1. OpenCV 初識與安裝

本部分要了解 OpenCV （Open Source Computer Vision Library）的相關簡介，OpenCv 可以運行在多平臺之上，輕量級而且高效，由一系列 C 函數和少量 C++類構成，提供了 Python、Ruby、MATLAB 等語言的接口，所以在學習的時候，要注意查閱資料的語言實現相關問題。

這個階段除了安裝 OpenCV 相關庫以外，建議收藏官方網址，官方手冊，官方入門教程，這些都是最佳的學習資料。

模塊安裝完畢，需要重點測試 OpenCV 是否安裝成功，可通過 Python 查詢安裝版本。

2. OpenCV 模塊簡介

先從全局上掌握 OpenCV 都由哪些模塊組成。例如下面這些模塊，你需要找到下述模塊的應用場景與簡介。

core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching。

整理每個模塊的核心功能，并完成第一個 OpenCV 案例，讀取顯示圖片。

3. OpenCV 圖像讀取，顯示，保存

安裝 OpenCV 之后，從圖像獲取開始進行學習，包含本地加載圖片，相機獲取圖片，視頻獲取，創建圖像等內容。

只有先獲取圖像之后，才能對圖像進行操作處理，信息提取，結果輸出，圖像顯示，圖像保存。

對于一個圖像而言，在 OpenCV 中進行讀取展示的步驟如下，你可以將其代碼進行對應。

1.圖像讀取；

2.窗口創建；

3.圖像顯示；

4.圖像保存；

5.資源釋放。

涉及需要學習的函數有 cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、 cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。

4. 攝像頭和視頻讀取，保存

第一個要重點學習 VideoCapture 類，該類常用的方法有：

• open() 函數；
• isOpened() 函數；
• release() 函數；
• grab() 函數；
• retrieve() 函數；
• get() 函數；
• set() 函數；

除了讀取視頻外，還需要掌握 Opencv 提供的 VideoWriter 類，用于保存視頻文件。

學習完相關知識之后，可以進行這樣一個實驗，將一個視頻逐幀保存為圖片。

5. OpenCV 常用數據結構和顏色空間

這部分要掌握的類有 Point 類、Rect 類、Size 類、Scalar 類，除此之外，在 Python 中用 numpy 對圖像進行操作，所以 numpy 相關的知識點，建議提前學習，效果更佳。

OpenCV 中常用的顏色空間有 BGR 顏色空間、HSV/HLS 顏色空間、Lab 顏色空間，這些都需要了解，優先掌握 BGR 顏色空間。

6. OpenCV 常用繪圖函數

掌握如下函數的用法，即可熟練的在 Opencv 中繪制圖形。

• cv2.line()；
• cv2.circle()；
• cv2.rectangle()；
• cv2.ellipse()；
• cv2.fillPoly()；
• cv2.polylines()；
• cv2.putText()。

7. OpenCV 界面事件操作之鼠標與滑動條

第一個要掌握的函數是鼠標操作消息回調函數，cv2.setMouseCallback() ，滑動條涉及兩個函數，分別是：cv2.createTrackbar() 和 cv2.getTrackbarPos()。

掌握上述內容之后，可以實現兩個案例，其一為鼠標在一張圖片上拖動框選區域進行截圖，其二是通過滑動條讓視頻倍速播放。

8. 圖像像素、通道分離與合并

了解圖像像素矩陣，熟悉圖片的像素構成，可以訪問指定像素的像素值，并對其進行修改。

通道分離函數 cv2.split()，通道合并函數 cv2.merge()。

9. 圖像邏輯運算

掌握圖像之間的計算，涉及函數如下：

cv2.add()；cv2.addWeighted()；cv2.subtract()；cv2.absdiff()；cv2.bitwise_and()；cv2.bitwise_not()；cv2.bitwise_xor()。

還可以研究圖像乘除法。

10. 圖像 ROI 與 mask 掩膜

本部分屬于 OpenCV 中的重點知識，第一個為感興趣區域 ROI，第二個是 mask 掩膜（掩碼）操作 。

學習 ROI 部分時，還可以學習一下圖像的深淺拷貝。

11. 圖像幾何變換

圖像幾何變換依舊是對基礎函數的學習與理解，涉及內容如下：

• 圖像縮放 cv2.resize()；
• 圖像平移 cv2.warpAffine()；
• 圖像旋轉 cv2.getRotationMatrix2D()；
• 圖像轉置 cv2.transpose()；
• 圖像鏡像 cv2.flip()；
• 圖像重映射 cv2.remap()。

12. 圖像濾波

理解什么是濾波，高頻與低頻濾波，圖像濾波函數。

線性濾波：方框濾波、均值濾波、高斯濾波，
非線性濾波：中值濾波、雙邊濾波，

• 方框濾波 cv2.boxFilter()；
• 均值濾波 cv2.blur()；
• 高斯濾波 cv2.GaussianBlur()；
• 中值濾波 cv2.medianBlur()；
• 雙邊濾波 cv2.bilateralFilter()。

13. 圖像固定閾值與自適應閾值

圖像閾值化是圖像處理的重要基礎部分，應用很廣泛，可以根據灰度差異來分割圖像不同部分，閾值化處理的圖像一般為單通道圖像(灰度圖)，核心要掌握的兩個函數：

• 固定閾值：cv2.threshold()；
• 自適應閾值：cv2.adaptiveThreshold()。

14. 圖像膨脹腐蝕

膨脹、腐蝕屬于形態學的操作，是圖像基于形狀的一系列圖像處理操作。
膨脹腐蝕是基于高亮部分（白色）操作的，膨脹是対高亮部分進行膨脹，類似“領域擴張”， 腐蝕是高亮部分被腐蝕，類似“領域被蠶食”。

膨脹腐蝕的應用和功能：

• 消除噪聲；
• 分割獨立元素或連接相鄰元素；
• 尋找圖像中的明顯極大值、極小值區域；
• 求圖像的梯度；

核心需要掌握的函數如下：

• 膨脹 cv2.dilate()；
• 腐蝕 cv2.erode()。

形態學其他操作，開運算、閉運算、頂帽、黑帽、形態學梯度 這些都是基于膨脹腐蝕基礎之上，利用 cv2.morphologyEx() 函數進行操作。

15. 邊緣檢測

邊緣檢測可以提取圖像重要輪廓信息，減少圖像內容，可用于分割圖像、特征提取等操作。

邊緣檢測的一般步驟：

• 濾波： 濾出噪聲対檢測邊緣的影響 ；
• 增強： 可以將像素鄰域強度變化凸顯出來—梯度算子 ；
• 檢測： 閾值方法確定邊緣 ；

常用邊緣檢測算子：

• Canny 算子，Canny 邊緣檢測函數 cv2.Canny()；
• Sobel 算子，Sobel 邊緣檢測函數 cv2.Sobel()；
• Scharr 算子，Scharr 邊緣檢測函數 cv2.Scahrr() ；
• Laplacian 算子，Laplacian 邊緣檢測函數 cv2.Laplacian()。

16. 霍夫變換

霍夫變換（Hough Transform）是圖像處理中的一種特征提取技術，該過程在一個參數空間中，通過計算累計結果的局部最大值，得到一個符合該特定形狀的集合，作為霍夫變換的結果。

本部分要學習的函數：

• 標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
• 累計概率霍夫變換 cv2.HoughLinesP() ；
• 霍夫圓變換 cv2.HoughCricles() 。

17. 圖像直方圖計算及繪制

先掌握直方圖相關概念，在掌握核心函數，最后通過 matplotlib 模塊對直方圖進行繪制。計算直方圖用到的函數是 cv2.calcHist()。

直方圖相關應用：

• 直方圖均衡化 cv2.equalizeHist()；
• 直方圖對比 cv2.compareHist()；
• 反向投影 cv2.calcBackProject()。

18. 模板匹配

模板匹配是在一幅圖像中尋找與另一幅模板圖像最匹配（相似）部分的技術。

核心用到的函數如下：

• 模板匹配 cv2.matchTemplate()；
• 矩陣歸一化 cv2.normalize()；
• 尋找最值 cv2.minMaxLoc()。

19. 輪廓查找與繪制

核心要理解到在 OpenCV 中，查找輪廓就像在黑色背景中找白色物體。

常用函數：

• 查找輪廓 cv2.findContours()；
• 繪制輪廓 cv2.drawContours() 。

最后應該掌握針對每個輪廓進行操作。

20. 輪廓特征屬性及應用

這部分內容比較重要，并且知識點比較多，核心內容與函數分別如下：

• 尋找凸包 cv2.convexHull() 與 凸性檢測 cv2.isContourConvex()；
• 輪廓外接矩形 cv2.boundingRect()；
• 輪廓最小外接矩形 cv2.minAreaRect()；
• 輪廓最小外接圓 cv2.minEnclosingCircle()；
• 輪廓橢圓擬合 cv2.fitEllipse()；
• 逼近多邊形曲線 cv2.approxPolyDP()；
• 計算輪廓面積 cv2.contourArea()；
• 計算輪廓長度 cv2.arcLength()；
• 計算點與輪廓的距離及位置關系 cv2.pointPolygonTest()；
• 形狀匹配 cv2.matchShapes()。

21. 高級部分-分水嶺算法及圖像修補

掌握分水嶺算法的原理，掌握核心函數 cv2.watershed() 。

可以擴展補充圖像修補技術及相關函數 cv2.inpaint()，學習完畢可以嘗試人像祛斑應用。

22. GrabCut FloodFill 圖像分割、角點檢測

這部分內容都需要一些圖像專業背景知識，先掌握相關概念知識，在重點學習相關函數。

• GrabCut 算法 cv2.grabCut()；
• 漫水填充算法 cv2.floodFill()；
• Harris 角點檢測 cv2.cornerHarris()；
• Shi-Tomasi 角點檢測 cv2.goodFeaturesToTrack()；
• 亞像素角點檢測 cv2.cornerSubPix()。

23. 特征檢測與匹配

特征點的檢測和匹配是計算機視覺中非常重要的技術之一, 在物體識別、視覺跟蹤、三維重建等領域都有很廣泛的應用。

OpenCV 提供了如下特征檢測方法：

• “FAST” FastFeatureDetector；
• “STAR” StarFeatureDetector；
• “SIFT” SIFT(nonfree module) Opencv3 移除，需調用 xfeature2d 庫；
• “SURF” SURF(nonfree module) Opencv3 移除，需調用 xfeature2d 庫；
• “ORB” ORB Opencv3 移除，需調用 xfeature2d 庫；
• “MSER” MSER；
• “GFTT” GoodFeaturesToTrackDetector；
• “HARRIS” (配合 Harris detector)；
• “Dense” DenseFeatureDetector；
• “SimpleBlob” SimpleBlobDetector。

24. OpenCV 應用部分之運動物體跟蹤與人臉識別

了解何為運動物體檢測，OpenCV 中常用的運動物體檢測方法有背景減法、幀差法、光流法，跟蹤算法常用的有 meanShift， camShift，粒子濾波， 光流法 等。

• meanShift 跟蹤算法 cv2.meanShift()；
• CamShift 跟蹤算法 cv2.CamShift()。

如果學習人臉識別，涉及的知識點為：

• 人臉檢測：從圖像中找出人臉位置并標識；
• 人臉識別：從定位到的人臉區域區分出人的姓名或其它信息；
• 機器學習。

以上就是一篇文章帶你順利通過Python OpenCV入門階段的詳細內容，更多關于Python OpenCV的資料請關注腳本之家其它相關文章！