共计 4675 个字符，预计需要花费 12 分钟才能阅读完成。
这是一篇学习量很大的文章
观前揭示，本篇文章波及知识点微小，倡议先珍藏，再缓缓学习。
本篇文章目标将为你具体列举 Python OpenCV 的学习路线与重要知识点。外围分成 24 个小节点，全副把握，OpenCV 入门阶段就顺利通过了。
- OpenCV 初识与装置
本局部要理解 OpenCV（Open Source Computer Vision Library）的相干简介，OpenCv 能够运行在多平台之上，轻量级而且高效，由一系列 C 函数和大量 C++ 类形成，提供了 Python、Ruby、MATLAB 等语言的接口，所以在学习的时候，要留神查阅材料的语言实现相干问题。
这个阶段除了装置 OpenCV 相干库以外，倡议珍藏官网网址，官网手册，官网入门教程，这些都是最佳的学习材料。
模块装置结束，须要重点测试 OpenCV 是否装置胜利，可通过 Python 查问装置版本。
- OpenCV 模块简介
先从全局上把握 OpenCV 都由哪些模块组成。例如上面这些模块，你须要找到下述模块的利用场景与简介。
core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching。
整顿每个模块的外围性能，并实现第一个 OpenCV 案例，读取显示图片。
- OpenCV 图像读取，显示，保留
装置 OpenCV 之后，从图像获取开始进行学习，蕴含本地加载图片，相机获取图片，视频获取，创立图像等内容。
只有先获取图像之后，能力对图像进行操作解决，信息提取，后果输入，图像显示，图像保留。
对于一个图像而言，在 OpenCV 中进行读取展现的步骤如下，你能够将其代码进行对应。
图像读取；
窗口创立；
图像显示；
图像保留；
资源开释。
波及须要学习的函数有
cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。
- 摄像头和视频读取，保留
第一个要重点学习 VideoCapture 类，该类罕用的办法有：
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，还须要把握 Opencv 提供的 VideoWriter 类，用于保留视频文件。
学习完相干常识之后，能够进行这样一个试验，将一个视频逐帧保留为图片。
- OpenCV 罕用数据结构和色彩空间
这部分要把握的类有 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 相干的知识点，倡议提前学习，成果更佳。
OpenCV 中罕用的色彩空间有 BGR 色彩空间、HSV/HLS 色彩空间、Lab 色彩空间，这些都须要理解，优先把握 BGR 色彩空间。
- OpenCV 罕用绘图函数
把握如下函数的用法，即可纯熟的在 Opencv 中绘制图形。
cv2.line()；
cv2.circle()；
cv2.rectangle()；
cv2.ellipse()；
cv2.fillPoly()；
cv2.polylines()；
cv2.putText()。
- OpenCV 界面事件操作之鼠标与滑动条
第一个要把握的函数是鼠标操作音讯回调函数，cv2.setMouseCallback()，滑动条波及两个函数，别离是：cv2.createTrackbar() 和 cv2.getTrackbarPos()。
把握上述内容之后，能够实现两个案例，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。
- 图像像素、通道拆散与合并
理解图像像素矩阵，相熟图片的像素形成，能够拜访指定像素的像素值，并对其进行批改。
通道拆散函数 cv2.split()，通道合并函数 cv2.merge()。
- 图像逻辑运算
把握图像之间的计算，波及函数如下：
cv2.add()；
cv2.addWeighted()；
cv2.subtract()；
cv2.absdiff()；
cv2.bitwise_and()；
cv2.bitwise_not()；
cv2.bitwise_xor()。
还能够钻研图像乘除法。
- 图像 ROI 与 mask 掩膜
本局部属于 OpenCV 中的重点常识，第一个为感兴趣区域 ROI，第二个是 mask 掩膜（掩码）操作。
学习 ROI 局部时，还能够学习一下图像的深浅拷贝。
- 图像几何变换
图像几何变换仍旧是对根底函数的学习与了解，波及内容如下：
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()。
- 图像滤波
了解什么是滤波，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()。
- 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根底局部，利用很宽泛，能够依据灰度差别来宰割图像不同局部，阈值化解决的图像个别为单通道图像 (灰度图)，外围要把握的两个函数：
固定阈值：cv2.threshold()；
自适应阈值：cv2.adaptiveThreshold()。
- 图像收缩侵蚀
收缩、侵蚀属于形态学的操作，是图像基于形态的一系列图像处理操作。
收缩侵蚀是基于高亮局部（红色）操作的，收缩是対高亮局部进行收缩，相似“畛域扩张”，侵蚀是高亮局部被侵蚀，相似“畛域被鲸吞”。
收缩侵蚀的利用和性能：
打消噪声；
宰割独立元素或连贯相邻元素；
寻找图像中的显著极大值、极小值区域；
求图像的梯度；
外围须要把握的函数如下：
收缩 cv2.dilate()；
侵蚀 cv2.erode()。
形态学其余操作，开运算、闭运算、顶帽、黑帽、形态学梯度 这些都是基于收缩侵蚀根底之上，利用 cv2.morphologyEx() 函数进行操作。
- 边缘检测
边缘检测能够提取图像重要轮廓信息，缩小图像内容，可用于宰割图像、特征提取等操作。
边缘检测的个别步骤：
滤波：滤出噪声対检测边缘的影响；
加强：能够将像素邻域强度变动凸显进去—梯度算子；
检测：阈值办法确定边缘；
罕用边缘检测算子：
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()。
- 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，通过计算累计后果的部分最大值，失去一个合乎该特定形态的汇合，作为霍夫变换的后果。
本局部要学习的函数：
规范霍夫变换、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()。
- 图像直方图计算及绘制
先把握直方图相干概念，在把握外围函数，最初通过 matplotlib 模块对直方图进行绘制。计算直方图用到的函数是 cv2.calcHist()。
直方图相干利用：
直方图均衡化 cv2.equalizeHist()；
直方图比照 cv2.compareHist()；
反向投影 cv2.calcBackProject()。
- 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（类似）局部的技术。
外围用到的函数如下：
模板匹配 cv2.matchTemplate()；
矩阵归一化 cv2.normalize()；
寻找最值 cv2.minMaxLoc()。
- 轮廓查找与绘制
外围要了解到在 OpenCV 中，查找轮廓就像在彩色背景中找红色物体。
罕用函数：
查找轮廓 cv2.findContours()；
绘制轮廓 cv2.drawContours()。
最初应该把握针对每个轮廓进行操作。
- 轮廓特色属性及利用
这部分内容比拟重要，并且知识点比拟多，核心内容与函数别离如下：
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()；
迫近多边形曲线 cv2.approxPolyDP()；
计算轮廓面积 cv2.contourArea()；
计算轮廓长度 cv2.arcLength()；
计算点与轮廓的间隔及地位关系 cv2.pointPolygonTest()；
形态匹配 cv2.matchShapes()。
- 高级局部 - 分水岭算法及图像修补
把握分水岭算法的原理，把握外围函数 cv2.watershed()。
能够扩大补充图像修补技术及相干函数 cv2.inpaint()，学习结束能够尝试人像祛斑利用。
- GrabCut & FloodFill 图像宰割、角点检测
这部分内容都须要一些图像业余背景常识，先把握相干概念常识，在重点学习相干函数。
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()。
- 特色检测与匹配
特色点的检测和匹配是计算机视觉中十分重要的技术之一, 在物体辨认、视觉跟踪、三维重建等畛域都有很宽泛的利用。
OpenCV 提供了如下特色检测办法：
“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。
- OpenCV 利用局部之静止物体跟踪与人脸识别
理解何为静止物体检测，OpenCV 中罕用的静止物体检测办法有背景减法、帧差法、光流法，跟踪算法罕用的有 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，波及的知识点为：
人脸检测：从图像中找出人脸地位并标识；
人脸识别：从定位到的人脸区域辨别出人的姓名或其它信息；
机器学习。
