主要了解包括

• opencv 的下载和环境配置
• opencv目录的了解
• opencv中highgui模块
• opencv中core模块
• opencv中imgproc模块
• opencv中feature2d模块
• opencv视频操作

1.OpenCV简介

图像是人类视觉的基础，是自然景物的客观反映。

• 模拟图像通过某种物理量的强弱变化来记录图像信息，所以是连续变换的。因为模拟信号容易受到干扰，如今已经被数字图像全面替代
• 数字图像，其亮度用离散的数值表示
• 位数：0~255灰度图，其中0，代表最黑，255，表示最白

图像分类

• 二值图像：由0和1组成的二值图像
• 灰度图：采用像素8位的非线性尺度来保存，有256级灰度，如果16位，则65536级灰度
• 彩色图：通常采用RGB三个分量表示，分别介于（0~255），采用8位无符号整形

1.1 安装教程

如果是C++的话，可以参考这篇教程，

opencv+vs studio环境配置_addict_jun的博客-CSDN博客_opencv_ffmpeg342_64.dll

或者直接登录Releases - OpenCV官网，然后选择一个版本，点击下载即可。

python的话，则非常简单

pip安装

pip install opencv-python == 3.4.2.17

测试

import cv2
lena = cv2.imread("1.jpg")
cv2.imshow("image",lena)
cv2.waitKey(0)

扩展

pip install opencv-contrib-python==3.4.2.17

1.2 目录解析

当我们下载opencv3.x的版本时，我们经常会发现，有着opencv和opencv2两个文件夹。

• opencv这个文件夹里面包含着旧版的头文件。
• opencv2里面包含着具有时代意义的新版openCV2系列的头文件。

opencv中还能看到OpenCV1.0最核心的头文件，可以把他们整体理解为一个大的组件。

而我们主要关注的是opencv2这个文件夹。

这里介绍几个常用的模块。

• 【calib3d】—-校准和3D这两个词的缩写，主要用来处理相机校准、三维重建相关的内容，包括基本的多视角几何算法、单个立体摄像头标定、物体姿态估计、立体相似算法、3D信息的重建等。
• 【core】—-核心模块功能，比如基本的数据结构，动态数据结构，绘图函数，数组操作相关函数，辅助功能与系统函数和宏以及openGL的互操作。
• 【imgproc】—-Image和Process这两个单词的缩写组合，图像处理模块
• 【features2d】—-Features2D，即2D功能框架，听名字就知道和特征有关。
• 【flann】—-Fast Library for Approximate Nearest Neigh波瑞斯，高维的近似近邻快速搜索算法库，包含以下两个部分。
• 【gpu】—-运用GPU加速的计算机视觉模块
• 【highgui】—-高层GUI图形用户界面，包含媒体的输入输出、视频捕捉、图像和视频的编码解码，图形交互界面的接口等内容。
• 【ml】—-机器学习模块，神奇，opencv连这个都可以做
• 【objectect】—-目标检测模块
• 【ocl】—-OpenCL加速计算机的组件模块
• 【photo】—-图像修复和图像去噪
• 【stiching】—-图像拼接模块
• 【video】—-视频相关的逐渐

通过一个目录文件，就可以粗略的对图像领域的知识有一个大致的了解。

我个人的认为是，core模块是基础，而imgproc，gpu，ocl，video等则是辅助功能，最上层则是具体的应用了，可见3D立体匹配，图像校准，特征选择，机器学习，目标检测，去噪以及拼接等都是图像的应用领域。

那么目录的解析就到这里了，接下来是对于opencv的安装的教程。

highgui则是一个与人交互的终端，显示界面，严格上来说也算是上层应用，而作为opencv的学习，我想首先是core，然后是各类应用。辅助应用则是在应用过程中进行学习。

1.3 OpenCV优势

OpenCV

• 基于C++实现，同时提供python，Ruby，Matlab等语言的接口。
• 跨平台：在windows，linux，os x，android和ios。基于CUDA和OpenCL的高速GPU操作接口也在积极开发中
• 丰富的API，完善的传统计算机视觉算法，涵盖主流的机器学习算法，同时添加了对深度学习的支持

OpenCV-Python

• python是目前的主流语言，可读性很高
• Python可以使用C++轻松扩展，可以在C++中编写计算密集型代码，并创建可用做Python模块的Python包装器，运行速度和C++一样快，且可以使用Numpy，配合SciPy和Matplotlib集成更容易。

安装OpenCV之前，还可以安装numpy，matplotlib。

OpenCV 3.4.3 以上一些经典算法因为申请了版权而不能使用，新版本有一定的限制

2 highgui高层GUI图形用户界面

主要用于图像的载入、显示和输出到文件的详细分析。

2.1 读取图像

python

cv.imread(img, flag)
'''
参数
	-要读取的图像
	-读取的标志
		+ cv.IMREAD*COLOR:以彩色模式加载图片，任何图像的透明度都将被忽略。这是默认参数。
		+ cv.IMREAD*GRAYSCALE:以灰度模式加载图像
		+ cv.IMREAD_UNCHANGED:包括alpha通道的加载图像模式
		可以使用1,0或者-1来替代上面三个标志
'''

C++

imread(const string& filename, int flags=1)

/*
参数：
	+ 文件名
	+ 标志位，以不同的颜色读取图片
*/

2.2 显示图像

python

cv.imshow(name, img)
'''
参数
	-显示图像的窗口名称，以字符串类型表示
	-要加载的图像

注意：在调用显示图像API后，要调用cv.waitKey()给图像绘制留下时间，否则窗口会出现无响应情况，导致图像无法显示出来。
'''

#opencv中显示
cv.imshow("image", img)
cv.waitKey(0)

# matplotlib中展示
'''因为cv中采用BGR进行存储，这里需要转换成RGB的'''
plt.imshow(img[:,:,::-1])
plt.show()

C++

imshow(const string& winname, InputArray mat)'

/*
参数：
	+ 显示窗口的名称
	+ 显示的图像
*/
    
//  创建namedWindow()函数
//  如果只是简单使用窗口，imread和imshow就足够了，但是如果需要添加比如滑动条的创建等操作时，则需要使用namedWindow来先创建窗口。
void nameWindow(const string & winname, int flags=WINDOW_AUTOSIZE)

//创建滑动条
createTrackbar()

//滑动条的使用
int getTrackbarPos(const string& trackbarname, const string& winname)  
    
//opencv中的鼠标操作
void setMouseVallback(conststring& winname, MouseCallback onMouse)  

2.3 保存图像

python

cv.imwrite(name, img)

'''
参数：
	- 文件名，要保存在哪里
	- 要保存的图像
'''

C++

bool imwrite(cosnt string& filename, InputArray img, const vector<int>& params=vector<int>());

3 core核心模块

基本的数据结构，Mat是oepnCV踏入2.0时代的主打，使用Mat类数据结构作为主打之后，OpenCV变得越发像需要很少编程涵养的Matlab那样，上手很方便。

• opencv函数中的输出图像的内存分配是自动完成的
• 使用opencv的C++接口时不需要考虑内存释放问题
• 赋值运算符和拷贝构造函数只复制信息头
• 使用clone()或copyTo(）来复制一幅图像的矩阵。

3.1 像素值的存储方法

• RGB是最常见的，和人眼采用相似的工作机制。
• HSV和HLS把颜色分解成色调、饱和度和亮度、明度。
• YCrCb在JPEG图像格式中广泛应用
• CIE L*a*b*是一种在感知上均匀的颜色空间，它适合用来度量两个颜色之间的距离。

3.2 常见的数据结构

• 图像表示：Mat类
• 点的表示：Point类
• 颜色表示：Scalar类
• 尺寸表示：Size类
• 矩阵表示：Rect类
• 颜色空间转换：cvtColor()函数

3.3 绘图函数

基本图形的绘制

• 用于绘制直线的line函数

cv.line(img,start,end,color,thickness)

'''
参数
	-img：要绘制直线的图像
	-Start，end：直线的起点和终点
	-color：线条的颜色
	-Thickness：线条宽度
'''

• 用于绘制椭圆的ellipse函数
• 用于绘制矩形的rectangle函数

cv.rectangle(img, leftupper, rightdown, color, thickness)

'''
参数
	-img：要绘制矩形的图像
	-Leftupper，rightdown：矩形的左上角和右下角坐标
	-color：线条的颜色
	-Thickness：线条的宽度
'''

• 用于绘制圆的circle函数

cv.circle(img, centerpoint, r, color, thickness)

'''
参数
	-img：要绘制圆形的图像
	-Centerpoint，r：圆心和半径
	-color：线条的颜色
	-Thickness：线条的宽度，为-1时，会填充颜色
'''

• 用于绘制填充的多边形的fillPoly函数

如果需要在图像中添加文字

cv.putText(img, text, station, font, fontsize, color, thickness, cv.LINE_AA)

‘’’
参数
-img：图像
-text：要写入的文本数据
-station：文本的防治位置
-font：字体
-Fontsize：字体大小
‘’’

3.4 数组操作相关函数

访问图像元素

• LUT函数，Look up table操作
• 计时函数，getTickCount()，getTickFrequency()
• 访问图像中的像素
  • 指针访问
  • 迭代器访问
  • 动态地址计算
• ROI感兴趣区域：使用rect矩形，range：从起始索引到中止索引。
• 线性混合操作：前后页面切换的叠化效果
• 计算数组加权和：addWeighted()函数
• 通道分离：split()函数
• 通道合并：merge()函数
• 图像对比度、亮度值调整
• 离散傅里叶变换：简单来说就是将图像分解成正弦和余弦两个部分。以及一些二维矢量的幅值，自然对数以及矩阵归一化等数学运算。
• XML和YAML文件的操作

这里以python做一些解释

图像的属性包括行数，列数和通道数，图像数据类型，像素数等。

img.shape
img.dtype
img.size   #像素个数

图像通道的拆分与合并

有时需要在B,G,R通道图像上单独工作。在这种情况下，需要将BGR图像分割为单个通道。或者在其他情况下，可能需要将这些单独的通道合并到BGR图像。你可以通过以下方式完成。

#拆分通道
b,g,r = cv.split(img)

#通道合并
img = cv.merge((b,g,r))

色彩空间的改变

OpenCV中有150多种颜色空间转换方法。最广泛使用的转换方法有两种，BGR《》Gray和BGR《》HSV

cv.cvtColor(input_image, flag)

'''
参数
	-input_image:进行颜色空间转换的图像
	-flag：转换类型
		+ cv.COLOR_BGR2GRAY:
		+ cv.COLOR_BGR2HSV:
'''

图像的加法

可以使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像，如res = img1 + img2。两个图像应该具有相同的大小和类型，或者第二个图像可以是标量值。

注意：OpenCV加法和Numpy加法之间存在差异。OpenCV的加法是饱和操作，而Numpy添加是模运算。

图像的混合

这其实也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉

cv.addWeighted(img1, 0.7, img2, 0.3, 0)

我认为大致的体系如上图所示，数据都是底层，上层则是对数据的操作，从来都是如此。

4 imgproc图像处理

4.1 传统图像处理

传统的图像处理知识主要包括

• 三种线性滤波：方框滤波、均值滤波、高斯滤波。
• 两种非线性滤波：中值滤波、双边滤波。
• 7种图像处理形态学：腐蚀、膨胀、开运算、闭运算、形态学梯度、顶帽、黑帽。
• 漫水填充
• 图像缩放
• 图像金字塔
• 阈值化

4.1.1 三种线性滤波

• 方框滤波
• 均值滤波
• 高斯滤波

4.1.2 非线性滤波

• 中值滤波
• 双边滤波

4.1.3 形态学

源于生物学的一个分支，该分支主要研究动植物的形态和结构。而我们图像处理种的形态学，往往指的是数学形态学。

• 膨胀：对白色高亮部分进行膨胀
• 腐蚀：对白色高亮部分进行腐蚀
• 开运算：先腐蚀，在膨胀。对高亮部分的进行一个分离，或者说剔除小物体
• 闭运算；先膨胀，在腐蚀。对低亮度部分进行提出小物体的操作。
• 形态学梯度：膨胀图与腐蚀图之差。可以将团块的边缘突出出来。
• 顶帽：开运算结果与原图之差，用于背景的提取。
• 黑帽：闭关算的结果图与原图像之差。

4.1.4 漫水填充

我的理解就是选择一种颜色，然后用其他颜色进行填充，就好像我们画图，画一个圈，然后把中间的白色填充为其他颜色一样。

4.1.5 图像金字塔

这里首先就要引出两个概念

• 图像上采样
• 图像下采样

而图像金字塔就是图片从一个最高分辨率逐级向下递减，直到满足某个中止条件，这些多分辨率图像的集合称为图像金字塔。

4.1.5 阈值化

简而言之，就是将超出某个阈值的像素，进行重新的定义的操作。

python设置阈值

选项	像素值>thresh	其他情况
cv2.THRESH_BINARY	maxval	0
cv2.THRESH_BINARY_INV	0	maxval
cv2.THRESH_TRUNC	thresh	当前灰度值
cv2.THRESH_TOZERO	当前灰度值	0
cv2.THRESH_TOZERO_INV	0	当前灰度值

cv2.threshold(src, thresh, maxval, type[, dst])

'''
参数：
	-src：灰度图片
	-thresh：起始阈值
	-maxval：最大值
	-type：如上表的关系
'''

这步妥妥的奥运五环。

4.2 imgproc图像变换

4.2.1 边缘检测

一般步骤：

• 滤波：这个就是上面我们常用的高斯滤波，线性滤波等。
• 增强：通过计算各点领域强度的变化值，将显著变化的点凸显出来。
• 检测：还需要对领域变化大的点进行筛选

canny算子

1986年开发的，是边缘检测计算理论的创立者。

• 低错误率：表示出尽可能多的实际边缘，同时尽可能地减少噪声产生的误报。
• 高定位性：标识出的边缘要与图像中的实际边缘尽可能接近。
• 最小响应：图像中的边缘只能标识一次，并且可能存在的图像噪声不应表示为边缘。

sobel算子

sobel算子是一个主要用于边缘检测的离散微分算子。

Laplacian算子

该算子是n为欧几里得空间中的一个二阶微分算子，定义为梯度grad的散度div。

scharr滤波器

顾名思义，他就是一个滤波器，不过是为了配合sobel算子的运算而存在。

4.2.2 霍夫变换

用于识别几何形状图形的基本方法之一。

4.2.3 映射变换

重映射

对像素坐标进行重映射。

仿射变换

可以这样理解，主要是对图像的缩放，旋转和平移等操作的组合。

透射变换

投射变换是视角变化的结果，是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换。

4.2.4 直方图均衡化

就是计算直方图的频数，然后对其进行平均分布。

5 opencv之feature2d组件

图像特征可以分为三种

• 边缘
• 角点（感兴趣关键点）
• 斑点（感兴趣区域）

5.1 角点检测

我对角点的感觉，有点类似边缘点，该点周围的区域，沿着一个方向，出现明显的亮度变化。

• harris角点检测
• shi-Tomasi角点检测

dst = cv.cornerHarris(src, blockSize, Ksize, k)
'''
参数
	-img：数据类型为float32的输入图像
	-blockSize：角点检测中要考虑的领域大小
	-ksize：sobel求导使用的核大小
	-k：角点检测方程中的自由参数，取值参数为【0.04,0.06】
'''

corners = cv2.goodFeaturesToTrack(image, maxcorners, qualityLevel, minDistance)
'''
参数
	-image：输入灰度图像
	-maxCorners：获取角点数的数目
	-qualityLevel：该参数指出最低可接受的角点质量水平，在0-1之间
	-minDistance：角点之间最小的欧式距离，避免得到相邻特征点
返回
	-corners：搜索到的角点，在这里所有低于质量水平的角点被排除掉了。
'''

• 亚像素级角点检测

5.2 特征检测与匹配

• FAST
• STAR
• SIFT
• SURF
• ORB
• MSER
• GFTT
• HARRIS
• Dense
• SimpleBlob

以上是10中特征检测算法

SIFT

sitf = cv.xfeatures2d.SIFT_create()
kp,des = sift.detectAndCompute(gray, None)
'''
参数
	-gray：进行关键点检测的图像，注意是灰度图像
返回：
	-kp：关键点信息，包括位置，尺度，方向信息
	-des：关键点描述符，每个关键点对应128个梯度信息的特征向量
'''
cv.drawKeypoints(image, keypoints, outputimage, color, flags)
'''
参数：
	-image：原始图像
	-keypoints:关键点信息，将其绘制在图像上
	-outputimage：输出图片，可以是原始图像
	-color：颜色设置，通过修改（b，g，r）的值，更改画笔的颜色
	-flag：绘图功能
		+cv2.DRAW_MATCHES_FLAGS_DEFAULT：创建输出图像矩阵，使用现存的输出图像绘制匹配特征点，每一个关键点只绘制中间点
		+cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：不创建输出图像矩阵，而是在输出图像上绘制匹配对
		+cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：对每一个特征点绘制带大小和方向的关键点图形
		+cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINT：单点的特征点不被绘制
'''

FAST

fast = cv.FastFeatureDetector_create(threshold, nonmaxSuppression)
'''
参数
	-threshold：阈值t，有默认值10
	-nonmaxSuppression：是否进行非极大值抑制，默认值True
返回
	-Fast：创建FastFeatureDetector对象
'''
kp = fast.detect(grayImg, None)
'''
参数
	-gray：进行关键点检测的图像，注意是灰度图像
返回
	-kp：关键点信息，包括位置，尺度，方向
'''

cv.drawKey(image, keypoints, outputimage, color, flags)

ORB算法

orb = cv.xfeatures2d.orb_create(nfeatures)
'''
	-nfeatures:特征点的最大数量
'''

kp, dex = orb.detectAndCompute(gray,None)
'''
参数
	-gray：进行关键点检测的图像，注意是灰度图像
返回
	-kp：关键点
	-res：描述符
'''

cv.deawKeypoints(image, keypoints, outputimage, color, flags)

随着图像领域的发展，现在feature2d往往也成为了辅助的图像处理，用于更高一层的应用，比如深度学习。最后我们在了解一下视频操作，就完成了对opencv的基础了解。

6 视频操作

6.1 视频读取

在OpenCV中我们要获取一个视频，需要创建一个VideoCapture对象，指定你要读取的视频文件

#创建读取视频的对象
cap = cv.VideoCapture(filepath)
'''
参数
	-filepath：视频文件路径
'''

#获取视频的某些属性
retval = cap.get(propId)
'''
参数
	-propId：从0到18的数字，每个数字表示视频的属性
'''

#修改视频的属性信息
retval = cap.set(propId， value)

#判断是否读取成功
isornot = cap.isOpened()

#获取视频的一帧图像
ret, frame = cap.read()
'''
返回
	-ret：成功则返回true
	-Frame：获取到的某一帧图像
'''

#显示
cv.imshow()

#释放调视频对象
cap.realease()

6.2 保存视频

保存视频使用的是VedioWriter对象

out = cv2.VideoWriter(filename, fourcc, fps, frameSize)
'''
参数
	-filename：视频保存的位置
	-fourcc：指定视频编解码器的4字节代码
	-fps：帧率
	-frameSize：帧大小
'''

retval = cv2.VideoWriter_fourcc(c1, c2, c3, c4)
'''
参数
	-c1,c2,c3,c4：是视频编码器的4字节代码，在fourcc.org中可以找到代码列表，与平台紧密相关
'''

总结

主要讲解opencv的底层core以及图像基础操作和图像处理内容。