当前位置 博文首页 > 一篇文章带你顺利通过Python OpenCV入门阶段
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。
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。
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。
1.图像读取;
2.窗口创建;
3.图像显示;
4.图像保存;
5.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()
。
第一个要重点学习 VideoCapture
类,该类常用的方法有:
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。
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。
掌握如下函数的用法,即可熟练的在 Opencv 中绘制图形。
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。
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()
。
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。
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。
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:
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,
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:
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:
核心需要掌握的函数如下:
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。
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:
常用边缘检测算子:
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:
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:
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:
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:
最后应该掌握针对每个轮廓进行操作。
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:
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。
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。
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:
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。
如果学习人脸识别,涉及的知识点为: