支持mask
返回：归一化结果
返回类型：Var
>>> x = np.arange(12).reshape(2, 2, 3).astype(np.uint8)
>>> cv.normalize(x, None, -50, 270, cv.NORM_MINMAX)
array([[[  0,   0,   8],
        [ 37,  66,  95]],
       [[125, 154, 183],
        [212, 241, 255]]], dtype=uint8)
>>> x = np.arange(12).reshape(2, 2, 3)
>>> cv.split(x)
[array([[0, 3],[6, 9]], dtype=int32),
 array([[1, 4],[7, 10]], dtype=int32),
 array([[2, 5],[8, 11]], dtype=int32)]
addWeighted(src1, alpha, src2, beta, gamma)
对输入的两个矩阵执行权重相加：dst = src1 * alpha + src2 * beta + gamma；参考：addWeighted
src1:Var 第一个输入矩阵
alpha:float 第一个输入矩阵的权重
src2:Var 第二个输入矩阵
beta:float 第二个输入矩阵的权重
gamma:float 额外增加的常量
返回：加权得到的和
返回类型：Var
>>> x = np.arange(3.)
>>> cv.addWeighted(x, 0.2, x, 0.5, 1)
array([1. , 1.7, 2.4], dtype=float32)
haveImageReader(filename)
用于判断是否支持特定图像格式的解码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：haveImageReader
移动端默认不包含该函数
filename:str 图像文件路径
返回：是否有读取图像的接口
返回类型：bool
>>> cv.haveImageReader('cat.jpg')
haveImageWriter(filename)
用于判断是否支持特定图像格式的编码，目前支持的图像格式：jpg, jpeg, png, bmp，参考：haveImageWriter
移动端默认不包含该函数
filename:str 图像文件路径
返回：是否有写图像的接口
返回类型：bool
>>> cv.haveImageWriter('cat.jpg')
buf:ndarray|sequence 图像数据序列，可以是ndarray, list, tuple, bytes等
flag:int 解码方式，可选，默认为cv2.IMREAD_COLOR
返回：解码后的图像
返回类型：Var
>>> cv.imdecode(bytearray(open('cat.jpg', 'rb').read()), cv.IMREAD_COLOR)
array([[[ 49,  57,  26],
        [ 50,  58,  27],
        [ 47,  55,  25],
        [188, 205, 214],
        [158, 175, 184],
        [158, 175, 184]]], dtype=uint8)
ext:str 图像文件扩展名，如jpg, png等
img:Var 图像
params:[int] 编码参数，可选，默认为[cv2.IMWRITE_JPEG_QUALITY, 95]
返回：编码后的图像数据序列，first是bool代表是否编码成功，second是listofuint8代表编码后的图像数据序列
返回类型：pair
>>> success, buf = cv.imencode('jpg', cv.imread('cat.jpg'))
>>> success
>>> buf[:10]
[255, 216, 255, 224, 0, 16, 74, 70, 73, 70]
返回类型：Var
>>> cv.Rodrigues(np.array([[1., 0., 0.], [0.,




    
 1., 0.], [0., 0., 1.]]))
array([[0.],
       [0.],
       [0.]], dtype=float32)
solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, |flags)
根据输入的 3d坐标集合和2d坐标集合，相机内参和平移矩阵，计算3d坐标到2d坐标的映射关系，并返回旋转矩阵和平移矩阵，参考：solvePnP
目前仅支持SOLVEPNP_SQPNP
objectPoints:Var 3d坐标集合, shape为(n,3)，n为点的个数
imagePoints:Var 2d坐标集合, shape为(n,2)，n为点的个数
cameraMatrix:Var 相机内参矩阵, shape为(3,3)
distCoeffs:Var 相机畸变系数, shape为(1,5)或(5,), 不使用可以传入[]
flags:int 标志位，可选，做兼容性处理，目前仅支持SOLVEPNP_SQPNP
返回：返回值tuple中有3个值，第一个值为bool是否找到变换关系，第二个值为Var是旋转向量，第三个值为Var是平移矩阵
返回类型：tuple
>>> model_points = np.array([0.0, 0.0, 0.0, 0.0, -330.0, -65.0, -225.0, 170.0, -135.0, 225.0, 170.0, -135.0, -150.0, -150.0, -125.0, 150.0, -150.0, -125.0]).reshape(6, 3)
>>> image_points = np.array([359., 391., 399., 561., 337., 297., 513., 301., 345., 465., 453., 469.]).reshape(6, 2)
>>> camera_matrix = np.array([1200., 0., 600., 0., 1200., 337.5, 0., 0., 1.]).reshape(3, 3)
>>> dist_coeffs = np.array([0.0, 0.0, 0.0, 0.0]).reshape(4, 1)
>>> cv.solvePnP(model_points, image_points, camera_matrix, dist_coeffs, flags=cv.SOLVEPNP_SQPNP)
(True, array([[ 3.000745  ],
       [ 0.03165916],
       [-0.9225616 ]], dtype=float32), array([[-435.97495],
       [  95.3929 ],
       [2201.46   ]], dtype=float32))
>>> img = cv.imread('cat.jpg')         # bgr
>>> cv.cvtColor(img, cv.COLOR_BGR2GRAY) # gray
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> cv.imwrite('cvtColor.jpg', gray) 
cvtColorTwoPlane(src1, src2, code)
将图像转换为另一种颜色空间，源图像存储在两个平面中，一般用于YUV_NV21和YUV_NV12到其他颜色空间的转换，参考: cvtColorTwoPlane
src1:Var 图像的第一个平面
src2:Var 图像的第二个平面
code:int 转换方式，使用cv.COLOR_*
返回：转换后的图像
返回类型：Var
>>> h = w = 224
>>> y = np.random.randint(0, 255, h * w).reshape(h, w).astype(np.uint8)
>>> uv = np.random.randint(0, 255, h * w / 2).astype(np.uint8)
>>> rgb = cv.cvtColorTwoPlane(y, uv, cv.COLOR_YUV2RGB_NV21)
>>> cv.imwrite('cvtColorTwoPlane.jpg', rgb)
bilateralFilter(src, d, sigmaColor, sigmaSpace, |borderType)
双边滤波，直接实现未优化，速度较慢；参考: bilateralFilter
src:Var 输入图像
d:int 滤波时考虑周围像素的直径，如果为负数则通过sigmaSpace计算
sigmaColor:float 颜色空间sigma值
sigmaSpace:float 坐标空间sigma值
borderType:int 边界模式，可选值；默认为REFLECT
返回：滤波后的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.bilateralFilter(img, 20, 80.0, 35.0)
>>> cv.imwrite('bilateralFilter.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.blur(img, [3, 3])
>>> cv.imwrite('blur.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.boxFilter(img, -1, [7, 7])
>>> cv.imwrite('boxFilter.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.dilate(img, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('dilate.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.erode(img, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('erode.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.filter2D(




    
img, -1, cv.getStructuringElement(0, (3, 3)))
>>> cv.imwrite('filter2D.jpg', img)
GaussianBlur(src, ksize, sigmaX, |sigmaY, borderType)
使用高斯滤镜模糊图像，参考: GaussianBlur
src:Var 输入图像
ksize:[int] kernel大小
sigmaX:float X 方向的高斯核标准差
sigmaY:float Y方向的高斯核标准差；如果 sigmaY 为零，则设置为等于 sigmaX，可选，默认为0
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：模糊后的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.GaussianBlur(img, [5, 5], 3)
>>> cv.imwrite('GaussianBlur.jpg', img)
getGaborKernel(ksize, sigma, theta, lambd, gamma, |psi)
返回Gabor滤波器系数，参考: getGaborKernel
ksize:[int] 返回的kernel大小
sigma:float Gabor的标准差
theta:float Gabor函数的平行条纹的法线方向
lambd:float 正弦因子的波长
gamma:float 空间纵横比
psi:float 相位偏移，可选，默认为PI/2
返回：滤波器系数
返回类型：Var
>>> cv.getGaborKernel([3, 3], 10, 5, 5, 5)
array([[ 6.1722213e-01,  9.2025989e-01,  9.3729156e-01],
       [-3.1094351e-01, -4.3711388e-08,  3.1094342e-01],
       [-9.3729156e-01, -9.2025995e-01, -6.1722219e-01]], dtype=float32)
getStructuringElement(shape, ksize)
返回指定大小和形状的结构元素，用于形态学操作，参考: getStructuringElement
shape:int 元素形状
0: 矩形
1: 十字形
2：椭圆形
ksize:[int] 结构元素的大小
返回：结构元素
返回类型：Var
>>> cv.getStructuringElement(0, (3, 3))
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]], dtype=uint8)
Laplacian(src, ddepth, |ksize, scale, delta, borderType)
计算图像的拉普拉斯算子，参考: Laplacian
src:Var 输入图像
ddepth:int 图像的深度
ksize:int 卷积核大小，可选，默认为1
scale:float 缩放因子，可选，默认为1
delta:float 加到结果的偏移量，可选，默认为0
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：拉普拉斯算子计算结果
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.Laplacian(img, -1, 3)
>>> cv.imwrite('Laplacian.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.pyrDown(img)
>>> cv.imwrite('pyrDown.jpg', img)
>>> img = cv.imread('cat.jpg')
>>> img = cv.pyrUp(img)
>>> cv.imwrite('pyrUp.jpg', img)
Scharr(src, ddepth, dx, dy, |scale, delta, borderType)
使用Scharr算子计算图像导数，参考: Scharr
src:Var 输入图像
ddepth:int 图像的深度
dx:int 导数x的阶数
dy:int 导数y的阶数
scale:float 缩放因子，可选，默认为1
delta:float 加到结果的偏移量，可选，默认为0
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：Scharr算子计算结果
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.Scharr(img, -1, 1, 1)
array([[[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]], dtype=uint8)
sepFilter2D(src, ddepth, kx, ky, |delta, borderType)
对图像应用可分离的线性过滤器，参考: sepFilter2D
src:Var 输入图像
ddepth:int 图像的深度
kx:int x方向的kernel
ky:int y方向的kernel
delta:float 加到结果的偏移量，可选，默认为0
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：sepFilter2D计算结果
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> kernelX = np.array([[0., -1., 0.]])
>>> kernelY = np.array([[-1., 0., -1.]])
>>> cv.sepFilter2D(img, -1, kernelX, kernelY, 1)
array([[[1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1]]], dtype=uint8)
Sobel(src, ddepth, dx, dy, |ksize, scale, delta, borderType)
使用Sobel算子计算图像导数，参考: Sobel
src:Var 输入图像
ddepth:int 图像的深度
dx:int 导数x的阶数
dy:int 导数y的阶数
ksize:int kernel的大小，可选，默认为3
scale:float 缩放因子，可选，默认为1
delta:float 加到结果的偏移量，可选，默认为0
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：Sobel算子计算结果
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.Sobel(img, -1, 1, 0)
array([[[0, 0, 0],
        [0, 0, 0],
        [0, 0, 2],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]], dtype=uint8)
spatialGradient(src, |ksize,




    
 borderType)
使用Sobel算子分别计算x和y方向的一阶图像导数，参考: spatialGradient
src:Var 输入图像
ksize:int Sobel kernel的大小，可选，默认为3
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：spatialGradient计算结果
返回类型：Var
sqrBoxFilter(src, ddepth, ksize, |normalize, borderType)
计算与过滤器重叠的像素值的归一化平方和，参考: sqrBoxFilter
src:Var 输入图像
ddepth:int 图像的深度
ksize:[int] kernel的大小
normalize:bool 是否归一化，可选，默认为true
borderType:int 边界类型，可选，默认为cv.BORDER_DEFAULT
返回：sqrBoxFilter计算结果
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.sqrBoxFilter(img, -1, (3,3))
>>> img = img.astype(np.uint8)
>>> cv.imwrite('sqrBoxFilter.jpg', img)
src:[float] 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y
dst:[float] 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y
返回：变换矩阵
返回类型：CVMatrix 参考：CVMatrix
>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0]
>>> cv.getAffineTransform(src, dst)
    [[1.266667  0.600000    -83.333336]
    [-0.533333 1.000000    76.666664]
    [76.666664 0.000000    0.000000]]
src:[float] 输入的一组顶点，类型为list。里面为6个 float元素，分别代表三个顶点的 x, y
dst:[float] 计算仿射变换的另一组顶点，类型为list。里面为6个float元素，分别代表三个顶点的 x, y
返回：变换矩阵
返回类型：CVMatrix 参考：CVMatrix
>>> src =  [100.0, 50.0, 100.0, 390.0, 600.0, 50.0, 600.0, 390.0]
>>> dst = [200.0, 100.0, 200.0, 330.0, 500.0, 50.0, 600.0, 390.0]
>>> cv2.getPerspectiveTransform(src, dst)
    [[0.307692  -0.104072   174.434372]
    [-0.129231 0.504751    87.685509]
    [87.685509 -0.000585   -0.000520]]
image:Var 输入的图像
patchSize:[int] 裁剪的patch大小(width, height)
center:[int] 被裁减出的矩形的中心点(x, y)
返回：裁剪出的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> h, w, c = img.shape
>>> center = (w / 2.0, h / 2.0)
>>> img = cv2.getRectSubPix(img, [90, 90], center)
>>> cv.imwrite('getRectSubPix.jpg', img)
getRotationMatrix2D(center, angle, scale)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的getRotationMatrix2D 函数，用于计算 2D 旋转的仿射变换矩阵。
center:[float] 图像中的旋转中心点(x, y)
angle:float 旋转角度(degrees)
scale:float 同向放缩因子
返回：仿射变换矩阵
返回类型：类型为 CVMatrix
>>> cv.getRotationMatrix2D((500.0 / 2.0, 333.0 / 2.0), 90, 1.0)
[[-0.000000	1.000000	83.500015]
 [-1.000000	-0.000000	416.500000]
 [416.500000	0.000000	0.000000]]
invertAffineTransform(m)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的invertAffineTransform 函数，计算仿射变换矩阵的逆矩阵。
m:CVMatrix 输入的仿射矩阵
返回：仿射变换矩阵的逆矩阵
返回类型：类型为 CVMatrix
>>> m = MNN.CVMatrix()
>>> m.setScale(5.0, 5.0)
>>> cv.invertAffineTransform(m)
[[0.200000      0.000000        -0.000000]
 [0.000000      0.200000        -0.000000]
 [-0.000000     0.000000        0.000000]]
convertMaps(map1, map2, dstmap1type, |interpolation)
映射map转换，为了兼容OpenCV中的convertMaps 函数；但实际不进行任何操作，仍返回map1, map2
map1:Var 原始映射关系
map2:Var 原始映射关系
dstmap1type:int 兼容性参数，不支持
interpolation:int 兼容性参数，不支持
返回：(map1, map2)
返回类型：类型为 Tuple
remap(src, map1, map2, interpolation, |borderMode, borderValue)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的remap 函数，用于图像重映射。
不支持borderMode与borderValue
src:Var 输入的图像
map1:Var x坐标映射
map2:Var y坐标映射
interpolation:int 插值方式，仅支持cv.INTER_NEAREST和cv.INTER_LINEAR
borderMode:int 兼容性参数，不支持
borderValue:int 兼容性参数，不支持
返回：重映射后的图像
返回类型：类型为 Var
>>> img = cv.imread('cat.jpg')
>>> row, col, ch = img.shape
>>> mapx = np.ones(img.shape[:2], np.float32)
>>> mapy = np.ones(img.shape[:2], np.float32)
>>> for i in range(row):
>>>     for j in range(col):
>>>         mapx[i, j] = float(j)
>>>         mapy[i




    
, j] = float(row-i)
>>> img = cv.remap(img, mapx, mapy, cv.INTER_LINEAR)
>>> cv.imwrite('remap.jpg', img)
resize(src, dsize, |fx, fy, interpolation, code, mean, norm)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的resize 函数，用于放缩图像。
该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能
src:Var 输入的图像
dsize:tuple 放缩后的大小
fx:float 水平方向的放缩因子，如果为0，则自动计算，默认为0
fy:float 竖直方便的放缩因子，如果为0，则自动计算，默认为0
interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
code:int 可以在缩放时转换颜色空间，默认为-1不执行转换
mean:[float] 转换为float的归一化的均值，默认为空不转换为float
norm:[float] 转换为float的归一化的标准差，默认为空不转换为float
返回：放缩后的图像
返回类型：类型为 Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.resize(img, [100, 100])
>>> cv.imwrite('resize.jpg', img)
warpAffine(src, M, dsize, |flag, borderMode, borderValue, code, mean, norm)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的warpAffine 函数，对一个图像应用仿射变换。
该函数在兼容OpenCV函数的基础上，额外增加了3个参数可选参数：code, mean, norm可以额外完成cvtColor和typeas的功能
src:Var 输入的图像
dsize:tuple 放缩后的大小
interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
borderMode:int 边界模式，默认为cv.BORDER_CONSTANT
borderValue:int 当边界模式为 cv.BORDER_CONSTANT 时设定的值，默认为0
code:int 可以在缩放时转换颜色空间，默认为-1不执行转换
mean:[float] 转换为float的归一化的均值，默认为空不转换为float
norm:[float] 转换为float的归一化的标准差，默认为空不转换为float
返回：仿射变换的图像
返回类型：Var
>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0]
>>> transform = cv.getAffineTransform(src, dst)
>>> img = cv.imread('cat.jpg')
>>> img = cv.warpAffine(img, transform, [300, 330])
>>> cv.imwrite('warpAffine.jpg', img)
warpPerspective(src, M, dsize, flag, borderMode, borderValue)
作用等同与 OpenCV 中 Geometric Image Transformations 模块的warpPerspective 函数，对一个图像应用透视变换。
src:Var 输入的图像
dsize:tuple 放缩后的大小
interpolation:int 放缩的插值方法，默认为cv.INTER_LINEAR
borderMode:int 边界模式，默认为cv.BORDER_CONSTANT
borderValue:int 当边界模式为 cv.BORDER_CONSTANT 时设定的值，默认为0
返回：透视变换的图像
返回类型：Var
>>> src = [50.0, 50.0, 200.0, 50.0, 50.0, 200.0, 125.0, 222.0]
>>> dst = [10.0, 100.0, 200.0, 20.0, 100.0, 250.0, 200.0, 300.0]
>>> transform = cv.getPerspectiveTransform(src, dst)
>>> img = cv.imread('cat.jpg')
>>> img = cv.warpPerspective(img, transform, [500, 333])
>>> cv.imwrite('warpPerspective.jpg', img)
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)
作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的adaptiveThreshold 函数，对图像逐像素进行自适应阈值变化，可以将使用此函数将图像变成二值图像。
src:Var 输入的图像
maxValue:float 阈值的最大值
adaptiveMethod:int 自适应方法，如：cv.ADAPTIVE_THRESH_MEAN_C
thresholdType:int 阈值变化的类型，如：cv.THRESH_BINARY
blockSize:int 计算阈值时取邻域的大小，如：3,5,7等
C:float
返回：阈值变化后的图像
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> img = cv.adaptiveThreshold(img, 50, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 2)
>>> cv.imwrite('adaptiveThreshold.jpg', img)
blendLinear(src1, src2, weight1, weight2)
作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的blendLinear 函数，对两幅图像进行线性混合。
src1:Var 输入的图像
src2:Var 输入的图像
weight1:Var src1 计算的叠加权重
weight2:Var src2 计算的叠加权重
返回：混合后的图像。
返回类型：Var
>>> src1 = np.array([[2.0, 3.0], [1.0, 1.0]])
>>> src2 = np.array




    
([[0.0, 1.0], [1.0, 1.0]])
>>> weight1 = np.array([[1.0, 2.0], [1.5, 1.5]])
>>> weight2 = np.array([[0.1, 0.5], [0.2, 0.3]])
>>> cv.blendLinear(src1, src2, weight1, weight2)
array([[1.8181652 , 2.5999894 ],
       [0.9999941 , 0.99999446]], dtype=float32)
threshold(src, thresh, maxval, type)
作用等同与 OpenCV 中 Miscellaneous Image Transformations 模块的threshold 函数，对图像逐像素进行阈值变化，可以将使用此函数将图像变成二值图像，比如在寻找轮廓时(findContours)可以使用该函数。
src:Var 输入的图像
thresh:float 阈值
maxval:float 阈值的最大值
type:int 阈值变化的类型，默认为cv.THRESH_BINARY
>>> img = cv.imread('cat.jpg')
>>> img = img.astype(np.float32)
>>> img = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
>>> img = img.astype(np.uint8)
>>> cv.imwrite('threshold.jpg', img)
findContours(image, mode, method, offset)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的findContours 函数，对二值图像进行轮廓查找，查找得到的结果可以用作contourArea，fillPoly和drawContours的参数使用。
注意：该实现未计算hierarchy信息
image:Var 输入的图像
mode:int 轮廓查找的模式，默认为cv.RETR_EXTERNAL
method:int 轮廓查找的方法，默认为cv.CHAIN_APPROX_SIMPLE
offset:tuple 轮廓查找的偏移量，默认为(0, 0)
返回：tuple的第一个元素为找到的轮廓像素，类型为list of Var，第二个值为兼容opencv的值，本函数未实现。
返回类型：tuple
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
([array([[[143, 294]],
         [[144, 295]]], dtype=int32),
  array([[[304,   1]],
         [[309,   1]]], dtype=int32)], 'no hierarchy')
contourArea(points, oriented)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的contourArea 函数，计算轮廓的面积。
points:Var 轮廓像素
oriented:bool 是否计算有向面积，默认为False
返回：轮廓的面积
返回类型：float
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.contourArea(contours[0], False)
convexHull(points, clockwise, returnPoints)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的convexHull 函数，计算点集的凸包。
points:Var 轮廓像素
clockwise:bool 是否按顺时针方向计算凸包，默认为False
returnPoints:bool 是否返回凸包的点集，默认为True
返回：凸包的点集
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.convexHull(contours[0])
array([[[147, 295]],
       [[147, 298]],
       [[146, 299]],
       [[143, 298]],
       [[142, 297]],
       [[142, 296]],
       [[143, 294]]], dtype=int32)
minAreaRect(points)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的minAreaRect 函数，计算点集的最小外接矩形。
points:Var 轮廓像素
返回：最小外接矩形的中心点坐标，长宽，旋转角度
返回类型：tuple
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.minAreaRect(contours[0])
((144.61766052246094, 296.5294494628906), (5.3357834815979, 4.123105525970459), 14.03624439239502)
boundingRect(points)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的boundingRect 函数，计算点集的最小外接矩形。




    

points:Var 轮廓像素
返回：最小外接矩形的中心点坐标，长宽
返回类型：tuple
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.boundingRect(contours[0])
[142, 294, 6, 6]
connectedComponentsWithStats(image, connectivity)
作用等同与 OpenCV 中 Connected Components模块的connectedComponentsWithStats 函数，计算图像的连通域。
image:Var 图像
connectivity:int 连通域的连通性，默认为8
返回：连通域的数量，连通域的标签，每个标签的统计输出，每个标签的质心输出
返回类型：tuple
>>> img = cv.imread('cat.jpg')
>>> cv.connectedComponentsWithStats(img)
(2, array([[[[1], ..., [1]], ..., [[1], ..., [1]]]], dtype=int32),
    array([[213, 60, 262, 52, 3], [0, 0, 480, 360, 172797]], dtype=int32),
    array([[386., 77.333336], [239.49745, 179.50177]], dtype=float32))
boxPoints(box)
作用等同与 OpenCV 中 Structural Analysis and Shape Descriptors模块的boxPoints 函数，计算矩形的四个顶点坐标。
box:tuple 矩形的中心点坐标，长宽，旋转角度，参考 minAreaRect 函数的返回值
返回：四个顶点坐标
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.boxPoints(cv.minAreaRect(contours[0]))
array([[141.52942, 297.8824 ],
       [142.52942, 293.8824 ],
       [147.7059 , 295.1765 ],
       [146.7059 , 299.1765 ]], dtype=float32)
line(img, pt1, pt2, color, thickness, lineType, shift)
作用等同与 OpenCV 中 Drawing Functions 模块的line 函数，绘制从第一个点指向第二个点的直线。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制线条的图像
pt1:tuple 线条绘制的起点(x, y)
pt2:tuple 线条绘制的终点(x, y)
color:tuple 线条绘制的颜色(b, g, r, a)
thickness:int 线的粗细，默认为1
lineType:int 线条绘制的方式，默认为cv.LINE_8
shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> cv.line(img, (10, 10), (100, 100), (255, 0, 0, 0), 5)
>>> cv.imwrite('line.jpg', img)
arrowedLine(img, pt1, pt2, color, thickness, lineType, shift, tipLength)
作用等同与 OpenCV 中 Drawing Functions 模块的arrowedLine 函数，绘制从第一个点指向第二个点的箭头段。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制箭头的图像
pt1:tuple 箭头绘制的起点(x, y)
pt2:tuple 箭头绘制的终点(x, y)
color:tuple 箭头绘制的颜色(b, g, r, a)
thickness:int 箭头的粗细，默认为1
lineType:int 箭头绘制的方式，默认为cv.LINE_8
shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
tipLength:float 箭头部分与直线长度的百分比，默认为0.1
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> cv.arrowedLine(img, (10, 10), (100, 100), (255, 0, 0, 0), 5)
>>> cv.imwrite('arrowedLine.jpg', img)
circle(img, center, radius, color, thickness, lineType, shift)
作用等同与 OpenCV 中 Drawing Functions 模块的circle 函数，绘制一个圆。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制圆的图像
center:tuple 圆的中心点(x, y)
radius:int 圆的半径大小
color:tuple 圆绘制的颜色(b, g, r, a)
thickness:int 圆的粗细，默认为1
lineType:int 圆绘制的方式，默认为cv.LINE_8
shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> cv.circle(img, (100, 100), 5, (255, 0, 0, 0), 5)
>>> cv.circle(img, (




    
100, 100), 50, (0, 0, 255, 0), 5)
>>> cv.imwrite('circle.jpg', img)
rectangle(src, pt1, pt2, color, thickness, lineType, shift)
作用等同与 OpenCV 中 Drawing Functions 模块的rectangle 函数，绘制一个矩形。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制圆的图像
pt1:tuple 矩形的一个顶(x, y)
pt2:tuple 矩形的另一个顶(x, y)
color:tuple 矩形绘制的颜色(b, g, r, a)
thickness:int 矩形的粗细，默认为1
lineType:int 矩形绘制的方式，默认为cv.LINE_8
shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> cv.rectangle(img, (50, 50), (150, 150), (255, 0, 0, 0), 5)
>>> cv.rectangle(img, (100, 100), (200, 200), (0, 0, 255, 0), 5)
>>> cv.imwrite('rectangle.jpg', img)
drawContours(img, contours, contourIdx, color, thickness, lineType)
作用等同与 OpenCV 中 Drawing Functions 模块的drawContours 函数，绘制轮廓边缘或对其填充。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制圆的图像
contours:[[int]] 其中每一个元素都是一个list，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 x 或者 y，必须配对
contourIdx:int 代表要绘制第几个轮廓组。如果传入负数，绘制所有轮廓组
color:tuple 矩形绘制的颜色(b, g, r, a)
thickness:int 矩形的粗细，默认为1
lineType:int 矩形绘制的方式，默认为cv.LINE_8
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> gray = gray.astype(np.float32)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> binary = binary.astype(np.uint8)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.drawContours(img, contours, -1, [0, 0, 255])
>>> cv.imwrite('drawContours.jpg', img)
fillPoly(img, contours, color, lineType, shift, offset)
作用等同与 OpenCV 中 Drawing Functions 模块的fillPoly 函数，绘制填充多边形。
该函数为 in-replace，直接作用于原图
img:Var 代表需要绘制圆的图像
contours:[[int]] 其中每一个元素都是一个list，代表一组轮廓点。一组轮廓点中的元素分别代表一个点的 x 或者 y，必须配对
color:tuple 矩形绘制的颜色(b, g, r, a)
lineType:int 矩形绘制的方式，默认为cv.LINE_8
shift:int 坐标小数点向前移动的位数（缩小10倍数），默认为0
offset:tuple 所有点相对轮廓的偏移量，默认为(0, 0)
返回：None
返回类型：None
>>> img = cv.imread('cat.jpg')
>>> gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
>>> gray = gray.astype(np.float32)
>>> binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
>>> binary = binary.astype(np.uint8)
>>> contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
>>> cv.fillPoly(img, contours, [0, 0, 255])
>>> cv.imwrite('fillPoly.jpg', img)
calcHist(imgs, channels, mask, histSize, ranges, accumulate)
作用等同与 OpenCV 中 Histograms 模块的calcHist 函数，计算图像的直方图。
imgs:[Var] 需要计算的图像
channels:[int] 需要计算的通道
mask:Var 需要计算的图像的掩码，本函数实现不支持mask
histSize:[int] 直方图的大小，如：[256]
ranges:[float] 直方图的范围，如：[0., 256.]
accumulate:bool 是否累加，默认为False 本函数实现不支持累加
返回：计算得到的直方图
返回类型：Var
>>> img = cv.imread('cat.jpg')
>>> cv.calcHist([img], [0], None, [256], [0., 256.])
array([ 9.,    5.,   13.,   25., ..., 41.,   74.,   41.,  173.], dtype=float32)