一. 图像几何变换：插值方法对比

1.1 背景与目的

1.2 技术要点与实践经验

• 核心函数：cv.warpAffine(src, M, dsize, flags, borderMode, borderValue)
• src: 输入图像。
• M: 2x3 的仿射变换矩阵，可通过 cv.getRotationMatrix2D 等函数获取。
• dsize: 输出图像的尺寸。
• flags: 插值方法标志。
• borderMode: 边界填充模式。

• 常用插值方法对比：
• cv.INTER_NEAREST（最近邻插值）：速度最快，但效果最差，放大时会出现明显的马赛克效应。
• cv.INTER_LINEAR（双线性插值）：默认选项，效果与性能的良好平衡，综合考虑了周围 4 个像素点。
• cv.INTER_AREA（像素区域关系插值）：用于缩小图像时效果最佳，能有效避免波纹。
• cv.INTER_CUBIC（双三次插值）：考虑周围 16 个像素点，效果比双线性更好，图像更平滑，但计算量更大。
• cv.INTER_LANCZOS4（Lanczos 插值）：考虑周围 64 个像素点，理论上效果最好，但计算成本最高。

• 边界模式（borderMode）：用于处理变换后图像边界外的像素。
• cv.BORDER_REPLICATE：复制边界像素。
• cv.BORDER_CONSTANT：使用指定颜色（borderValue）填充。
• cv.BORDER_REFLECT：反射边界，如 fedcba|abcdefgh|hgfedcb。

二. 图像透视变换：实现文档校正效果

1.1 背景与目的

1.2 技术要点与实践经验

1. 确定关键点：透视变换成功的关键在于找到原图中的四个点（src_points）和它们在目标图像中对应的四个点（dst_points）。

2. 顺序一致性：src_points 和 dst_points 中点的顺序必须严格对应。例如，都遵循“左上 -> 右上 -> 左下 -> 右下”的顺序。

3. 获取变换矩阵：cv.getPerspectiveTransform(src_points, dst_points) 会根据这两组点计算出变换矩阵 M。

4. 应用变换：cv.warpPerspective(src, M, dsize) 将矩阵 M 应用于源图像，生成校正后的目标图像。

三. 图像滤波：消除噪点的常用方法

1.1 背景与目的

1.2技术要点与实践经验

• 均值滤波 (cv.blur)：计算核内像素的平均值。对高斯噪声有一定效果，但会使图像整体变得模糊。

• 高斯滤波 (cv.GaussianBlur)：加权平均，离中心点越近的像素权重越大。相比均值滤波，能更好地保留图像边缘。

• 中值滤波 (cv.medianBlur)：用核内像素的中值替换中心像素。对椒盐噪声（黑白噪点）有奇效，且能较好地保留边缘。

• 双边滤波 (cv.bilateralFilter)：同时考虑空间距离和像素值差异。既能有效去噪，又能最大程度地保留边缘细节，是效果最好的滤波器之一，但计算速度较慢。

四. 图像掩膜（Mask）应用：提取特定颜色区域

1.1 背景与目的

1.2 技术要点与实践经验

1. 颜色空间转换：对于颜色检测，将图像从 BGR 转换为 HSV 颜色空间通常更有效。HSV 将颜色（Hue）、饱和度（Saturation）和明度（Value）分开，使得颜色范围的定义比在 BGR 中更稳定。

2. 创建掩膜：cv.inRange(hsv_image, lower_bound, upper_bound) 函数会生成一个掩膜。在指定的颜色范围内的像素在掩膜中为白色（255），范围外的为黑色（0）。

3. 应用掩膜：cv.bitwise_and(src, src, mask=mask) 函数利用掩膜进行按位与操作。只有掩膜中为白色的区域，src 图像的像素才会被保留，其余区域变为黑色。

五. 颜色替换：基于掩膜的像素级操作

1.1 背景与目的

1.2 技术要点与实践经验

• 核心操作：demo[mask == 255] = (0, 255, 0)

• 原理解析：这行代码利用了 NumPy 的强大功能——布尔索引。
• mask == 255 会创建一个布尔数组，掩膜中值为 255 (白色) 的位置为 True，否则为 False。
• demo[...] 使用这个布尔数组作为索引，选中 demo 图像中所有对应 True 的像素点。
• 最后，将这些选中的像素点统一赋值为新的颜色 (0, 255, 0)（绿色）。

• 对比：相比于 bitwise_and，这种方法更直接，适用于简单的颜色替换任务。

六. 综合案例：为图片添加Logo水印

1.1 背景与目的

代码修正与说明： 原代码中创建 mask 和 mask_bg 的逻辑是一样的，这可能会导致 mask_bg 无法正确地创建出背景区域的掩码。正确的做法是使用 cv.bitwise_not 来反转掩码。 修正版逻辑如下：

1.2 技术要点与实践经验

1. 选择ROI：首先在背景图上确定一块与 logo 等大小的区域 roi，这是我们将要操作的目标。

2. 创建掩膜：
• 创建一个 mask，其中 logo 图案为白色，背景为黑色。
• 创建一个 mask 的反向掩膜 mask_inv，其中 logo 图案为黑色，背景为白色。

3. 分离前景与背景：
• 使用 mask 和 bitwise_and 从原始 logo 中提取出带颜色的 logo 部分（logo_fg）。
• 使用 mask_inv 和 bitwise_and 从 roi 中提取出背景，并在 logo 位置“挖出一个洞”（bg_bg）。

4. 图像融合：使用 cv.add 将 logo_fg 和 bg_bg 相加。由于它们各自在对方的区域都是黑色（值为0），相加后即可完美融合。

5. 更新原图：最后，将融合后的图像 dst 赋值回原图的 roi 区域。

七.每日一题

题目：2322. 从树中删除边的最小分数

1. 分别获取三个组件 每个 组件中所有节点值的异或值。

2. 最大 异或值和 最小 异或值的 差值 就是这一种删除边方案的分数。

• 例如，三个组件的节点值分别是：[4,5,7]、[1,9] 和 [3,3,3] 。三个异或值分别是 4 ^ 5 ^ 7 = 6、1 ^ 9 = 8 和 3 ^ 3 ^ 3 = 3 。最大异或值是 8 ，最小异或值是 3 ，分数是 8 - 3 = 5 。

解题：