🖼️ OpenCV-Learning

从零开始的 OpenCV 计算机视觉学习笔记与项目实战
涵盖图像处理基础到 RoboMaster 装甲板检测的完整学习路线

---

📂 项目目录树

Opencv-Learning/
│
├── Lesson 1/                              # 第 1 课：图像输入输出与数据表示
│   ├── io_image.py                        #   读取、显示、保存图像
│   ├── io_video.py                        #   读取、播放视频文件
│   ├── io_wecam.py                        #   调用摄像头实时采集
│   ├── 1.计算机中图像的存在形式             #   理论笔记：NumPy 数组与 BGR 像素
│   └── cat.jpg                            #   示例图片
│
├── Lesson 2/                              # 第 2 课：图像基本操作
│   ├── crop.py                            #   图像裁剪
│   ├── resizing.py                        #   图像缩放
│   └── 图像操作                            #   理论笔记
│
├── Lesson 3/                              # 第 3 课：色彩空间
│   ├── Colar space.py                     #   BGR ↔ HSV 转换
│   └── 色彩空间                            #   理论笔记
│
├── Lesson 4/                              # 第 4 课：图像模糊/滤波
│   ├── blur.py                            #   均值模糊
│   ├── GaussianBlur.py                    #   高斯模糊
│   └── 图像模糊处理                         #   理论笔记
│
├── Lesson 5/                              # 第 5 课：图像阈值处理
│   ├── Threshold.py                       #   全局二值化阈值
│   ├── adaptive_threshold.py              #   自适应阈值
│   └── 图像阈值处理                         #   理论笔记
│
├── Lesson 6/                              # 第 6 课：边缘检测与形态学
│   ├── Edge detection.py                  #   Canny 边缘检测
│   ├── 边缘检测                            #   理论笔记
│   └── 形态学变化                           #   理论笔记：膨胀/腐蚀/开闭运算
│
├── Lesson 7/                              # 第 7 课：绘图与文字
│   ├── drawing.py                         #   矩形、圆形、椭圆、直线、箭头、文字
│   └── hello_icbk_drawing.png             #   输出示例图
│
├── ICBK算法组第二周周训项目/                # 周训 2：HSV 色彩检测
│   ├── HSVfinding.py                      #   HSV 阈值范围计算工具
│   ├── 识别颜色.py                         #   颜色识别脚本
│   └── 色彩检测.txt                         #   理论笔记
│
├── ICBK算法组第三周周训项目/                # 周训 3：装甲板检测 v1
│   ├── HSVfinding.py                      #   HSV 工具（复用）
│   ├── 装甲板.py                           #   图像装甲板检测
│   ├── 装甲板视频流.py                      #   视频流装甲板检测
│   ├── 问题汇总                             #   开发问题与解决方案记录
│   ├── demo.avi                           #   演示视频
│   └── 任务视频.mp4                        #   训练用视频
│
├── ICBK算法组第四周周训项目/                # 周训 4：装甲板检测 v2 → v3
│   ├── HSVfinding.py                      #   HSV 工具（复用）
│   ├── 装甲板改良2.0.py                    #   装甲板检测 v2.0
│   ├── 装甲板改良3.0.py                    #   装甲板检测 v3.0
│   ├── 装甲板视频流改良1.0.py               #   视频流检测 v1.0 改良
│   ├── text.mp4                           #   测试视频
│   └── 任务视频.mp4                        #   训练用视频
│
├── ICBK算法组第五周周训项目/                # 周训 5：HSV + 二值化融合检测
│   ├── HSVfinding.py                      #   HSV 工具（复用）
│   ├── HSV加二值化装甲板识别.py              #   HSV + 二值化双通道融合（核心脚本）
│   ├── 参考焚决/                            #   参考算法草稿
│   │   └── 焚决.py
│   ├── text.mp4                           #   测试视频
│   └── 任务视频.mp4                        #   训练用视频
│
├── ICBK算法组第十二周周训项目/              # 周训 12：卡尔曼滤波跟踪
│   ├── HSVfinding.py                      #   HSV 工具（复用）
│   ├── kalmanfilter.py                    #   自定义 Kalman Filter 类（6 状态 / 2 测量）
│   ├── box.py                             #   边界框工具
│   ├── mian.py                            #   图像目标跟踪
│   └── mian_video.py                      #   视频流目标跟踪
│
├── 第十三周周训项目/                        # 周训 13（扩展）：从零实现神经网络
│   ├── train.py                           #   NumPy 手写神经网络（单隐层 20 神经元）
│   └── data/
│       └── mnist.npz                      #   MNIST 数据集（~11.5 MB）
│
├── C++_Version/                           # C++ 版本示例
│   ├── main.cpp                           #   OpenCV C++ 入门示例
│   └── CMakeLists.txt                     #   CMake 构建配置
│
├── .idea/                                 # PyCharm 项目配置
├── requirements.txt                       # Python 依赖清单
└── LICENSE                                # MIT 开源协议

---

📖 目录

• 简介
• 环境配置
  • Python 环境
  • C++ 环境
• 基础教程
  • Lesson 1：图像输入输出与数据表示
  • Lesson 2：图像基本操作
  • Lesson 3：色彩空间
  • Lesson 4：图像模糊与滤波
  • Lesson 5：图像阈值处理
  • Lesson 6：边缘检测与形态学变换
  • Lesson 7：绘图与文字
• ICBK 算法组周训项目
  • 第二周：HSV 色彩检测
  • 第三周：装甲板检测 v1.0
  • 第四周：装甲板检测 v2.0 → v3.0
  • 第五周：HSV + 二值化双通道融合
  • 第十二周：卡尔曼滤波目标跟踪
  • 技术演进总览
• 扩展学习
  • 第十三周：从零实现神经网络
• 建议学习路线
• 参考资源
• 联系方式

---

简介

本项目是个人 OpenCV 计算机视觉学习笔记与项目实战合集，涵盖从图像处理基础到 RoboMaster 竞技机器人视觉算法的完整实践路径。项目包含 7 节系统化基础教程和 6 个 ICBK 算法组周训项目，后者以装甲板检测为核心任务，逐步从颜色筛选演进到多特征融合与目标跟踪。

适用人群： 对计算机视觉感兴趣的初学者、RoboMaster 参赛队员、希望快速上手 OpenCV 的开发者。

---

环境配置

Python 环境

环境要求： Python 3.8 及以上版本。

1. 克隆仓库

git clone https://github.com/mc260/Opencv-Learning.git
cd Opencv-Learning

2. 创建虚拟环境（推荐）

# 方式一：使用 venv
python -m venv venv
source venv/bin/activate     # Linux / macOS
venv\Scripts\activate        # Windows

# 方式二：使用 conda
conda create -n opencv-learn python=3.10
conda activate opencv-learn

3. 安装依赖

pip install -r requirements.txt

requirements.txt 包含以下依赖：

包名	最低版本	用途
opencv-python	4.8.0	OpenCV 图像处理主库
numpy	1.24.0	数值计算与数组操作

💡 提示： 如果在无 GUI 的服务器环境中运行，可将 opencv-python 替换为 opencv-python-headless，减少不必要的 GUI 依赖。

4. 验证安装

import cv2
import numpy as np
print(cv2.__version__)  # 应输出 4.8.0 或更高
print(np.__version__)   # 应输出 1.24.0 或更高

5. 摄像头权限（可选）

Lesson 1 的 io_wecam.py 需要调用摄像头。在 Windows / macOS 上通常开箱即用；在 Linux 上可能需要安装 v4l-utils 并对 /dev/video0 有读写权限。

---

C++ 环境

C++ 版本示例位于 C++_Version/ 目录，需要额外配置 OpenCV C++ 运行环境。

环境要求：

工具	最低版本	说明
C++ 编译器	C++20 支持	GCC 11+ / Clang 14+ / MSVC 2022+
CMake	3.4+	构建系统
OpenCV	4.x	C++ 开发库

Linux（以 Ubuntu 为例）：

# 安装编译工具和 OpenCV
sudo apt update
sudo apt install build-essential cmake libopencv-dev

# 编译运行
cd C++_Version
mkdir build && cd build
cmake ..
make
./C___Version

macOS：

brew install cmake opencv
cd C++_Version
mkdir build && cd build
cmake ..
make
./C___Version

Windows：

1. 安装 CMake 和 Visual Studio（勾选"使用 C++ 的桌面开发"）。
2. 从 OpenCV 官网 下载 Windows 预编译包，解压并配置环境变量。
3. 在 CMakeLists.txt 中设置 OpenCV_DIR 指向你的 OpenCV 安装路径：

mkdir build && cd build
cmake .. -DOpenCV_DIR="C:/opencv/build"
cmake --build .

---

基础教程

以下 7 节课程从零开始讲解 OpenCV 核心概念，建议按顺序学习。每节课程包含可运行的 Python 脚本和中文理论笔记。

Lesson 1：图像输入输出与数据表示

📝 理论笔记：1.计算机中图像的存在形式

学习目标： 理解图像在计算机中如何以 NumPy 数组的形式存储（BGR 三通道），掌握 OpenCV 的三种 I/O 操作。

文件	功能	关键 API
io_image.py	读取图片、显示窗口、按任意键关闭、保存图片	cv2.imread(), cv2.imshow(), cv2.imwrite()
io_video.py	读取视频文件、逐帧播放、按 q 退出	cv2.VideoCapture(), cap.read()
io_wecam.py	调用默认摄像头、实时显示画面、按 q 退出	cv2.VideoCapture(0), cap.release()

关键要点：

• OpenCV 默认读取的图像格式为 BGR（非 RGB），与 Matplotlib 等库的 RGB 格式不兼容，显示前需用 cv2.cvtColor() 转换。
• 视频本质上是一帧帧图像的序列，cap.read() 每次返回一帧。

---

Lesson 2：图像基本操作

📝 理论笔记：图像操作

学习目标： 掌握对图像的裁剪与缩放操作，理解 NumPy 切片索引和 OpenCV 插值方法。

文件	功能	关键 API
crop.py	通过 NumPy 切片裁剪图像的 ROI（感兴趣区域）	img[y1:y2, x1:x2]
resizing.py	按比例或指定尺寸缩放图像	cv2.resize(), cv2.INTER_AREA, cv2.INTER_LINEAR

关键要点：

• 图像裁剪本质是对 NumPy 数组的切片操作，格式为 img[行:行, 列:列]。
• 放大时推荐 cv2.INTER_LINEAR（双线性插值），缩小时推荐 cv2.INTER_AREA（区域插值），后者能有效抑制摩尔纹。

---

Lesson 3：色彩空间

📝 理论笔记：色彩空间

学习目标： 理解 BGR、HSV、GRAY 等色彩空间的差异与适用场景，掌握颜色阈值筛选的基本思路。

文件	功能	关键 API
Colar space.py	BGR ↔ HSV 转换、颜色筛选	cv2.cvtColor(), cv2.COLOR_BGR2HSV, cv2.inRange()

关键要点：

• HSV 色彩空间将色调（Hue）、饱和度（Saturation）、亮度（Value）分离，使颜色筛选不受光照强度干扰，是后续装甲板检测的核心基础。
• cv2.inRange() 设定 HSV 上下界，生成二值 mask，这一模式贯穿整个周训项目。

---

Lesson 4：图像模糊与滤波

📝 理论笔记：图像模糊处理

学习目标： 理解低通滤波的降噪原理，区分均值模糊与高斯模糊的适用场景。

文件	功能	关键 API
blur.py	均值模糊（Box Blur）	cv2.blur()
GaussianBlur.py	高斯模糊	cv2.GaussianBlur()

关键要点：

• 均值模糊对邻域内所有像素赋予相同权重，速度快但细节损失大。
• 高斯模糊按正态分布分配权重，中心像素权重更高，边缘保留效果更好，是边缘检测前的标准预处理步骤。
• 核大小（kernel size）必须为正奇数（如 3×3、5×5、7×7），核越大模糊效果越强。

---

Lesson 5：图像阈值处理

📝 理论笔记：图像阈值处理

学习目标： 掌握全局阈值与自适应阈值的原理，能根据实际光照条件选择合适的二值化策略。

文件	功能	关键 API
Threshold.py	全局二值化阈值处理	cv2.threshold(), cv2.THRESH_BINARY, cv2.THRESH_OTSU
adaptive_threshold.py	自适应二值化阈值处理	cv2.adaptiveThreshold(), cv2.ADAPTIVE_THRESH_GAUSSIAN_C

关键要点：

• 全局阈值用单一阈值处理整张图像，适用于光照均匀的场景。配合 OTSU 算法可自动计算最优阈值。
• 自适应阈值根据每个像素的局部邻域动态计算阈值，光照不均匀时表现更好。在装甲板检测中，这是应对复杂光照环境的重要工具。

---

Lesson 6：边缘检测与形态学变换

📝 理论笔记：边缘检测、形态学变化

学习目标： 掌握 Canny 边缘检测原理，理解膨胀、腐蚀、开运算、闭运算在图像预处理和后处理中的作用。

文件	功能	关键 API
Edge detection.py	Canny 边缘检测	cv2.Canny()

关键要点：

• Canny 边缘检测分为四步：高斯滤波降噪 → 梯度计算 → 非极大值抑制 → 双阈值滞后连接。
• cv2.Canny() 的两个阈值（threshold1、threshold2）比值通常设为 1:2 或 1:3：低于低阈值的被丢弃，高于高阈值的被保留，介于中间的仅当与强边缘相连时才保留。

形态学变换要点（理论笔记覆盖）：

操作	效果	API
膨胀（Dilation）	扩大白色区域，填充细小空洞	cv2.dilate()
腐蚀（Erosion）	缩小白色区域，消除细小噪点	cv2.erode()
开运算（Opening）	先腐蚀后膨胀，去除孤立噪点	cv2.morphologyEx(..., cv2.MORPH_OPEN)
闭运算（Closing）	先膨胀后腐蚀，填充目标内部孔洞	cv2.morphologyEx(..., cv2.MORPH_CLOSE)

装甲板检测中通常使用开运算清除轮廓噪点，闭运算连接断裂的灯条。

---

Lesson 7：绘图与文字

🖼️ 输出示例：hello_icbk_drawing.png

学习目标： 掌握 OpenCV 的绘图与文字渲染能力，能快速可视化检测结果和调试信息。

文件	功能	关键 API
drawing.py	矩形、圆形、椭圆、直线、箭头绘制 + 中文/英文文字渲染（含旋转、阴影效果）	cv2.rectangle(), cv2.circle(), cv2.ellipse(), cv2.line(), cv2.arrowedLine(), cv2.putText(), cv2.getRotationMatrix2D()

关键要点：

• 所有绘图函数直接在原图上修改（in-place），绘图前应使用 img.copy() 做备份。
• cv2.putText() 支持英文但不原生支持中文，如需渲染中文需配合 PIL/Pillow 转换。本项目示例中已提供替代方案。
• 装甲板检测的可视化输出（锁定框、中心点、标签）正是建立在 Lesson 7 这些绘图 API 之上的。

---

ICBK 算法组周训项目

ICBK 算法组周训项目是本仓库的核心实战内容，以 RoboMaster 竞技机器人中的装甲板检测为核心任务，从基础的 HSV 色彩筛选出发，逐步引入多策略融合、轮廓几何分析、卡尔曼滤波跟踪等技术，完整展示了一个视觉检测系统从原型到优化的迭代过程。

第二周：HSV 色彩检测

核心议题： 如何在 HSV 色彩空间中精确筛选目标颜色？

装甲板检测的第一步是找到图像中特定颜色的灯条（通常为红色或蓝色）。第二周的任务是掌握 HSV 颜色空间下的阈值筛选方法。

文件	功能
HSVfinding.py	HSV 颜色范围计算工具——通过滑动条（trackbar）交互式调节 H/S/V 的上下界，实时查看 mask 效果，帮助快速确定目标颜色的阈值范围。这是整个装甲板检测系列中反复复用的核心工具。
识别颜色.py	使用确定的 HSV 阈值对图像进行颜色筛选，提取特定颜色区域。
色彩检测.txt	理论笔记

关键 API 与思路：

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)         # BGR → HSV
mask = cv2.inRange(hsv, lower_bound, upper_bound)      # 颜色筛选
result = cv2.bitwise_and(frame, frame, mask=mask)      # 按 mask 提取

⚠️ 不同光照条件下同一颜色的 HSV 值会有差异，实际比赛中需要在比赛场地现场调参。HSVfinding.py 的交互式调参就是为了解决这个问题。

---

第三周：装甲板检测 v1.0

核心议题： 如何从颜色区域中定位装甲板的灯条？

在确定颜色范围后，第三周的任务是将筛选出的颜色区域转化为装甲板灯条的几何定位——这是从"颜色检测"到"目标检测"的关键一步。

文件	功能
装甲板.py	图像级装甲板检测：HSV 筛选 → 轮廓提取 → 几何条件过滤 → 灯条匹配 → 绘制 bounding box
装甲板视频流.py	将图像检测流程扩展到视频流，逐帧检测
问题汇总	开发过程中遇到的问题与解决方案记录

v1.0 检测流程：

输入图像 → HSV 颜色筛选 → 二值 mask → 形态学开运算（去噪）
→ 轮廓检测 (cv2.findContours) → 几何条件过滤
→ 灯条两两配对 → 生成装甲板候选区域 → 绘制结果

v1.0 的局限性：

1. 光照鲁棒性差：单一 HSV 阈值无法适应光照剧烈变化的场景，会出现大量漏检或误检。
2. 灯条匹配规则简单：仅基于几何位置关系（左右、高度对齐）做匹配，未考虑灯条的角度倾斜。
3. 缺少时序信息：逐帧独立检测，相邻帧之间没有关联，目标不稳定时 bounding box 会剧烈跳动。

---

第四周：装甲板检测 v2.0 → v3.0

核心议题： 如何提高复杂光照下的检测鲁棒性？如何让灯条匹配更准确？

第四周对 v1.0 进行了两轮迭代改进，重点解决光照适应性和灯条匹配精度。

文件	迭代版本	主要改进
装甲板改良2.0.py	v2.0	引入 HSV 通道分离分析，对不同光照条件使用不同的筛选策略；增加轮廓面积、长宽比、倾斜角的过滤条件
装甲板改良3.0.py	v3.0	改进灯条配对逻辑：加入倾斜角度一致性判断（两条灯条倾角应接近）和高度比例匹配（排除尺寸差异过大的误匹配）
装甲板视频流改良1.0.py	视频流改良	在视频流中集成 v3.0 逻辑，增加帧间稳定性处理

v2.0 关键改进点：

• 将 HSV 三通道拆开分析，分别对 H（色调）、S（饱和度）、V（亮度）设置不同的筛选条件，而不是用一个固定的 3D 区间。
• 对 cv2.findContours() 提取的轮廓增加多层几何过滤：

过滤条件	作用
轮廓面积（cv2.contourArea）	过滤过小的噪点区域
最小外接矩形长宽比	灯条通常为细长矩形，过滤正方形或不规则区域
矩形倾斜角	灯条在图像中通常接近竖直方向

v3.0 关键改进点——灯条配对逻辑：

v3.0 的核心突破在于灯条配对不再仅靠"左右位置关系"，而是引入多维几何一致性：

1. 倾斜角一致性：两块灯条应在相近的方向上倾斜（倾角差异小于阈值），否则不配对。
2. 高度比例匹配：两块灯条的 bounding box 高度应接近（比例在 0.7~1.3 范围内），排除一大一小的误匹配。
3. 水平偏移限制：两块灯条的水平间距应在合理范围内（对应实际装甲板的物理尺寸比例）。

---

第五周：HSV + 二值化双通道融合

核心议题： 单一颜色筛选不够——融合多种特征通道能否大幅提高检测质量？

第五周是本仓库中装甲板检测的集大成之作，将前几周的技术积累汇聚到一个综合脚本中。文件 HSV加二值化装甲板识别.py 是整个仓库体量最大的脚本（约 7.6 KB）。

核心思路——双通道融合：

                   ┌─ 通道 1: HSV 颜色筛选 ─────────────┐
输入图像           │  • 提取指定颜色的灯条区域              │
  │                │  • 应对颜色鲜明的场景                   │
  │                │                                        │
  ├── 预处理 ──────┤                                        ├── mask 融合 ──→ 轮廓分析 ──→ 装甲板定位
  │                │                                        │
  │                └─ 通道 2: 二值化阈值 ─────────────────┘
                   │  • 全局/自适应阈值提取高亮区域
                   │  • 应对过曝或颜色衰减的场景

融合策略： 两个通道各自生成二值 mask，然后按位或（cv2.bitwise_or）合并——只要任一通道检测到灯条区域即被保留，大大降低了漏检率。

融合后的后处理链：

融合 mask → 形态学闭运算（连接近邻区域）→ 开运算（清除毛刺）
→ 轮廓检测 → 几何过滤（面积/长宽比/倾斜角/凸性）
→ 颜色判定（红色/蓝色装甲板区分）
→ 灯条配对 → bounding box + 标签绘制

为什么双通道融合比单通道好？

场景	HSV 通道	二值化通道	融合结果
光线良好、颜色鲜明	✅ 精准定位	✅ 辅助验证	✅ 双重确认
光线过暗、颜色衰退	❌ 检测不到	✅ 仍能捕获高亮灯条	✅ 单通道也可以
强光过曝	❌ 颜色冲淡	✅ 高亮区域突出	✅ 单通道也可以
背景杂色干扰	⚠️ 可能误检	❌ 背景高亮也误检	✅ 双通道取交集去噪

---

第十二周：卡尔曼滤波目标跟踪

核心议题： 检测不是终点——如何让装甲板在连续帧中的位置平滑稳定？

前几周的装甲板检测都是逐帧独立进行的，没有利用帧间的时序信息。第十二周引入卡尔曼滤波，实现了对装甲板位置的运动估计与预测。

什么是卡尔曼滤波？

卡尔曼滤波是一种递归的最优状态估计算法，能根据系统的运动模型预测下一时刻的状态，再结合实际测量值进行修正。在装甲板检测场景中：

• 状态向量（6 维）： [x, y, vx, vy, ax, ay] —— 位置、速度、加速度
• 测量向量（2 维）： [x, y] —— 由检测算法输出的装甲板中心坐标
• 预测阶段： 根据上一帧的 (x, y, vx, vy, ax, ay) 估计当前帧的位置
• 更新阶段： 用实际检测到的 (x, y) 修正预测值，得到最优估计

文件	功能
kalmanfilter.py	自定义 KalmanFilter 类：基于 OpenCV cv2.KalmanFilter 封装，6 状态 2 测量，包含 predict() 预测和 correct() 校正方法
box.py	边界框辅助类，用于存储和管理目标位置信息
mian.py	图像级目标跟踪：每帧先预测 → 检测 → 校正（Predict-Detect-Correct 循环）
mian_video.py	视频流级目标跟踪

卡尔曼滤波带来的改进：

1. 平滑跳动：当检测偶尔失败时，卡尔曼滤波用预测值维持跟踪，避免 bounding box 消失或跳跃。
2. 运动预测：可以提前估计下一帧的装甲板位置，为云台控制提供前馈信息（这对射击决策至关重要）。
3. 噪声抑制：检测结果中的随机噪声（如光照引起的轻微位置偏移）被滤波器平滑处理。

---

技术演进总览

下表总结了装甲板检测系统在 5 周内的技术演进轨迹：

周次	版本	核心技术	要解决的问题	遗留不足
第 2 周	—	HSV 色彩筛选基础	如何找到特定颜色的区域？	仅有颜色，无法定位灯条
第 3 周	v1.0	轮廓检测 + 几何过滤 + 灯条配对	如何从颜色区域中定位灯条和装甲板？	光照鲁棒性差，配对规则简单
第 4 周	v2.0	通道分离分析 + 多层几何过滤	如何适应不同光照条件？	单通道仍有漏检
第 4 周	v3.0	倾斜角一致性 + 高度比例匹配	如何提高灯条配对精度？	极端光照下仍然不足
第 5 周	v4.0	HSV + 二值化双通道融合	如何大幅降低漏检率？	实时性有优化空间
第 12 周	—	卡尔曼滤波跟踪	如何在连续帧中平滑位置并预测运动？	需配合稳定的检测模块

---

扩展学习

第十三周：从零实现神经网络

📦 数据集：data/mnist.npz（11.5 MB，MNIST 手写数字 60,000 训练 + 10,000 测试）

第十三周的内容独立于装甲板检测主线，是一个从零开始用 NumPy 手写神经网络的教学项目。不使用任何深度学习框架（TensorFlow/PyTorch），用纯 NumPy 实现前向传播与反向传播。

关键文件：

文件	功能
train.py	从数据加载到训练、测试的完整流程

网络结构：

输入层 (784) → 隐藏层 (20, Sigmoid) → 输出层 (10, Softmax)

实现细节：

1. 数据加载器： 从 data/mnist.npz 读取并归一化至 [0, 1] 区间。
2. 前向传播： 矩阵乘法 → Sigmoid / Softmax 激活。
3. 反向传播： 链式求导，手动计算交叉熵损失对每层参数的梯度。
4. 参数更新： 梯度下降法更新权重矩阵与偏置向量。
5. 测试评估： 在测试集上计算准确率。

学习价值： 这个项目展示了深度学习框架底层的工作原理——矩阵乘法、激活函数、梯度反向传播、参数更新——这些概念在 PyTorch/TensorFlow 中被封装在 API 背后，而这里把它们全部亲手实现了一遍。对于想理解"神经网络到底在做什么"的学习者来说，这是非常宝贵的参考资料。

---

建议学习路线

如果你是初学者，推荐按以下顺序逐步学习：

                        ┌──────────────────────────────┐
                        │       🟢 入门阶段              │
                        │                              │
          Lesson 1 ────→ Lesson 2 ────→ Lesson 3       │
          (图像 I/O)     (裁剪/缩放)    (色彩空间)       │
                        │                              │
                        └──────────────┬───────────────┘
                                       │
                        ┌──────────────▼───────────────┐
                        │       🟡 进阶阶段              │
                        │                              │
          Lesson 4 ────→ Lesson 5 ────→ Lesson 6       │
          (模糊/滤波)    (阈值处理)     (边缘/形态学)     │
                        │                              │
                        └──────────────┬───────────────┘
                                       │
                        ┌──────────────▼───────────────┐
                        │       🔵 综合应用              │
                        │                              │
          Lesson 7 ────→ 第二周 ────→ 第三周            │
          (绘图/文字)    (HSV检测)     (装甲板 v1)       │
                        │                              │
                        └──────────────┬───────────────┘
                                       │
                        ┌──────────────▼───────────────┐
                        │       🔴 深入优化              │
                        │                              │
          第四周 ────→ 第五周 ────→ 第十二周             │
          (v2/v3)      (双通道融合)   (卡尔曼滤波)        │
                        │                              │
                        └──────────────┬───────────────┘
                                       │
                        ┌──────────────▼───────────────┐
                        │       🟣 扩展探索              │
                        │                              │
                        第十三周（从零实现神经网络）       │
                        │                              │
                        └──────────────────────────────┘

1. 先做 Lesson 1-3，掌握图像读写、色彩空间转换、基本的 numpy 操作。
2. 再做 Lesson 4-6，理解滤波、阈值和边缘检测——这些都是装甲板检测的前置技能。
3. 然后看 Lesson 7，学会绘图和文字渲染，这对可视化调试至关重要。
4. 接着进入第二周，用 HSVfinding.py 交互式地探索不同颜色的 HSV 范围，这是整个装甲板检测的起点。
5. 按周序推进第三、四、五周，关注每个版本的改进动机和具体实现差异，尝试在本地运行这些脚本并用自己的视频测试效果。
6. 最后看第十二周，理解卡尔曼滤波的预测-校正循环如何让目标跟踪变得更平滑。
7. 有余力再探索第十三周，这是一个独立方向，适合对深度学习底层原理感兴趣的学习者。

💡 学习建议： 不要只看代码。每个脚本都可以独立运行——动手改参数、换自己的图片/视频、观察输出变化，才是真正掌握的关键。

---

参考资源

• OpenCV 官方文档
• OpenCV Python 教程
• RoboMaster 视觉组入门指南
• 卡尔曼滤波原理详解
• MNIST 手写数字数据集

---

联系方式

• GitHub： mc260
• 邮箱： 2637936786@qq.com

如有问题或建议，欢迎提 Issue 或 PR。

---

_{Made with ❤️ by mc260 | 2025 — 2026}