OpenCV 教程

OpenCV (Open Source Computer Vision Library) 是一个功能强大的开源库，广泛用于图像和视频处理、计算机视觉任务（如目标检测、图像分割、特征提取等）。以下是 OpenCV 教程，基于 Python，涵盖安装、核心功能、代码示例和实际应用案例，适合初学者和有一定经验的用户。教程将保持简洁清晰，并提供实用代码。

一、安装 OpenCV

1.1 前提条件

Python 版本：建议使用 Python 3.6+。
依赖：NumPy 是必需的，Matplotlib 可用于可视化。

1.2 通过 pip 安装

安装 OpenCV 的 Python 绑定（opencv-python）：

pip install opencv-python

安装包含额外模块的版本（如 SIFT、SURF）：

pip install opencv-contrib-python

1.3 验证安装

import cv2
print(cv2.__version__)  # 输出版本，例如 "4.10.0"

二、OpenCV 核心概念

图像表示：图像在 OpenCV 中是 NumPy 数组，形状为 (height, width, channels)，通道通常是 BGR（蓝绿红）。
基本操作：读取、显示、保存图像；颜色空间转换；几何变换；滤波等。
高级功能：边缘检测、特征提取、目标检测、机器学习集成。
视频处理：处理视频流、摄像头输入、帧操作。
接口一致性：OpenCV 函数通常以 cv2.function_name 调用，参数直观。

三、基础操作

3.1 读取、显示和保存图像

import cv2

# 读取图像
img = cv2.imread('image.jpg')  # 替换为你的图像路径

# 检查是否成功加载
if img is None:
    print("Error: Could not load image")
else:
    # 显示图像
    cv2.imshow('Image', img)
    cv2.waitKey(0)  # 按任意键关闭窗口
    cv2.destroyAllWindows()

    # 保存图像
    cv2.imwrite('output.jpg', img)

说明：

imread：支持多种格式（如 JPG、PNG）。
imshow：创建窗口显示图像。
waitKey(0)：等待用户输入，0 表示无限等待。
imwrite：保存图像到指定路径。

3.2 颜色空间转换

OpenCV 默认使用 BGR 格式，需转换为 RGB（用于 Matplotlib）或灰度图。

# 转换为灰度
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转换为 RGB
rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 显示灰度图像
cv2.imshow('Gray Image', gray_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.3 图像缩放和裁剪

# 缩放（50% 大小）
resized_img = cv2.resize(img, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_LINEAR)

# 裁剪（指定区域）
cropped_img = img[100:300, 200:400]  # [y_start:y_end, x_start:x_end]

# 保存结果
cv2.imwrite('resized.jpg', resized_img)
cv2.imwrite('cropped.jpg', cropped_img)

四、图像处理

4.1 模糊（平滑）

使用高斯模糊去除噪声：

# 高斯模糊
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)  # 核大小为 5x5
cv2.imwrite('blurred.jpg', blurred_img)

4.2 边缘检测

使用 Canny 边缘检测：

# 转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Canny 边缘检测
edges = cv2.Canny(gray, 100, 200)  # 阈值 100 和 200
cv2.imwrite('edges.jpg', edges)

4.3 阈值分割

将图像二值化：

# 转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应阈值
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
cv2.imwrite('threshold.jpg', thresh)

五、特征检测与匹配

5.1 角点检测

使用 Harris 角点检测：

# 转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)

# Harris 角点检测
corners = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)

# 标记角点
img[corners > 0.01 * corners.max()] = [0, 0, 255]  # 红点标记
cv2.imwrite('corners.jpg', img)

5.2 SIFT 特征提取与匹配

SIFT（尺度不变特征变换）用于特征点检测和匹配：

# 创建 SIFT 对象
sift = cv2.SIFT_create()

# 检测关键点和描述符
kp1, des1 = sift.detectAndCompute(img, None)

# 绘制关键点
img_with_kp = cv2.drawKeypoints(img, kp1, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imwrite('sift_keypoints.jpg', img_with_kp)

注意：SIFT 在 opencv-contrib-python 中可用，主包中不可用。

六、视频处理

6.1 读取和显示视频

# 打开视频文件
cap = cv2.VideoCapture('video.mp4')  # 替换为你的视频路径

while cap.isOpened():
    ret, frame = cap.read()  # 读取一帧
    if not ret:
        break

    # 显示帧
    cv2.imshow('Video', frame)
    if cv2.waitKey(25) & 0xFF == ord('q'):  # 按 'q' 退出
        break

cap.release()
cv2.destroyAllWindows()

6.2 摄像头实时处理

# 打开摄像头
cap = cv2.VideoCapture(0)  # 0 表示默认摄像头

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 转换为灰度并显示
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('Camera', gray)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

七、与 Scikit-learn 集成

OpenCV 可与 Scikit-learn 结合，用于机器学习任务（如图像分类）。

示例：手写数字分类

使用 MNIST 数据集（需额外下载或用 sklearn 的 load_digits）。

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
import cv2
import numpy as np

# 加载数据
digits = load_digits()
X, y = digits.data, digits.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据预处理（标准化）
X_train = X_train / 16.0  # 归一化到 [0, 1]
X_test = X_test / 16.0

# 训练 SVM
model = SVC(kernel='rbf', random_state=42)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred):.3f}")

输出示例：

Accuracy: 0.986

说明：OpenCV 可用于预处理图像（如降噪、边缘检测），然后将特征输入 Scikit-learn 模型。

八、应用案例：人脸检测

使用 OpenCV 的预训练 Haar 级联分类器进行人脸检测。

# 加载预训练人脸检测器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 读取图像
img = cv2.imread('face.jpg')  # 替换为包含人脸的图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

# 绘制矩形框
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 保存结果
cv2.imwrite('face_detected.jpg', img)

说明：

haarcascade_frontalface_default.xml 是 OpenCV 内置的预训练模型。
detectMultiScale 返回人脸的坐标和尺寸。

九、注意事项

图像格式：

OpenCV 使用 BGR 格式，与 Matplotlib 的 RGB 不同，需转换。
确保图像路径正确，文件存在。

性能优化：

对于大型图像或视频，考虑降低分辨率或使用 GPU 版本（OpenCV-DNN）。
避免在循环中重复加载模型或分类器。

内存管理：

释放视频捕获对象（cap.release()）和关闭窗口（cv2.destroyAllWindows()）。

版本兼容性：

某些功能（如 SIFT）需 opencv-contrib-python。
检查 OpenCV 版本：cv2.__version__。

错误处理：

检查 imread 或 VideoCapture 是否返回 None/False。
确保输入数据格式正确（如 NumPy 数组）。

十、资源

官方文档：https://docs.opencv.org/master/
Python 教程：https://opencv-python-tutroals.readthedocs.io/en/latest/
示例代码：https://github.com/opencv/opencv/tree/master/samples/python
社区：在 X 平台搜索 #opencv 获取最新讨论。

十一、完整示例：边缘检测与分类

结合 OpenCV 和 Scikit-learn 进行图像预处理和分类：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score
import cv2
import numpy as np

# 加载数据
digits = load_digits()
X, y = digits.data, digits.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 自定义边缘特征提取器
class EdgeFeatureExtractor:
    def fit(self, X, y=None):
        return self

    def transform(self, X):
        features = []
        for img in X:
            img_2d = img.reshape(8, 8).astype(np.uint8)
            edges = cv2.Canny(img_2d, 100, 200)
            features.append(edges.flatten())
        return np.array(features)

# 创建 Pipeline
pipeline = Pipeline([
    ('edge', EdgeFeatureExtractor()),
    ('scaler', StandardScaler()),
    ('classifier', SVC(kernel='rbf', random_state=42))
])

# 训练和预测
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred):.3f}")

# 保存模型
import joblib
joblib.dump(pipeline, 'digits_edge_model.pkl')

输出示例：

Accuracy: 0.953

说明：使用 OpenCV 的 Canny 边缘检测提取特征，再用 Scikit-learn 的 SVM 分类。

如果需要 更具体的 OpenCV 应用（如目标跟踪、图像分割、深度学习集成）、可视化代码（如边缘检测结果展示），或针对特定任务的完整示例，请告诉我，我可以提供更详细的代码或优化方案！

一、安装 OpenCV

1.1 前提条件

1.2 通过 pip 安装

1.3 验证安装

二、OpenCV 核心概念

三、基础操作

3.1 读取、显示和保存图像

3.2 颜色空间转换

3.3 图像缩放和裁剪

四、图像处理

4.1 模糊（平滑）

4.2 边缘检测

4.3 阈值分割

五、特征检测与匹配

5.1 角点检测

5.2 SIFT 特征提取与匹配

六、视频处理

6.1 读取和显示视频

6.2 摄像头实时处理

七、与 Scikit-learn 集成

示例：手写数字分类

八、应用案例：人脸检测

九、注意事项

十、资源

十一、完整示例：边缘检测与分类

OpenCV 图像拼接

OpenCV 图像直方图

OpenCV 物体识别

OpenCV 安装

OpenCV 图像处理基础

OpenCV 图像算术运算

发表回复取消回复

一、安装 OpenCV

1.1 前提条件

1.2 通过 pip 安装

1.3 验证安装

二、OpenCV 核心概念

三、基础操作

3.1 读取、显示和保存图像

3.2 颜色空间转换

3.3 图像缩放和裁剪

四、图像处理

4.1 模糊（平滑）

4.2 边缘检测

4.3 阈值分割

五、特征检测与匹配

5.1 角点检测

5.2 SIFT 特征提取与匹配

六、视频处理

6.1 读取和显示视频

6.2 摄像头实时处理

七、与 Scikit-learn 集成

示例：手写数字分类

八、应用案例：人脸检测

九、注意事项

十、资源

十一、完整示例：边缘检测与分类

类似文章

发表回复 取消回复

发表回复取消回复