1. 画图函数速览为什么OpenCV内置的画图能力这么重要很多人一听到OpenCV第一反应就是图像处理、人脸识别、目标检测这些“高大上”的功能反而把最基础、最常用的画图函数给忽略了。实际上line、circle、rectangle这些函数几乎是每个OpenCV项目都跑不掉的——你在调试目标检测算法时需要在图上画出检测框看看效果你做图像标注工具时需要手动框选区域你做摄像头实时预览时需要绘制FPS、提示文字甚至你做轮廓分析时要用polylines把结果可视化出来。可以说画图函数是贯穿整个图像处理流程的基础工具也是最能直观反馈算法效果的核心手段。这篇文章就把OpenCV里几个最常用的画图函数一次性讲透——line、circle、rectangle、ellipse、polylines、putText以及它们背后的Rect类。我会结合自己实际写代码时踩过的坑和总结的经验把每个函数的参数含义、使用逻辑、常见问题都拆开来讲配合可直接复现的代码示例保证你看完就能直接在项目里用起来。这篇文章的内容适合这些读者刚入手OpenCV、被官方文档里一堆参数搞得头大的新手写了好一阵子代码但总在画图细节上报错的中级开发者还有需要做图像标注、算法可视化的工程实践者。内容从最基础的概念讲起但也会涉及一些进阶用法和避坑经验就算你已经用过这些函数大概率也能找到一两条值得收藏的技巧。开讲之前先给个目录方便你按需跳读画图前的预备知识图像坐标系、颜色格式这些容易搞错的基础概念逐个函数深度拆解line、circle、rectangle、ellipse、polylines、putTextRect类的使用技巧它和rectangle函数到底是什么关系综合实战一个完整的图像标注Demo把函数串起来用典型问题排查我遇到过的报错和解决方案整理成速查表2. 画图前的三个基础概念坐标系、颜色格式、画布类型2.1 图像坐标系原点在左上角x向右y向下这个点看起来太简单了但真有人在这里栽跟头。OpenCV里图像坐标系的定义是原点在图像左上角x轴水平向右y轴垂直向下。也就是说像素坐标(x, y)的x对应列width方向y对应行height方向。这和数学里的坐标系不一样数学通常y轴向上所以画一条从(0,0)到(100,100)的直线时它是一条从左上角向右下角的斜线而不是你直觉中的“从左下到右上”。我在用OpenCV做定位项目时一开始也经常把坐标写反——想画一个左上角的矩形结果画到了左下角。后来养成了一个习惯拿到一张图的尺寸后先看一眼shape再动手确认一下height在前还是width在前。如果你用numpy直接创建一个画布shape的格式是(height, width, channels)而画图函数里的坐标全是(x, y)也就是(width, height)这是一个非常容易混淆的点务必牢记。2.2 颜色三通道OpenCV用的是BGR不是RGB第二个基础坑就是颜色通道顺序。OpenCV读入图片时默认颜色空间是BGR——蓝色、绿色、红色和我们通常说的RGB完全相反。如果你直接创建一个颜色元组然后赋值给画图函数一不留神就会“互换”红蓝通道。我举个例子你想画一个红色的圆直觉上会写(255, 0, 0)但在OpenCV里这是纯蓝色。正确写法应该是(0, 0, 255)。这个细节如果只是画图可能影响不大但你在做图像标注、可视化目标框时颜色搞错会直接影响你判断结果。而且当你从某个网页教程里复制代码时很多网页贴的代码本身颜色就是错的运行出来跟想象完全不一样问题还不容易排查。我不止一次在工程项目中看到这样的问题。有次做一个缺陷检测的项目同事用OpenCV标出来的“红色”缺陷区域实际上是蓝色的供应商看了界面后一直问为什么缺陷区域用蓝色标记。原因就是这么一条通道顺序。所以这里有个小建议如果你拿到一只BGR像素想正确显示到屏幕上要么用cv2.cvtColor转成RGB要么在传参时手动调换通道顺序。Windows上如果用OpenCV自带窗口显示BGR和RGB的差异会自动转换但在网页输出或保存文件时就会暴露。2.3 画布类型单通道、三通道、八位无符号整型OpenCV的画图函数兼容多种Mat类型但绝大多数情况我们用三通道彩色图或者单通道灰度图。画图结果看得清楚的前提是图像数据必须是8位无符号整型uint8这个类型每个通道的取值范围是0到255。如果你用浮点型的图直接去画往往只会得到一团灰或一团黑。更稳妥的做法是先用numpy创建一张纯色背景画布用0填充就是全黑用255填充就是全白。颜色、线宽、坐标这几个参数其实还有一个隐藏的类型要求。OpenCV在C里区分了多种数值类型但在Python封装里它已经帮你做了类型推断。唯一需要注意的是坐标必须是整数或者能通过int()安全转换的数值你不能直接传一个浮点坐标进去。比如line一个从(10.5, 20)到(30,40)的直线在Python版OpenCV里大概率会报错或者忽略小数部分所以我通常在画图前会对坐标做一次int()转换。我自己最常用的创建画布方式是这样的import cv2 import numpy as np # 创建一个全黑的三通道画布高度480宽度640 canvas np.zeros((480, 640, 3), dtypenp.uint8) # 创建一个全白的画布 canvas_white np.ones((480, 640, 3), dtypenp.uint8) * 255用numpy创建的好处是灵活而且后续做图像叠加、掩模操作也都顺手。如果你只是单纯想在原图或读取的图片上画图那直接用imread回来的Mat即可。3. line函数深度拆解参数细节与三类场景3.1 参数逐项解读cv2.line的画法其实很简单官方签名长这样cv2.line(img, pt1, pt2, color, thickness1, lineTypecv2.LINE_8, shift0)img要画线的图像对象直接原地修改不需要接收返回值pt1、pt2线段的起点和终点坐标color颜色元组(B, G, R)thickness线宽单位是像素如果传-1就是填充整个形状后面会提到lineType线的类型常见LINE_4、LINE_8、LINE_AA分别代表4邻接、8邻接、抗锯齿shift坐标点的小数点位数绝大多数场景我们用不到默认0就行这里有个关键理解cv2.line画的是线段不是无限延伸的直线。如果起点和终点是同一个点它不会画出任何东西。很多刚上手的朋友以为line能画向量直线结果画了半天发现是一条短促的线段误以为代码有问题其实是对函数行为预期有偏差。3.2 画箭头和网格line的辅助技巧line函数本身只画线段但你可以通过一点数学变换快速画出箭头、网格、十字线这些常用图形。十字线是很多图像预览界面里的标配画法就是横竖各一条线竖直方向从图像中线画到两端水平方向同理。箭头则需要你在线段终点处根据方向角再加两条小斜线。如果你需要频繁画箭头可以直接用OpenCV自带的cv2.arrowedLine函数但了解line的原理有助于自己控制箭头样式。网格在图像标注、棋盘格标定中经常需要。实现思路就是循环遍历每条线的起点和终点线的间距控制好就行。我实际写代码时会先把画布宽高取出来再用for循环画出等间距交叉的横竖线效果干净利落比手动一个个画要稳得多。3.3 注意事项line函数原地修改图像所以如果你需要保留原图副本记得先深拷贝img.copy()否则画完图原图也被污染了坐标越界不会报错OpenCV会自动裁剪到画布范围内但这个“越界不报错”的特性也可能掩盖你逻辑上的坐标错误调试时最好自己加断言thickness0不会画线这个值不会被视为“最细线”最细的线是thickness1如果你画了很多条线之后发现线条比较模糊检查一下是不是用了LINE_AA抗锯齿后的视觉效果差异普通显示场景LINE_8就够了只有在需要精确像素粒度时才适合用LINE_AA4. circle、rectangle、ellipse常见的几何图形怎么画才不踩坑4.1 circle函数从画圆到实心圆circle的参数比line稍多一点cv2.circle(img, center, radius, color, thickness1, lineTypecv2.LINE_8, shift0)center圆心坐标(x, y)radius半径整数thickness线宽关键点是传-1时画实心圆很多看过官方文档的人都会有疑问thickness-1为什么是实心而不是报错这是OpenCV里的统一约定线宽设为-1代表用当前颜色填充该形状。line、circle、rectangle、ellipse、polylines这几个函数都有这个约定。我经常用这个特性来画实心圆作为标记点比如在目标检测或关键点检测结果可视化时用一个小实心圆标出关键点位置比空心圆更醒目。另外提一句radius如果给的太大导致圆超出图像边界OpenCV会做裁剪不报错。但如果radius给的是负数同样不报错但什么都不画这个状态容易让人莫名其妙如果画出来的图像里没有圆可以先查一下半径值是不是被算成了负数。4.2 rectangle函数用“左上角右下角”定义一个框rectangle的常用签名有两种写法# 写法一直接给两个对角顶点 cv2.rectangle(img, pt1, pt2, color, thickness2) # 写法二传一个Rect对象 cv2.rectangle(img, rect, color, thickness2)第一种写法里pt1和pt2是矩形任意两个对角顶点比如左上角(10, 10)和右下角(100, 100)画出来的是一个正常的矩形框。如果你把pt1和pt2传成同一行或同一列的两个点画出来的矩形宽度或高度就是0视觉上是条线不报错。这个细节在做边界条件计算时非常容易踩雷——检测框坐标裁剪后可能出现某个维度为0的情况。用rectangle函数画框是目标检测中最常见的可视化操作。实际项目里你从深度学习模型拿到的一般是归一化的框坐标比如center_x, center_y, width, height需要先换算成左上角、右下角的像素坐标再调用rectangle画图。我有一次就是忘了坐标转换直接把归一化数值当成像素坐标传进去结果画出来的检测框全部堆在图像左上角一片小区域里排查了半天才定位到问题。4.3 ellipse函数角度、中心和长轴短轴的配合ellipse的签名比较长cv2.ellipse(img, center, axes, angle, startAngle, endAngle, color, thickness1, lineTypecv2.LINE_8, shift0)center椭圆中心axes长短轴半径(a, b)注意顺序是(长轴半径, 短轴半径)不是长短不要紧而是顺序别搞错angle整个椭圆绕中心的旋转角度逆时针为正单位是角度制不是弧度startAngle和endAngle绘制弧的起始角度和终止角度0表示从右侧水平方向开始逆时针扫过thickness为-1时实心填充ellipse最有意思的是这个startAngle和endAngle它让ellipse能画完整的椭圆、椭圆弧甚至扇形。完全椭圆的条件就是startAngle0、endAngle360或者startAngle某个值、endAngle这个值360。如果你想要一个半圆弧就填startAngle0、endAngle180图形会从右侧的0度位置开始逆时针扫过上半部分。我在项目里用ellipse画过圆形的仪表盘刻度也在医疗图像处理Demo里用它把检测到的细胞核拟合成椭圆并画出来。在实际可视化中如果你需要把目标区域用椭圆表示可以先用cv2.fitEllipse函数求出一个旋转矩形包围盒再把它画出来fitEllipse返回的RotatedRect数据可以直接用ellipse函数可视化这一点非常方便。5. Rect类理解它和rectangle函数的配合方式5.1 Rect是数据封装rectangle是画图操作很多从Python入门OpenCV的朋友看到“Rect”会一头雾水这到底是一个函数还是一个类答案是在C里它是一个模板类——数据结构用来表示一个矩形的几何信息在Python接口里OpenCV并没有单独暴露一个构造Rect的常用Python类但我们在很多代码里会区分配置矩形的数据结构比如(x, y, width, height)四元组这实际上就是Rect类对应的数据语义。理解Rect的关键在于它是“矩形区域”这个概念而不是“画矩形”的操作。rectangle函数负责把矩形画出来Rect这种数据结构则负责承载矩形的位置和尺寸信息。在目标检测、图像裁剪、ROI提取这些任务中你随时都需要描述“一块矩形区域”这时候用(x, y, w, h)四元组来表达非常自然。比如要裁剪图像中间一块区域你会写img[y:yh, x:xw]这里x、y、w、h就是Rect的含义。5.2 Python中模拟Rect的常用操作在Python里我习惯用numpy或者简单的元组来表示Rect。OpenCV里有些函数会返回类似Rect结构的数据比如boundingRect、selectROI等返回值都是一个四元组。拿boundingRect举例import cv2 import numpy as np # 模拟一堆白色前景点的坐标 points np.array([[10, 10], [50, 20], [30, 60], [40, 40]]) x, y, w, h cv2.boundingRect(points) print(x, y, w, h) # 输出外接矩形的左上角坐标和宽高 # 通过这个外接矩形在原图上画出来 img np.zeros((100, 100, 3), dtypenp.uint8) cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2)这里bindRect返回的就是一个Rect语义的数据结构拿到之后你还需要手动转换成两个对角顶点才能给rectangle函数用。很多刚接触的人会疑惑rectangle能不能直接接收(x, y, w, h)这种格式答案是不能它要的是两个顶点坐标所以必须自己做一次换算。这个转换也是一种经验的体现——我在写辅助工具时通常封装一个小函数rect2points(rect)输入四元组输出两个对顶点这样代码里就清爽多了。6. polylines画多边形一个常常令人困惑的“点集类型”问题6.1 参数格式与本质polylines是画多边形和连续折线的函数它和line、rectangle不一样的地方在于输入不再是两个点而是一组点。常用签名cv2.polylines(img, pts, isClosed, color, thickness1, lineTypecv2.LINE_8, shift0)pts点集的列表注意这里通常是list of arrays数组维度有讲究isClosed布尔值True表示画封闭多边形首尾相连False则画一条折线color、thickness、lineType和前面一样flatten这一层最容易出错的点集格式在Python里最坑pts必须是N×1×2的numpy数组或者列表外再套一层列表。很多新手直接传一个(N,2)的形状进去结果报错OpenCV Error: Assertion failed (npoints 0 depth CV_32S || depth CV_32F) 。这个报错信息字面意思是“点数量非负且数据类型必须是32位整数或浮点”但实际上更多时候是pts的维度层级不对。另一个非常典型的坑是数据类型。OpenCV要求polylines的点集必须是int32或float32类型。如果你用一个默认的int64 numpy数组传进去也会报类型错误。解决方法是显式转换pts np.array([[10, 10], [100, 30], [80, 90]], dtypenp.int32) pts pts.reshape((-1, 1, 2)) # 调整为N×1×2的形状6.2 完整的多边形绘制示例import cv2 import numpy as np img np.zeros((300, 300, 3), dtypenp.uint8) # 定义一个三角形的三个顶点注意数据类型和维度 pts np.array([[50, 50], [200, 50], [120, 200]], dtypenp.int32) pts pts.reshape((-1, 1, 2)) # 画封闭三角形线宽2 cv2.polylines(img, [pts], True, (0, 255, 255), 2) # 画一个不封闭的折线 pts2 np.array([[30, 30], [100, 90], [150, 40], [260, 120]], dtypenp.int32) pts2 pts2.reshape((-1, 1, 2)) cv2.polylines(img, [pts2], False, (255, 0, 0), 2)我想特别强调一下为什么polylines要接受这种“列表套数组”的结构因为pts是支持同时传入多个多边形/折线的每个数组就是一条独立曲线所以外层列表用来容纳多条曲线。如果你只画一条也要按示例这样保持层级。如果你只是想画个多边形并填充polylines配合thickness-1其实做不到它的thickness传-1时行为与line一致——只填充线段本身不是填充封闭区域。填充封闭多边形要改用cv2.fillPoly函数。很多初学者会混淆这两个函数画出来发现中间是空的以为是polylines的问题其实换个函数就好了。7. putText函数图像上写字比你想象中多一点门道7.1 参数与中文字体问题putText的作用是在图像上绘制文字。它的签名cv2.putText(img, text, org, fontFace, fontScale, color, thickness1, lineTypecv2.LINE_8, bottomLeftOriginFalse)text要绘制的字符串org文本左下角坐标默认注意是左下角不是左上角这是文字排版里的baseline概念fontFace字体类型OpenCV内置了几种如cv2.FONT_HERSHEY_SIMPLEX、cv2.FONT_HERSHEY_DUPLEX、cv2.FONT_HERSHEY_COMPLEXfontScale字体缩放比例bottomLeftOrigin默认False表示图像坐标原点在左上角文本从左上基准排版如果设为True则文字底部坐标系统反转putText最大的限制是OpenCV自带的字体都不支持中文。你用putText直接写一个“你好”画出来的大概率是一串问号。这在实际项目中很麻烦比如做中文标注、界面提示、水印都会遇到这个问题。解决中文的办法之一是使用第三方库PILPillow来绘制中文然后再转换回OpenCV的BGR格式。这个思路核心就是“绕道”先用PIL把文字渲染到透明图层上然后将图层转成OpenCV图像最后做图像叠加。很多开源项目都这么干。PIL绘制中文的典型流程用ImageFont.truetype加载一个中文字体文件比如系统中的微软雅黑或思源黑体创建一个透明或全黑的底图用ImageDraw.Draw的text方法书写中文转成numpy数组把RGB转成BGR和原图做加权叠加或者按掩模粘贴完成中文标注7.2 获取文字尺寸getTextSize的用途在实际标注中我们经常需要把文字放在矩形框内或者给文字画一个背景色块增强可读性。这时候需要先知道文字占用多大区域——getTextSize就是干这个的。(text_width, text_height), baseline cv2.getTextSize( Hello, cv2.FONT_HERSHEY_SIMPLEX, 1.0, 2 )这个方法返回文字宽度、文字高度和基线偏移量。拿到尺寸后就可以在文字左下角位置的上方画一个色块再把文字叠上去视觉上就像一个带背景的标签了。目标检测可视化时我经常在检测框顶部画一个半透明的黑底上面写类别和置信度就是先getTextSize再填背景矩形最后putText。一个常用的封装长这样def draw_label(img, text, org, font_scale1.0, thickness2, bg_color(0,0,0), text_color(255,255,255)): # 获取文字尺寸 (w, h), baseline cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, font_scale, thickness) x, y org # 绘制背景矩形给一点 padding cv2.rectangle(img, (x, y - h - baseline - 5), (x w 10, y baseline 5), bg_color, -1) cv2.putText(img, text, (x 5, y), cv2.FONT_HERSHEY_SIMPLEX, font_scale, text_color, thickness) return img注意putText的org是文字左下角的基线位置所以在背景矩形里我用了(y - h - baseline)作为顶部边界这样才能包住完整字符区域。这个细节不做一次实际标注很难注意到。8. 综合实战一个可运行的图像标注Demo前面把每个函数拆开讲了这一节我做一个综合示例把所有函数串起来模拟一个目标检测结果的标注场景。你运行这段代码会得到一张包含矩形框、实心圆、椭圆、文字标签、多边形区域的图像。import cv2 import numpy as np def draw_detection_result(): # 模拟一张640x480的输入图像这里用随机噪声代替真实画面 img np.random.randint(0, 255, (480, 640, 3), dtypenp.uint8) # 在图像中央画一个矩形检测框 box_x, box_y, box_w, box_h 150, 120, 320, 220 cv2.rectangle(img, (box_x, box_y), (box_x box_w, box_y box_h), (0, 255, 0), 3) # 在检测框中心画一个实心圆模拟关键点 center_x box_x box_w // 2 center_y box_y box_h // 2 cv2.circle(img, (center_x, center_y), 8, (0, 0, 255), -1) # 在检测框左上角画一个标签背景 文字 label_text object: 0.87 (tw, th), baseline cv2.getTextSize(label_text, cv2.FONT_HERSHEY_SIMPLEX, 0.7, 2) label_x, label_y box_x, box_y - 5 cv2.rectangle(img, (label_x, label_y - th - baseline - 5), (label_x tw 10, label_y baseline 5), (0, 255, 0), -1) cv2.putText(img, label_text, (label_x 5, label_y), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 0), 2) # 用椭圆圈出感兴趣区域 cv2.ellipse(img, (320, 240), (150, 80), 0, 0, 360, (255, 0, 0), 2) # 用多边形画一个感兴趣区域(不规则ROI) roi_pts np.array([[90, 360], [210, 390], [350, 360], [420, 420], [200, 440]], dtypenp.int32) roi_pts roi_pts.reshape((-1, 1, 2)) cv2.polylines(img, [roi_pts], True, (0, 165, 255), 2) # 用一条线段连接关键点和ROI中心模拟路径 cv2.line(img, (center_x, center_y), (320, 240), (255, 255, 255), 2) # 在图像左上角实时显示FPS cv2.putText(img, FPS: 30, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 2) return img if __name__ __main__: result draw_detection_result() cv2.imshow(Detection Visualization, result) cv2.waitKey(0) cv2.destroyAllWindows()这段代码基本上把本文所有函数都用上了。你可以试着调换参数比如把ellipse的angle改成45度、startAngle改成0、endAngle改成180效果完全不同。这种动手改参数的方式比看十遍文档都记得牢。综合实践的思路也同样可以迁移到别的领域骨架关键点可视化、答题卡识别时的选项框标注、车牌字符区域框选等核心都是“先计算坐标再调用对应的画图函数”。9. 典型问题排查画图相关报错和效果异常处理速查表我在做项目时积累了一些画图相关的报错和效果异常问题整理成速查表你可以直接当参考。现象大概率原因解决方案运行后图像没有任何图形color被写成(0,0,0)黑色或thickness0检查颜色值、thickness≥1图形“消失”但程序正常运行坐标严重越界被裁剪在画图前打印坐标核对图像宽高color写(255,0,0)但画出来是蓝色误用了RGB顺序改用(0,0,255)表示红色polylines报错depth CV_32S点集dtype不是int32显式np.int32转换polylines仍报维度错误pts维度不对reshape(-1,1,2)putText写中文出现问号OpenCV原生字体库无中文用PIL绘制中文再转BGR在视频流里画图很卡每帧都新建画布或频繁分配大数组复用画布只在需要时更新ROIrectangle画出来是线条而非矩形pt1和pt2在同一水平线或垂直线上检查坐标运算打印调试实心圆没被填充thickness忘记传-1使用thickness-1椭圆画出来旋转角度不对角度传成弧度确认是角度制必要时用math.degrees转换画出的图像颜色整体发灰uint8浮点类型错误或画布类型不对确保numpy数组dtype为uint8运行后出现“Assertion failed”某个参数类型不符合C底层断言查看报错行号对应参数逐一核对这里面有几个是我反复踩过的坑。比如polylines的dtype问题我一开始总是不理解为什么OpenCV的Python接口这么“事儿多”非要用int32后来想明白了因为底层C实现里它要求32位有符号整型的点坐标传int64给绑定层时无法自动降级所以只能自己转换。这类问题如果不知道背后原理光看报错信息真的很难定位。再比如putText的中文问题。我在某图像检测项目中做全中文的界面临时调试输出以为直接用putText就能搞定结果在画面上看到一串“???”排查了很久才发现不是代码逻辑错了而是OpenCV原生字体根本不支持中文。后来用PIL方案解决了但每次写中文标注都要多走一步图像转换的流程这也算是一个不大不小的坑。10. 我的个人经验与扩展建议画图函数看着简单实际用起来门道不少。这里我说几个自己写代码时候总结的习惯希望能给你一些参考。第一尽量把画图操作封装成独立函数。不要在主逻辑里到处撒cv2.rectangle、cv2.putText而是封装成类似draw_bbox、draw_label、draw_point这样的工具函数。这样代码清晰调试方便画图风格也统一。我在标注工具、检测可视化脚本里都是这么做的后期维护起来轻松太多。第二在多线程或实时视频处理场景里使用画图函数时记得注意画布共享的问题。OpenCV的绘图函数是原地修改图像的如果多个线程同时往同一张图上画可能出现意料之外的覆盖。我的习惯是做好图像拷贝或者用锁保护关键绘图逻辑。第三做界面展示时颜色方案最好提前定义成常量。比如定义GREEN(0,255,0)、RED(0,0,255)、BLUE(255,0,0)这样代码里到处都是魔法数字的情况会减少很多也方便以后统一换主题色。如果你对OpenCV画图这块还想继续深挖我建议往这几个方向拓展fillPoly和fillConvexPoly的填充逻辑、drawContours在轮廓可视化中的用法、arrowedLine做方向标注、putText的PIL中文方案细节。这几个方向在实际项目和比赛中都经常用到而且和本文的函数几乎可以无缝衔接。最后再分享一个小技巧如果你在调试时嫌opencv的imshow窗口太小可以用命名窗口的WINDOW_NORMAL属性自由缩放窗口大小。配合画图函数做可视化时这个设置非常实用。cv2.namedWindow(img, cv2.WINDOW_NORMAL) cv2.resizeWindow(img, 960, 720) cv2.imshow(img, result)从这个角度来说画图函数也许不“高大上”但它是整个OpenCV使用频率最高、确认感最强的基础能力。只要你把这些函数的底层逻辑和细节摸透了后面做任何视觉任务的可视化都会顺手很多。