OpenCV 的学习笔记

前言

概述

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它专为提供一个通用的基础设施，以帮助人们构建计算机视觉应用程序而设计。OpenCV提供了用于处理图像和视频的工具，包括面部识别、物体识别、图形变换、3D模型提取等功能。它可以用于多种编程语言如Python、C++、Java，并在多个平台如Windows、Linux、Mac OS上运行。OpenCV广泛应用于学术研究和商业项目中，是计算机视觉领域非常流行的一个工具。

获取函数和变量的信息

• OpenCV的官方文档是获取关于这些函数和类的详细信息的最佳地点。文档详细描述了每个函数的作用、所需参数和返回值。
• 在Python中，使用 help() 函数来获取关于任何函数或模块的信息。例如，执行 help(cv2.imshow) 会显示关于 imshow 函数的信息。
• 网上在线资源和社区、指南和论坛，可以在这些地方找到OpenCV函数的使用例子和解释。

初步使用OpenCV

环境安装

安装OpenCV

1.安装Python： 确保系统上安装了Python。从Python官网下载和安装Python。
2.安装OpenCV库： 打开命令行工具（如终端、命令提示符），然后使用pip安装OpenCV。通常，运行以下命令：

pip install opencv-python

设置开发环境

1.安装VSCode代码编辑器：VSCode官网下载和安装
2.启动VSCode
3.创建一个新的Python文件： 在VSCode中创建一个新文件，保存为 .py 扩展名，例如 test_opencv.py。

编写和运行一个简单的OpenCV程序

1.编写代码： 在Python文件中编写一段简单的代码,用来读取和显示一张图像的代码:

# 将OpenCV库加载到Python脚本中
import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')

# 检查图像是否正确加载
if image is None:
    print("图像未找到")
else:
    # 显示图像
    cv2.imshow('Image', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2.运行代码： 在VSCode中运行Python脚本。就能看到加载的图像。

至此，已经成功运行了基本的OpenCV程序并显示了图像！接下来，继续学习OpenCV的更多功能

图像基础操作

首先，熟悉一些基本的图像操作，如图像转换、调整大小、裁剪和旋转

示例： 调整图像大小：

# 将OpenCV库加载到Python脚本中
import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')  # 图像路径

# 设置新的宽度和高度
width = 300  # 宽度
height = 200  # 高度

# 调整图像大小
resized_image = cv2.resize(image, (width, height))

# 显示原始图像和调整大小后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Resized Image', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个简单的脚本，可以看到原始图像和调整大小后的图像。

应用Canny边缘检测

Canny边缘检测是一种流行的边缘检测算法，它可以帮助我们在图像中识别物体的轮廓。

示例： Canny边缘检测

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg') # 图片路径
# 将图像转换为灰度
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用Canny边缘检测
edges = cv2.Canny(gray_image, 100, 200)

# 显示原始图像和边缘检测结果
cv2.imshow('Original Image', image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

首先将图像转换为灰度，因为边缘检测通常在灰度图像上进行。然后使用cv2.Canny函数进行边缘检测。cv2.Canny函数的两个参数是用于边缘检测的阈值。运行代码，在图像中成功检测到边缘:

图像阈值处理

接下来，学习一下图像阈值处理。图像阈值是一种将图像分割成不同区域的简单方法，通常用于分离图像的前景和背景。

示例： 简单阈值处理

import cv2

# 读取图像
image = cv2.imread('path_to_image.jpg')  # 图像路径
# 彩色图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    

# 应用阈值处理
ret, thresh_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 显示原始图像和阈值处理后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Threshold Image', thresh_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个代码中，cv2.threshold 函数用于应用阈值处理。这个函数的参数包括：

需要处理的灰度图像。
阈值（在这个例子中是127），它用于决定像素转换的界限。
最大值（在这个例子中是255），它表示如果像素值超过（有时是小于，根据类型而定）阈值应该赋予的值。
阈值类型（在这个例子中是 cv2.THRESH_BINARY），它决定了如何应用阈值。

阈值处理和边缘检测在某些情况下看起来可能有相似的效果，但它们在技术上和应用目的上是不同的，那么换一张图片来看

阈值处理
目的：阈值处理的目的是将图像简化为二值图像，即只有黑色和白色。这通常用于分离图像的前景和背景，特别是在图像的区域相对均匀时。
工作原理：在阈值处理中，我们设置一个阈值，所有高于（或低于，根据阈值类型而定）这个阈值的像素值被设置为最大值（通常是255，表示白色），而所有其他像素值被设置为最小值（通常是0，表示黑色）。
结果：结果是一个高对比度的图像，其中只包含两种颜色（黑和白）。这使得从图像中提取特定信息变得更加容易。

边缘检测
目的：边缘检测的目的是识别图像中物体的边界。这对于理解图像中物体的形状和位置非常有用。
工作原理：边缘检测算法（如Canny边缘检测）通过识别像素强度的突变来检测边缘。它不仅关注像素的绝对强度，还关注像素之间的对比度。
结果：结果是一个标记了图像中主要边界或线条的图像，通常用于图像分析和图像识别任务中。

总结
阈值处理是一种基本的图像分割技术，将图像转换为简化的二值版本，强调整体的明暗区域。
边缘检测关注于识别图像中的边界和线条，是一种更复杂的图像分析技术。

形状检测

形状检测是计算机视觉中一个重要的应用，它涉及到识别和定位图像中的几何形状（如线条、圆形、矩形等）。现在将使用OpenCV中的轮廓检测功能来识别简单的形状。

示例： 检测和绘制轮廓

import cv2

# 读取图像
image = cv2.imread('640x500a0a0.jpg')  # 图像路径
# 彩色图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 设置新的宽度和高度
width = 300  # 宽度
height = 200  # 高度

# 应用阈值处理来准备轮廓检测
ret, thresh = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 在原始图像上绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 3)

# 调整图像输出大小
Original_image = cv2.resize(gray_image,(width,height))
resized_image = cv2.resize(image,(width, height))

# 显示图像
cv2.imshow('Original Image', Original_image)
cv2.imshow('Contours', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

左边是已转换灰度的图像，右边是已经描绘了轮廓的图像

进一步的使用OpenCV

更复杂的图像处理技术： 需要探索更高级的图像处理技术，如图像滤波、形态学操作（膨胀、腐蚀）、图像分割等。
特征提取： 学习如何在图像中提取特征，如使用SIFT、SURF或ORB算法进行关键点检测和描述。
对象识别和跟踪： 开始实现对象识别（如面部识别、文字识别）和对象跟踪。
使用深度学习： 什么时候感兴趣，什么时候就可以开始如何在OpenCV中结合深度学习，比如使用预训练的神经网络进行图像分类或对象检测。
实际项目应用： 尝试在实际项目中应用你学到的知识，如开发一个简单的图像识别应用、实现实时视频处理等。

结语

计算机视觉是一个非常广泛的领域，而且水巨巨巨...深，还有非常非常非...多的东西可以学习。不断断断断...实践并尝试新的项目是提高技能的最佳方式。