一篇文章就梳理清楚了 Python OpenCV 的知识体系

这是一篇学习量很大的文章

观前提醒,本篇文章涉及知识点巨大,建议先收藏,再慢慢学习。

本篇文章目的将为你详细罗列 Python OpenCV 的学习路线与重要知识点。核心分成 24 个小节点,全部掌握,OpenCV 入门阶段就顺利通过了。

  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。

  1. 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。

  1. 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()。

  1. 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。

  1. 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。

  1. 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()。

  1. 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。

  1. 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()。

  1. 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。

  1. 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。

  1. 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()。

  1. 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()。

  1. 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()。

  1. 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。

  1. 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()。

  1. 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() 。

  1. 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()。

  1. 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()。

  1. 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。

  1. 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()。

  1. 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。

  1. 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()。

  1. 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。

  1. 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。

你可能感兴趣的