Python OpenCV 的知识体系

　　1. OpenCV 初识与安装

　　本部分要了解 OpenCV (Open Source Computer Vision Library)的相关简介，OpenCv 可以运行在多平台之上，轻量级而且高效，由一系列 C 函数和少量 C++类构成，提供了 Python、Ruby、MATLAB 等语言的接口，所以在学习的时候，要注意查阅资料的语言实现相关问题。

　　这个阶段除了安装 OpenCV 相关库以外，建议收藏官方网址，官方手册，官方入门教程，这些都是最佳的学习资料。

　　模块安装完毕，需要重点测试 OpenCV 是否安装成功，可通过 Python 查询安装版本。

　　2. OpenCV 模块简介

　　先从全局上掌握 OpenCV 都由哪些模块组成。例如下面这些模块，你需要找到下述模块的应用场景与简介。

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

　　整理每个模块的核心功能，并完成第一个 OpenCV 案例，读取显示图片。

　　3. OpenCV 图像读取，显示，保存

　　安装 OpenCV 之后，从图像获取开始进行学习，包含本地加载图片，相机获取图片，视频获取，创建图像等内容。

　　只有先获取图像之后，才能对图像进行操作处理，信息提取，结果输出，图像显示，图像保存。

　　对于一个图像而言，在 OpenCV 中进行读取展示的步骤如下，你可以将其代码进行对应。

　　图像读取;

　　窗口创建;

　　图像显示;

　　图像保存;

　　资源释放。

　　涉及需要学习的函数有 cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、 cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。

　　4. 摄像头和视频读取，保存

　　第一个要重点学习 VideoCapture 类，该类常用的方法有：

　　open() 函数;

　　isOpened() 函数;

　　release() 函数;

　　grab() 函数;

　　retrieve() 函数;

　　get() 函数;

　　set() 函数;

　　除了读取视频外，还需要掌握 Opencv 提供的 VideoWriter 类，用于保存视频文件。

　　学习完相关知识之后，可以进行这样一个实验，将一个视频逐帧保存为图片。

　　5. OpenCV 常用数据结构和颜色空间

　　这部分要掌握的类有 Point 类、Rect 类、Size 类、Scalar 类，除此之外，在 Python 中用 numpy 对图像进行操作，所以 numpy 相关的知识点，建议提前学习，效果更佳。

　　OpenCV 中常用的颜色空间有 BGR 颜色空间、HSV/HLS 颜色空间、Lab 颜色空间，这些都需要了解，优先掌握 BGR 颜色空间。

　　6. OpenCV 常用绘图函数

　　掌握如下函数的用法，即可熟练的在 Opencv 中绘制图形。

　　cv2.line();

　　cv2.circle();

　　cv2.rectangle();

　　cv2.ellipse();

　　cv2.fillPoly();

　　cv2.polylines();

　　cv2.putText()。

　　7. OpenCV 界面事件操作之鼠标与滑动条

　　第一个要掌握的函数是鼠标操作消息回调函数，cv2.setMouseCallback() ，滑动条涉及两个函数，分别是：cv2.createTrackbar() 和 cv2.getTrackbarPos()。

　　掌握上述内容之后，可以实现两个案例，其一为鼠标在一张图片上拖动框选区域进行截图，其二是通过滑动条让视频倍速播放。

　　8. 图像像素、通道分离与合并

　　了解图像像素矩阵，熟悉图片的像素构成，可以访问指定像素的像素值，并对其进行修改。

　　通道分离函数 cv2.split()，通道合并函数 cv2.merge()。

　　9. 图像逻辑运算

　　掌握图像之间的计算，涉及函数如下：

　　cv2.add();

　　cv2.addWeighted();

　　cv2.subtract();

　　cv2.absdiff();

　　cv2.bitwise_and();

　　cv2.bitwise_not();

　　cv2.bitwise_xor()。

　　还可以研究图像乘除法。

　　10. 图像 ROI 与 mask 掩膜

　　本部分属于 OpenCV 中的重点知识，第一个为感兴趣区域 ROI，第二个是 mask 掩膜(掩码)操作 。

　　学习 ROI 部分时，还可以学习一下图像的深浅拷贝。

　　11. 图像几何变换

　　图像几何变换依旧是对基础函数的学习与理解，涉及内容如下：

　　图像缩放 cv2.resize();

　　图像平移 cv2.warpAffine();

　　图像旋转 cv2.getRotationMatrix2D();

　　图像转置 cv2.transpose();

　　图像镜像 cv2.flip();

　　图像重映射 cv2.remap()。

　　12. 图像滤波

　　理解什么是滤波，高频与低频滤波，图像滤波函数。

　　线性滤波：方框滤波、均值滤波、高斯滤波，

　　非线性滤波：中值滤波、双边滤波，

　　方框滤波 cv2.boxFilter();

　　均值滤波 cv2.blur();

　　高斯滤波 cv2.GaussianBlur();

　　中值滤波 cv2.medianBlur();

　　双边滤波 cv2.bilateralFilter()。

　　13. 图像固定阈值与自适应阈值

　　图像阈值化是图像处理的重要基础部分，应用很广泛，可以根据灰度差异来分割图像不同部分，阈值化处理的图像一般为单通道图像(灰度图)，核心要掌握的两个函数：

　　固定阈值：cv2.threshold();

　　自适应阈值：cv2.adaptiveThreshold()。

　　14. 图像膨胀腐蚀

　　膨胀、腐蚀属于形态学的操作，是图像基于形状的一系列图像处理操作。

　　膨胀腐蚀是基于高亮部分(白色)操作的，膨胀是対高亮部分进行膨胀，类似“领域扩张”， 腐蚀是高亮部分被腐蚀，类似“领域被蚕食”。

　　膨胀腐蚀的应用和功能：

　　消除噪声;

　　分割独立元素或连接相邻元素;

　　寻找图像中的明显极大值、极小值区域;

　　求图像的梯度;

　　核心需要掌握的函数如下：

　　膨胀 cv2.dilate();

　　腐蚀 cv2.erode()。

　　形态学其他操作，开运算、闭运算、顶帽、黑帽、形态学梯度 这些都是基于膨胀腐蚀基础之上，利用 cv2.morphologyEx() 函数进行操作。

　　15. 边缘检测

　　边缘检测可以提取图像重要轮廓信息，减少图像内容，可用于分割图像、特征提取等操作。

　　边缘检测的一般步骤：

　　滤波： 滤出噪声対检测边缘的影响 ;

　　增强： 可以将像素邻域强度变化凸显出来—梯度算子 ;

　　检测： 阈值方法确定边缘 ;

　　常用边缘检测算子：

　　Canny 算子，Canny 边缘检测函数 cv2.Canny();

　　Sobel 算子，Sobel 边缘检测函数 cv2.Sobel();

　　Scharr 算子，Scharr 边缘检测函数 cv2.Scahrr() ;

　　Laplacian 算子，Laplacian 边缘检测函数 cv2.Laplacian()。

　　16. 霍夫变换

　　霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，该过程在一个参数空间中，通过计算累计结果的局部最大值，得到一个符合该特定形状的集合，作为霍夫变换的结果。

　　本部分要学习的函数：

　　标准霍夫变换、多尺度霍夫变换 cv2.HoughLines() ;

　　累计概率霍夫变换 cv2.HoughLinesP() ;

　　霍夫圆变换 cv2.HoughCricles() 。

　　17. 图像直方图计算及绘制

　　先掌握直方图相关概念，在掌握核心函数，最后通过 matplotlib 模块对直方图进行绘制。计算直方图用到的函数是 cv2.calcHist()。

　　直方图相关应用：

　　直方图均衡化 cv2.equalizeHist();

　　直方图对比 cv2.compareHist();

　　反向投影 cv2.calcBackProject()。

　　18. 模板匹配

　　模板匹配是在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术。

　　核心用到的函数如下：

　　模板匹配 cv2.matchTemplate();

　　矩阵归一化 cv2.normalize();

　　寻找最值 cv2.minMaxLoc()。

　　19. 轮廓查找与绘制

　　核心要理解到在 OpenCV 中，查找轮廓就像在黑色背景中找白色物体。

　　常用函数：

　　查找轮廓 cv2.findContours();

　　绘制轮廓 cv2.drawContours() 。

　　最后应该掌握针对每个轮廓进行操作。

　　20. 轮廓特征属性及应用

　　这部分内容比较重要，并且知识点比较多，核心内容与函数分别如下：

　　寻找凸包 cv2.convexHull() 与 凸性检测 cv2.isContourConvex();

　　轮廓外接矩形 cv2.boundingRect();

　　轮廓最小外接矩形 cv2.minAreaRect();

　　轮廓最小外接圆 cv2.minEnclosingCircle();

　　轮廓椭圆拟合 cv2.fitEllipse();

　　逼近多边形曲线 cv2.approxPolyDP();

　　计算轮廓面积 cv2.contourArea();

　　计算轮廓长度 cv2.arcLength();

　　计算点与轮廓的距离及位置关系 cv2.pointPolygonTest();

　　形状匹配 cv2.matchShapes()。

　　21. 高级部分-分水岭算法及图像修补

　　掌握分水岭算法的原理，掌握核心函数 cv2.watershed() 。

　　可以扩展补充图像修补技术及相关函数 cv2.inpaint()，学习完毕可以尝试人像祛斑应用。

　　22. GrabCut & FloodFill 图像分割、角点检测

　　这部分内容都需要一些图像专业背景知识，先掌握相关概念知识，在重点学习相关函数。

　　GrabCut 算法 cv2.grabCut();

　　漫水填充算法 cv2.floodFill();

　　Harris 角点检测 cv2.cornerHarris();

　　Shi-Tomasi 角点检测 cv2.goodFeaturesToTrack();

　　亚像素角点检测 cv2.cornerSubPix()。

　　23. 特征检测与匹配

　　特征点的检测和匹配是计算机视觉中非常重要的技术之一, 在物体识别、视觉跟踪、三维重建等领域都有很广泛的应用。

　　OpenCV 提供了如下特征检测方法：

　　“FAST” FastFeatureDetector;

　　“STAR” StarFeatureDetector;

　　“SIFT” SIFT(nonfree module) Opencv3 移除，需调用 xfeature2d 库;

　　“SURF” SURF(nonfree module) Opencv3 移除，需调用 xfeature2d 库;

　　“ORB” ORB Opencv3 移除，需调用 xfeature2d 库;

　　“MSER” MSER;

　　“GFTT” GoodFeaturesToTrackDetector;

　　“HARRIS” (配合 Harris detector);

　　“Dense” DenseFeatureDetector;

　　“SimpleBlob” SimpleBlobDetector。

　　24. OpenCV 应用部分之运动物体跟踪与人脸识别

　　了解何为运动物体检测，OpenCV 中常用的运动物体检测方法有背景减法、帧差法、光流法，跟踪算法常用的有 meanShift， camShift，粒子滤波， 光流法 等。

　　meanShift 跟踪算法 cv2.meanShift();

　　CamShift 跟踪算法 cv2.CamShift()。

　　如果学习人脸识别，涉及的知识点为：

　　人脸检测：从图像中找出人脸位置并标识;

　　人脸识别：从定位到的人脸区域区分出人的姓名或其它信息;

　　机器学习。

　　以上内容为大家介绍了Python OpenCV 的知识体系，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注多测师。https://www.e70w.com/xwzx/