@t5mh

# find_line_segments()找到有限长度的线（但是很慢）。
# Use find_line_segments()找到非无限的线（而且速度很快）。

enable_lens_corr = False # turn on for straighter lines...

import sensor, image, time ,math

sensor.reset()
sensor.set_pixformat(sensor.RGB565) # grayscale is faster
sensor.set_framesize(sensor.QQVGA)
sensor.skip_frames(time = 2000)
clock = time.clock()

# 所有线段都有 `x1()`, `y1()`, `x2()`, and `y2()` 方法来获得他们的终点
# 一个 `line()` 方法来获得所有上述的四个元组值，可用于 `draw_line()`.

def getlinemax(ls = [])
    ml = ls[0]
    for l in ls
        if (ml[0] < l[0])
            ml = l
    return ml

def gettheta(p1,p2,p3)
    v1 = p1 - p2
    v2 = p3 - p2
    a = (v1[0]*v2[0],v1[1]*v2[1])
    b = sqrt(v1[0]*v1[0]+v1[1]*v1[1])*sqrt(v2[0]*v2[0]+v2[1]*v2[1])
    return acos(a/b)

while(True):
    clock.tick()
    img = sensor.snapshot()
    if enable_lens_corr: img.lens_corr(1.8) # for 2.8mm lens...


    # `merge_distance`控制附近行的合并。 在0（默认），没有合并。
    # 在1处，任何距离另一条线一个像素点的线都被合并...等等，
    # 因为你增加了这个值。 您可能希望合并线段，因为线段检测会产生大量
    # 的线段结果。

    # `max_theta_diff` 控制要合并的任何两线段之间的最大旋转差异量。
    # 默认设置允许15度。
        l1 = []
        l2 = []
        for l in img_find_segments(merge_distance = 5,max_theta_diff = 5):
            img.draw_line(l.line() ,color = (255,0,0)
            num = len(lines)
            if num == 3
                l1.append(line.length())
                l2.append(line.line())
        zipl = zip(l1,l2)    #将识别的线段长度和直线元组绑定
        lm = getlinemax(zipl)  #得到最长线段所对应的直线元组

        mlength = lm[0]
        mline = lm[1]
        if lm[1][0] - lm[1][2] > 0 && lm[1][1] - lm[1][3] > 0
            p1 = (lm[1][0],lm[1][2])
            p2 = (lm[1][1],lm[1][3])
            p3 = (lm[1][1]+lm[0],lm[1][3])
        a = gettheta(p1,p2,p3)
        if a > 90
            a = 180 - a





    print(a)
    print("FPS %f" % clock.fps())

线段检测例程

这个例子展示了如何在图像中查找线段。对于在图像中找到的每个线对象，

都会返回一个包含线条旋转的线对象。

find_line_segments()找到有限长度的线（但是很慢）。

Use find_line_segments()找到非无限的线（而且速度很快）。

enable_lens_corr = False # turn on for straighter lines...

import sensor, image, time ,math

sensor.reset()
sensor.set_pixformat(sensor.RGB565) # grayscale is faster
sensor.set_framesize(sensor.QQVGA)
sensor.skip_frames(time = 2000)
clock = time.clock()

所有线段都有 x1(), y1(), x2(), and y2() 方法来获得他们的终点

一个 line() 方法来获得所有上述的四个元组值，可用于 draw_line().

def getlinemax(ls = [])
ml = ls[0]
for l in ls
if (ml[0] < l[0])
ml = l
return ml

def gettheta(p1,p2,p3)
v1 = p1 - p2
v2 = p3 - p2
a = (v1[0]*v2[0],v1[1]*v2[1])
b = sqrt(v1[0]*v1[0]+v1[1]*v1[1])*sqrt(v2[0]*v2[0]+v2[1]*v2[1])
return acos(a/b)

while(True):
clock.tick()
img = sensor.snapshot()
if enable_lens_corr: img.lens_corr(1.8) # for 2.8mm lens...

# `merge_distance`控制附近行的合并。 在0（默认），没有合并。
# 在1处，任何距离另一条线一个像素点的线都被合并...等等，
# 因为你增加了这个值。 您可能希望合并线段，因为线段检测会产生大量
# 的线段结果。

# `max_theta_diff` 控制要合并的任何两线段之间的最大旋转差异量。
# 默认设置允许15度。
    l1 = []
    l2 = []
    for l in img_find_segments(merge_distance = 5,max_theta_diff = 5):
        img.draw_line(l.line() ,color = (255,0,0)
        num = len(lines)
        if num == 3
            l1.append(line.length())
            l2.append(line.line())
    zipl = zip(l1,l2)    #将识别的线段长度和直线元组绑定
    lm = getlinemax(zipl)  #得![0_1556011898117_QQ截图20190423173113.png](https://fcdn.singtown.com/50fd47b3-ebbc-458e-b741-38563dadce57.png) 

请在这里粘贴代码

# Template Matching Example - Normalized Cross Correlation (NCC)
#
# This example shows off how to use the NCC feature of your OpenMV Cam to match
# image patches to parts of an image... expect for extremely controlled enviorments
# NCC is not all to useful.
#
# WARNING: NCC supports needs to be reworked! As of right now this feature needs
# a lot of work to be made into somethin useful. This script will reamin to show
# that the functionality exists, but, in its current state is inadequate.

import time, sensor, image
from image import SEARCH_EX, SEARCH_DS
#从imgae模块引入SEARCH_EX和SEARCH_DS。使用from import仅仅引入SEARCH_EX, 
#SEARCH_DS两个需要的部分，而不把image模块全部引入。

# Reset sensor
sensor.reset()

# Set sensor settings
sensor.set_contrast(1)
sensor.set_gainceiling(16)
# Max resolution for template matching with SEARCH_EX is QQVGA
sensor.set_framesize(sensor.QQVGA)
# You can set windowing to reduce the search image.
#sensor.set_windowing(((640-80)//2, (480-60)//2, 80, 60))
sensor.set_pixformat(sensor.GRAYSCALE)

# Load template.
# Template should be a small (eg. 32x32 pixels) grayscale image.
template = image.Image("/template.pgm")
#加载模板图片

clock = time.clock()

# Run template matching
while (True):
    clock.tick()
    img = sensor.snapshot()

    # find_template(template, threshold, [roi, step, search])
    # ROI: The region of interest tuple (x, y, w, h).
    # Step: The loop step used (y+=step, x+=step) use a bigger step to make it faster.
    # Search is either image.SEARCH_EX for exhaustive search or image.SEARCH_DS for diamond search
    #
    # Note1: ROI has to be smaller than the image and bigger than the template.
    # Note2: In diamond search, step and ROI are both ignored.
    r = img.find_template(template, 0.70, step=4, search=SEARCH_EX) #, roi=(10, 0, 60, 60))
    #find_template(template, threshold, [roi, step, search]),threshold中
    #的0.7是相似度阈值,roi是进行匹配的区域（左上顶点为（10，0），长80宽60的矩形），
    #注意roi的大小要比模板图片大，比frambuffer小。
    #把匹配到的图像标记出来
    if r:
        img.draw_rectangle(r)

    print(clock.fps())

求大佬解惑，视频教程（人脸识别）中说，第一次循环是s=1,i=2,会是s1文件夹中的第一张图片？为什么呢？下面的文件地址不应该是第二张图片，2.pgm吗