難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系

橡皮擦，一個逗趣的網際網路高階網蟲。

觀前提醒，本篇文章涉及知識點巨大，建議先收藏，再慢慢學習。

本篇文章目的將為你詳細羅列 Python OpenCV 的學習路線與重要知識點。核心分成 24 個小節點，全部掌握，OpenCV 入門階段就順利通過了。

1. OpenCV 初識與安裝

本部分要了解 OpenCV （Open Source Computer Vision Library）的相關簡介，OpenCv 可以執行在多平臺之上，輕量級而且高效，由一系列 C 函數和少量 C++類構成，提供了 Python、Ruby、MATLAB 等語言的介面，所以在學習的時候，要注意查閱資料的語言實現相關問題。

這個階段除了安裝 OpenCV 相關庫以外，建議收藏官方網址，官方手冊，官方入門教學，這些都是最佳的學習資料。

模組安裝完畢，需要重點測試 OpenCV 是否安裝成功，可通過 Python 查詢安裝版本。

2. OpenCV 模組簡介

先從全域性上掌握 OpenCV 都由哪些模組組成。例如下面這些模組，你需要找到下述模組的應用場景與簡介。

core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching。

整理每個模組的核心功能，並完成第一個 OpenCV 案例，讀取顯示圖片。

3. OpenCV 影象讀取，顯示，儲存

安裝 OpenCV 之後，從影象獲取開始進行學習，包含本地載入圖片，相機獲取圖片，視訊獲取，建立影象等內容。

只有先獲取影象之後，才能對影象進行操作處理，資訊提取，結果輸出，影象顯示，影象儲存。

對於一個影象而言，在 OpenCV 中進行讀取展示的步驟如下，你可以將其程式碼進行對應。

影象讀取；
視窗建立；
影象顯示；
影象儲存；
資源釋放。

涉及需要學習的函數有 cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、 cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。

4. 攝像頭和視訊讀取，儲存

第一個要重點學習 VideoCapture 類，該類常用的方法有：

open() 函數；
isOpened() 函數；
release() 函數；
grab() 函數；
retrieve() 函數；
get() 函數；
set() 函數；

除了讀取視訊外，還需要掌握 Opencv 提供的 VideoWriter 類，用於儲存視訊檔。

學習完相關知識之後，可以進行這樣一個實驗，將一個視訊逐幀儲存為圖片。

5. OpenCV 常用資料結構和顏色空間

這部分要掌握的類有 Point 類、Rect 類、Size 類、Scalar 類，除此之外，在 Python 中用 numpy 對影象進行操作，所以 numpy 相關的知識點，建議提前學習，效果更佳。

OpenCV 中常用的顏色空間有 BGR 顏色空間、HSV/HLS 顏色空間、Lab 顏色空間，這些都需要了解，優先掌握 BGR 顏色空間。

6. OpenCV 常用繪圖函數

掌握如下函數的用法，即可熟練的在 Opencv 中繪製圖形。

cv2.line()；
cv2.circle()；
cv2.rectangle()；
cv2.ellipse()；
cv2.fillPoly()；
cv2.polylines()；
cv2.putText()。

7. OpenCV 介面事件操作之滑鼠與滑動條

第一個要掌握的函數是滑鼠操作訊息回撥函數，cv2.setMouseCallback() ，滑動條涉及兩個函數，分別是：cv2.createTrackbar() 和 cv2.getTrackbarPos()。

掌握上述內容之後，可以實現兩個案例，其一為滑鼠在一張圖片上拖動框選區域進行截圖，其二是通過滑動條讓視訊倍速播放。

8. 影象畫素、通道分離與合併

瞭解影象畫素矩陣，熟悉圖片的畫素構成，可以存取指定畫素的畫素值，並對其進行修改。

通道分離函數 cv2.split()，通道合併函數 cv2.merge()。

9. 影象邏輯運算

掌握影象之間的計算，涉及函數如下：

cv2.add()；
cv2.addWeighted()；
cv2.subtract()；
cv2.absdiff()；
cv2.bitwise_and()；
cv2.bitwise_not()；
cv2.bitwise_xor()。

還可以研究影象乘除法。

10. 影象 ROI 與 mask 掩膜

本部分屬於 OpenCV 中的重點知識，第一個為感興趣區域 ROI，第二個是 mask 掩膜（掩碼）操作。

學習 ROI 部分時，還可以學習一下影象的深淺拷貝。

11. 影象幾何變換

影象幾何變換依舊是對基礎函數的學習與理解，涉及內容如下：

影象縮放 cv2.resize()；
影象平移 cv2.warpAffine()；
影象旋轉 cv2.getRotationMatrix2D()；
影象轉置 cv2.transpose()；
影象映象 cv2.flip()；
影象重對映 cv2.remap()。

12. 影象濾波

理解什麼是濾波，高頻與低頻濾波，影象濾波函數。

線性濾波：方框濾波、均值濾波、高斯濾波，
非線性濾波：中值濾波、雙邊濾波，

方框濾波 cv2.boxFilter()；
均值濾波 cv2.blur()；
高斯濾波 cv2.GaussianBlur()；
中值濾波 cv2.medianBlur()；
雙邊濾波 cv2.bilateralFilter()。

13. 影象固定閾值與自適應閾值

影象閾值化是影象處理的重要基礎部分，應用很廣泛，可以根據灰度差異來分割影象不同部分，閾值化處理的影象一般為單通道影象(灰度圖)，核心要掌握的兩個函數：

固定閾值：cv2.threshold()；
自適應閾值：cv2.adaptiveThreshold()。

14. 影象膨脹腐蝕

膨脹、腐蝕屬於形態學的操作，是影象基於形狀的一系列影象處理操作。
膨脹腐蝕是基於高亮部分（白色）操作的，膨脹是対高亮部分進行膨脹，類似「領域擴張」，腐蝕是高亮部分被腐蝕，類似「領域被蠶食」。

膨脹腐蝕的應用和功能：

消除噪聲；
分割獨立元素或連線相鄰元素；
尋找影象中的明顯極大值、極小值區域；
求影象的梯度；

核心需要掌握的函數如下：

膨脹 cv2.dilate()；
腐蝕 cv2.erode()。

形態學其他操作，開運算、閉運算、頂帽、黑帽、形態學梯度 這些都是基於膨脹腐蝕基礎之上，利用 cv2.morphologyEx() 函數進行操作。

15. 邊緣檢測

邊緣檢測可以提取影象重要輪廓資訊，減少影象內容，可用於分割影象、特徵提取等操作。

邊緣檢測的一般步驟：

濾波：濾出噪聲対檢測邊緣的影響；
增強：可以將畫素鄰域強度變化凸顯出來—梯度運算元；
檢測：閾值方法確定邊緣；

常用邊緣檢測運算元：

Canny 運算元，Canny 邊緣檢測函數 cv2.Canny()；
Sobel 運算元，Sobel 邊緣檢測函數 cv2.Sobel()；
Scharr 運算元，Scharr 邊緣檢測函數 cv2.Scahrr() ；
Laplacian 運算元，Laplacian 邊緣檢測函數 cv2.Laplacian()。

16. 霍夫變換

霍夫變換（Hough Transform）是影象處理中的一種特徵提取技術，該過程在一個引數空間中，通過計算累計結果的區域性最大值，得到一個符合該特定形狀的集合，作為霍夫變換的結果。

本部分要學習的函數：

標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
累計概率霍夫變換 cv2.HoughLinesP() ；
霍夫圓變換 cv2.HoughCricles() 。

17. 影象直方圖計算及繪製

先掌握直方圖相關概念，在掌握核心函數，最後通過 matplotlib 模組對直方圖進行繪製。計算直方圖用到的函數是 cv2.calcHist()。

直方圖相關應用：

直方圖均衡化 cv2.equalizeHist()；
直方圖對比 cv2.compareHist()；
反向投影 cv2.calcBackProject()。

18. 模板匹配

模板匹配是在一幅影象中尋找與另一幅模板影象最匹配（相似）部分的技術。

核心用到的函數如下：

模板匹配 cv2.matchTemplate()；
矩陣歸一化 cv2.normalize()；
尋找最值 cv2.minMaxLoc()。

19. 輪廓查詢與繪製

核心要理解到在 OpenCV 中，查詢輪廓就像在黑色背景中找白色物體。

常用函數：

查詢輪廓 cv2.findContours()；
繪製輪廓 cv2.drawContours() 。

最後應該掌握針對每個輪廓進行操作。

20. 輪廓特徵屬性及應用

這部分內容比較重要，並且知識點比較多，核心內容與函數分別如下：

尋找凸包 cv2.convexHull() 與凸性檢測 cv2.isContourConvex()；
輪廓外接矩形 cv2.boundingRect()；
輪廓最小外接矩形 cv2.minAreaRect()；
輪廓最小外接圓 cv2.minEnclosingCircle()；
輪廓橢圓擬合 cv2.fitEllipse()；
逼近多邊形曲線 cv2.approxPolyDP()；
計算輪廓面積 cv2.contourArea()；
計算輪廓長度 cv2.arcLength()；
計算點與輪廓的距離及位置關係 cv2.pointPolygonTest()；
形狀匹配 cv2.matchShapes()。

21. 高階部分-分水嶺演演算法及影象修補

掌握分水嶺演演算法的原理，掌握核心函數 cv2.watershed() 。

可以擴充套件補充影象修補技術及相關函數 cv2.inpaint()，學習完畢可以嘗試人像祛斑應用。

22. GrabCut & FloodFill 影象分割、角點檢測

這部分內容都需要一些影象專業背景知識，先掌握相關概念知識，在重點學習相關函數。

GrabCut 演演算法 cv2.grabCut()；
漫水填充演演算法 cv2.floodFill()；
Harris 角點檢測 cv2.cornerHarris()；
Shi-Tomasi 角點檢測 cv2.goodFeaturesToTrack()；
亞畫素角點檢測 cv2.cornerSubPix()。

23. 特徵檢測與匹配

特徵點的檢測和匹配是計算機視覺中非常重要的技術之一, 在物體識別、視覺跟蹤、三維重建等領域都有很廣泛的應用。

OpenCV 提供瞭如下特徵檢測方法：

「FAST」 FastFeatureDetector；
「STAR」 StarFeatureDetector；
「SIFT」 SIFT(nonfree module) Opencv3 移除，需呼叫 xfeature2d 庫；
「SURF」 SURF(nonfree module) Opencv3 移除，需呼叫 xfeature2d 庫；
「ORB」 ORB Opencv3 移除，需呼叫 xfeature2d 庫；
「MSER」 MSER；
「GFTT」 GoodFeaturesToTrackDetector；
「HARRIS」 (配合 Harris detector)；
「Dense」 DenseFeatureDetector；
「SimpleBlob」 SimpleBlobDetector。

24. OpenCV 應用部分之運動物體跟蹤與臉部辨識

瞭解何為運動物體檢測，OpenCV 中常用的運動物體檢測方法有背景減法、幀差法、光流法，跟蹤演演算法常用的有 meanShift， camShift，粒子濾波， 光流法 等。

meanShift 跟蹤演演算法 cv2.meanShift()；
CamShift 跟蹤演演算法 cv2.CamShift()。

如果學習臉部辨識，涉及的知識點為：

人臉檢測：從影象中找出人臉位置並標識；
臉部辨識：從定位到的人臉區域區分出人的姓名或其它資訊；
機器學習。

相關閱讀

今天是持續寫作的第 125 / 200 天。
如果你想跟博主建立親密關係，可以關注同名公眾號夢想橡皮擦，近距離接觸一個逗趣的網際網路高階網蟲。
博主 ID：夢想橡皮擦，希望大家點贊、評論、收藏。