本篇文章为你详细罗列 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。

2. 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。

3. 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。

1. 图像读取；

2. 窗口创建；

3. 图像显示；

4. 图像保存；

5. 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()。

4. 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。

5. 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。

6. 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()。

7. 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。

8. 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()。

9. 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。

10. 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。

11. 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()。

12. 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()。

13. 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()。

14. 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。

15. 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()。

16. 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() 。

17. 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()。

18. 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()。

19. 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。

20. 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()。

21. 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。

22. 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()。

23. 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。

24. 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。

文章来源：一文梳理清楚 Python OpenCV 的知识体系