💓 博客主页：瑕疵的CSDN主页

📝 Gitee主页：瑕疵的gitee主页

⏩ 文章专栏：《热点资讯》

计算机视觉是人工智能的一个重要分支，旨在使计算机能够理解和解释图像和视频内容。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉功能。本文将详细介绍 OpenCV 的基本概念、安装配置、核心功能以及实际应用，帮助读者快速上手计算机视觉开发。

OpenCV 是一个开源的计算机视觉库，支持多种编程语言（如 C++、Python、Java 等），并在多个平台上可用（如 Windows、Linux、macOS）。OpenCV 提供了大量的图像处理和计算机视觉算法，广泛应用于图像识别、物体检测、人脸识别等领域。

• 图像处理：如图像增强、滤波、边缘检测等。
• 物体检测：如行人检测、车辆检测等。
• 人脸识别：如人脸检测、人脸识别等。
• 视频分析：如运动检测、背景减除等。

OpenCV 可以通过 pip 工具轻松安装。

pip install opencv-python

安装完成后，可以通过以下代码验证 OpenCV 是否安装成功：

import cv2
print(cv2.__version__)

OpenCV 提供了读取和显示图像的基本功能。

import cv2

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

# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 形状：获取图像的高度、宽度和通道数。
• 像素值：获取和设置特定像素的值。

# 获取图像的形状
height, width, channels = image.shape
print(f'Height: {height}, Width: {width}, Channels: {channels}')

# 获取特定像素的值
pixel_value = image[100, 100]
print(f'Pixel Value at (100, 100): {pixel_value}')

# 设置特定像素的值
image[100, 100] = [0, 255, 0]  # 设置为绿色

• 裁剪：提取图像的一部分。
• 复制：创建图像的副本。

# 裁剪图像
cropped_image = image[50:150, 50:150]

# 复制图像
copied_image = image.copy()

将彩色图像转换为灰度图像。

# 转换为灰度图像
grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

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

对图像进行高斯模糊处理。

# 高斯模糊
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# 显示模糊图像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用 Canny 算法检测图像的边缘。

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

# 显示边缘图像
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

OpenCV 可以读取和显示视频文件。

import cv2

# 读取视频
cap = cv2.VideoCapture('video.mp4')

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

    # 显示帧
    cv2.imshow('Frame', frame)

    # 按 q 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

OpenCV 可以录制视频。

import cv2

# 初始化视频捕获
cap = cv2.VideoCapture(0)

# 定义编码器和输出文件
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi', fourcc, 20.0, (640, 480))

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

    # 写入帧
    out.write(frame)

    # 显示帧
    cv2.imshow('Frame', frame)

    # 按 q 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
out.release()
cv2.destroyAllWindows()

Haar 级联分类器是一种常用的物体检测方法，可以用于检测人脸、眼睛等。

import cv2

# 加载 Haar 级联分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

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

# 转换为灰度图像
grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(grey_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

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

# 显示图像
cv2.imshow('Face Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

SIFT（Scale-Invariant Feature Transform）和 SURF（Speeded-Up Robust Features）是常用的特征点检测算法。

import cv2

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

# 初始化 SIFT 检测器
sift = cv2.xfeatures2d.SIFT_create()

# 检测特征点
keypoints, descriptors = sift.detectAndCompute(image, None)

# 绘制特征点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)

# 显示图像
cv2.imshow('SIFT Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

GrabCut 是一种基于图割的图像分割算法，用于从背景中分离前景。

import cv2

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

# 初始化掩码
mask = np.zeros(image.shape[:2], np.uint8)

# 定义前景和背景的初始矩形
rect = (50, 50, 300, 300)

# 初始化前景和背景模型
bgd_model = np.zeros((1, 65), np.float64)
fgd_model = np.zeros((1, 65), np.float64)

# 运行 GrabCut 算法
cv2.grabCut(image, mask, rect, bgd_model, fgd_model, 5, cv2.GC_INIT_WITH_RECT)

# 将掩码转换为二值图像
mask2 = np.where((mask==2)|(mask==0), 0, 1).astype('uint8')

# 应用掩码
segmented_image = image * mask2[:, :, np.newaxis]

# 显示分割后的图像
cv2.imshow('Segmented Image', segmented_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

假设我们有一个包含人脸的照片，需要进行人脸识别。

import cv2

# 加载 Haar 级联分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

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

# 转换为灰度图像
grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(grey_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

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

# 保存结果
cv2.imwrite('detected_faces.jpg', image)

假设我们有一个视频，需要跟踪视频中的移动物体。

import cv2

# 初始化视频捕获
cap = cv2.VideoCapture('video.mp4')

# 初始化背景减除器
fgbg = cv2.createBackgroundSubtractorMOG2()

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

    # 应用背景减除器
    fgmask = fgbg.apply(frame)

    # 显示帧
    cv2.imshow('Frame', frame)
    cv2.imshow('FG Mask', fgmask)

    # 按 q 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

通过本文，我们深入了解了 OpenCV 的基本概念、安装配置、核心功能以及实际应用。OpenCV 是一个强大的计算机视觉库，提供了丰富的图像处理和计算机视觉功能。希望本文能帮助读者更好地理解和应用 OpenCV，提升计算机视觉开发能力。

• OpenCV 官方文档
• 计算机视觉入门教程
• OpenCV 实战案例