OpenCV计算机视觉的基石与应用
目录
OpenCV：计算机视觉的基石与应用
一、OpenCV 简介
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，自 1999 年由英特尔公司首次发布以来，已成为计算机视觉领域的基石工具。它支持多个操作系统，包括 Windows、Linux、macOS、Android 和 iOS，具有跨平台特性。OpenCV 提供了 Python、Java 和 MATLAB 等多种编程语言的接口，使得不同编程语言的开发者都能轻松使用。它包含超过 2500 个优化的算法，涵盖从基本的图像处理到复杂的机器学习模型，广泛应用于计算机视觉、视频分析、机器学习、医学影像处理、自动驾驶、工业检测、游戏开发等领域。
二、安装与配置
在 Python 中，直接通过 pip 安装 OpenCV：
pip install opencv-python安装完成后，在代码中导入 OpenCV：
import cv2注意：安装的是 opencv-python，但在导入时是 import cv2。此外，OpenCV 依赖一些库，比如 NumPy 和 matplotlib，先安装上。
三、图像处理基础
图像读取、显示与保存
import cv2
# 读取图像
img = cv2.imread('image.jpg', cv2.IMREAD_COLOR)
# 显示图像
cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存图像
cv2.imwrite('output.jpg', img)图像基本操作
对图片进行截取：
img = cv2.imread('cat.jpg')
cat = img[0:50, 0:200]对图片进行颜色通道提取与合并：
b, g, r = cv2.split(img)
img = cv2.merge((b, g, r))对图片进行边界填充：
top_size, bottom_size, left_size, right_size = (50, 50, 50, 50)
replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)图像融合：
img_cat = cv2.imread('cat.jpg')
img_dog = cv2.imread('dog.jpg')
img_dog = cv2.resize(img_dog, (500, 414)) # 将两个图片改为同样大小
res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0) # 猫占0.4权重，狗占0.6权重四、计算机视觉核心功能
图像增强技术
直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enhanced_img = clahe.apply(gray_img)形态学操作
kernel = cv2.getStructuringElement(shape=cv2.MORPH_ELLIPSE, ksize=(5, 5))
closed_img = cv2.morphologyEx(src=img, op=cv2.MORPH_CLOSE, kernel=kernel, iterations=3)特征检测与描述
OpenCV 提供了 SIFT、SURF、ORB 等算法用于特征检测和描述。以下是以 ORB 为例的特征检测与匹配：
# 初始化 ORB 检测器
orb = cv2.ORB_create()
# 找到关键点和描述符
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
# 使用 BFMatcher 进行暴力匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
# 按距离排序
matches = sorted(matches, key=lambda x: x.distance)
# 绘制匹配结果
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)目标检测
使用 Haar 级联分类器进行人脸检测：
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.1, 4)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)五、高级应用与优化
视频分析
cap = cv2.VideoCapture('video.mp4')
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# 处理每一帧视频
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
cv2.imshow('Frame', gray)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()深度学习集成
OpenCV 支持与深度学习框架的集成，例如使用 TensorFlow 或 PyTorch 构建的模型进行目标检测或图像分类：
import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.preprocessing import image
import numpy as np
model = MobileNetV2(weights='imagenet')
img = image.load_img('image.jpg', target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = tf.keras.applications.mobilenet_v2.preprocess_input(x)
preds = model.predict(x)
print('Predicted:', tf.keras.applications.mobilenet_v2.decode_predictions(preds, top=3)[0])六、总结
OpenCV 作为强大的计算机视觉库，提供了丰富的功能和灵活的操作方式。通过本文的介绍，读者可以对 OpenCV 的基础有更深入的了解，为进一步的学习和应用打下坚实的基础。在实际项目中，OpenCV 可以与深度学习框架结合，实现更复杂和高效的计算机视觉任务。
