opencv包

OpenCV（开源计算机视觉库）是一个专注于实时计算机视觉的跨平台库。它提供了数百种计算机视觉算法，广泛应用于图像处理、视频捕捉、分析和机器学习等领域。

安装 OpenCV

在 Python 中安装 OpenCV

OpenCV 提供了 Python 绑定，可以通过 pip 来安装：

bash
pip install opencv-python

如果你还需要额外的功能模块（如 SIFT 和 SURF 等专利算法），可以安装 opencv-contrib-python 包：

bash
pip install opencv-contrib-python

在 Debian/Ubuntu 系统上安装 OpenCV

你可以通过包管理器来安装 OpenCV：

bash
sudo apt-get update
sudo apt-get install libopencv-dev python3-opencv

在 CentOS/RHEL 系统上安装 OpenCV

首先，确保你已经安装了 EPEL 仓库：

bash
sudo yum install epel-release

然后安装 OpenCV：

bash
sudo yum install opencv opencv-devel opencv-python

在 macOS 上安装 OpenCV

如果你使用的是 Homebrew 包管理器，可以通过以下命令安装：

bash
brew install opencv

对于 Python 用户，建议通过 pip 安装 OpenCV-Python 包。

基本用法

以下是一些 OpenCV 的基本使用示例：

读取和显示图像

python
import cv2

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

# 显示图像
cv2.imshow('Image', img)

# 等待按键事件，保持窗口打开
cv2.waitKey(0)
cv2.destroyAllWindows()

读取和写入视频

python
import cv2

# 打开视频文件或摄像头
cap = cv2.VideoCapture('example.mp4')

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

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

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

cap.release()
cv2.destroyAllWindows()

图像的基本操作

python
import cv2

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

# 转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 保存灰度图像
cv2.imwrite('gray_example.jpg', gray_img)

# 获取图像尺寸
height, width, channels = img.shape
print(f"Height: {height}, Width: {width}, Channels: {channels}")

高级功能

边缘检测

python
import cv2

# 读取图像并转换为灰度
img = cv2.imread('example.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

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

# 显示结果
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

面部检测

python
import cv2

# 加载预训练的 Haar Cascade 分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

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

# 转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测面部
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

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

# 显示结果
cv2.imshow('Faces', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像特征匹配

python
import cv2
import numpy as np

# 读取图像
img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化 ORB 检测器
orb = cv2.ORB_create()

# 查找关键点和描述符
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 使用 BFMatcher 创建匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 匹配描述符
matches = bf.match(des1, des2)

# 按距离排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制前10个匹配项
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

# 显示结果
cv2.imshow('Matches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例场景

假设你需要在一个视频中检测并跟踪人脸：

python
import cv2

# 加载预训练的 Haar Cascade 分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 打开视频文件或摄像头
cap = cv2.VideoCapture('example.mp4')

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

    # 转换为灰度
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 检测面部
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

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

    # 显示帧
    cv2.imshow('Face Detection', frame)

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

cap.release()
cv2.destroyAllWindows()

目录