【机器学习】图像处理与深度学习利器:OpenCV实战攻略全面解析


🎬 鸽芷咕个人主页
🔥 个人专栏 : 《C++干货基地》《粉丝福利》

⛺️生活的理想,就是为了理想的生活!

前言

OpenCV想必大家都听过跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效由一系列 C 函数和少量 C++ 类构成,可谓是处理图像上的一把好手今天我们就来看下OpenCV的全面攻略让你彻底认识OpenCV。

文章目录

  • 前言
  • [一、 OpenCV简介](#一、 OpenCV简介)
    • [1.1 什么是OpenCV?](#1.1 什么是OpenCV?)
    • [1.2 OpenCV的历史与发展](#1.2 OpenCV的历史与发展)
    • [1.3 OpenCV的应用领域](#1.3 OpenCV的应用领域)
  • 二、OpenCV在不用平台的安装
    • [2.1 OpenCV的安装与配置](#2.1 OpenCV的安装与配置)
    • [2.2 OpenCV在Windows系统下的安装](#2.2 OpenCV在Windows系统下的安装)
    • [2.3 OpenCV在Linux系统下的安装](#2.3 OpenCV在Linux系统下的安装)
    • [2.4 OpenCV在Mac OS系统下的安装](#2.4 OpenCV在Mac OS系统下的安装)
    • [2.5 配置Python环境使用OpenCV](#2.5 配置Python环境使用OpenCV)
  • 三、OpenCV基础使用
    • [3.1 图像的载入、显示和保存](#3.1 图像的载入、显示和保存)
    • [3.2 图像的基础操作](#3.2 图像的基础操作)
  • 四、图像色彩空间如何转换
    • [4.1 图像处理与计算机视觉基础](#4.1 图像处理与计算机视觉基础)
    • [4.2 图像阈值化](#4.2 图像阈值化)
    • [4.3 边缘检测](#4.3 边缘检测)
    • [4.4 图像滤波](#4.4 图像滤波)
    • [4.5 图像形态学操作](#4.5 图像形态学操作)
  • 结尾

一、 OpenCV简介

1.1 什么是OpenCV?

OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库。它由一系列的C函数和少量C++类构成,同时提供Python、Java和MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。

python 复制代码
# 导入OpenCV库
import cv2

# 打印OpenCV版本
print(cv2.__version__)

输出:

4.5.2

OpenCV的设计目标是提供一套简单而且可扩展的计算机视觉库,使得它能够方便地在实际的应用、研究、开发中被使用。

1.2 OpenCV的历史与发展

OpenCV的起源可以追溯到1999年,当时在英特尔公司由一群热情的研发工程师开始进行开发。2000年,OpenCV以开源的方式发布,旨在推动计算机视觉的发展并帮助更多人应用这一技术。自此之后,OpenCV已经不断发展,增加了大量新的功能,并已成为全球最流行的计算机视觉库之一。

1.3 OpenCV的应用领域

OpenCV具有极广的应用领域,它包括但不限于:

  • 人脸识别和物体识别:这是OpenCV的一项重要功能,应用在许多领域,如安全监控、交互设计等。
  • 图像和视频分析:如图像增强、图像分割、视频跟踪等。
  • 图像合成和3D重建:在图像处理和计算机视觉领域,OpenCV可以用于创建AR或VR效果,生成3D模型等。
  • 机器学习:OpenCV内置了大量的机器学习算法,可以用于图像分类、聚类等任务。
  • 深度学习:OpenCV中的dnn模块提供了一系列深度学习模型的接口,用户可以加载预训练模型进行图像识别、目标检测等任务。
python 复制代码
# 例如,以下代码展示了如何使用OpenCV进行图像读取和显示
import cv2

# 读取一张图像
img = cv2.imread('image.jpg')

# 显示图像
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

综上,OpenCV凭借其强大的功能、开源的优势以及广泛的应用领域,成为了学者和工业界的重要工具。

二、OpenCV在不用平台的安装

2.1 OpenCV的安装与配置

OpenCV的安装方式根据不同的操作系统和使用环境有所不同。以下我们将分别介绍在Windows、Linux和Mac OS下的安装方式,以及如何配置Python环境使用OpenCV。

2.2 OpenCV在Windows系统下的安装

在Windows系统下,推荐使用Python的包管理工具pip来安装OpenCV。你可以在命令行中运行以下命令来安装:

python 复制代码
pip install opencv-python

如果你需要使用到OpenCV的额外模块(如xfeatures2d等),可以安装opencv-contrib-python包:

python 复制代码
pip install opencv-contrib-python

2.3 OpenCV在Linux系统下的安装

在Linux系统下,我们同样可以使用pip来安装OpenCV。打开终端,运行以下命令:

pip install opencv-python

同样,如果你需要使用到OpenCV的额外模块,可以安装opencv-contrib-python包:

pip install opencv-contrib-python

2.4 OpenCV在Mac OS系统下的安装

在Mac OS下,我们同样可以使用pip来安装OpenCV。打开终端,运行以下命令:

python 复制代码
pip install opencv-python

如果你需要使用到OpenCV的额外模块,可以安装opencv-contrib-python包:

python 复制代码
pip install opencv-contrib-python

2.5 配置Python环境使用OpenCV

安装完成OpenCV后,我们可以在Python环境中导入cv2模块来使用OpenCV的功能。你可以创建一个新的Python脚本,然后在其中输入以下代码来测试OpenCV是否安装成功:

python 复制代码
import cv2

# 打印OpenCV版本
print(cv2.__version__)

如果输出了你所安装的OpenCV版本号,那么恭喜你,你已经成功安装并配置好了OpenCV!

总的来说,无论是在Windows、Linux还是Mac OS系统下,安装和使用OpenCV都是相对简单的。只需要几个简单的命令,就可以开始你的OpenCV之旅了。

三、OpenCV基础使用

在此部分,我们将介绍一些OpenCV的基础知识,包括图像的载入、显示和保存,以及图像的基本操作和色彩空间的转换。

3.1 图像的载入、显示和保存

在OpenCV中,我们通常使用imread()函数来载入一张图像,使用imshow()函数来显示一张图像,使用imwrite()函数来保存一张图像。

以下是一个示例:

python 复制代码
import cv2

# 载入一张图像
img = cv2.imread('image.jpg')

# 显示图像
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存图像
cv2.imwrite('new_image.jpg', img)

3.2 图像的基础操作

OpenCV提供了一系列的函数来进行图像的基础操作,包括但不限于:

  • 获取和修改像素值
  • 获取图像的基本属性(如大小、通道数、像素数等)
  • 设置图像的ROI(Region of Interest)
  • 拆分和合并图像通道
python 复制代码
# 获取和修改像素值
px = img[100,100]
print(px)

# 修改像素值
img[100,100] = [255,255,255]
print(img[100,100])

# 获取图像属性
print(img.shape)
print(img.size)
print(img.dtype)

# 设置ROI
roi = img[100:200, 100:200]

# 拆分和合并图像通道
b,g,r = cv2.split(img)
img = cv2.merge((b,g,r))

四、图像色彩空间如何转换

OpenCV提供了200+种颜色空间的转换方法,但是我们最常用的还是RGB<->Gray和RGB<->HSV的转换。

我们可以使用cv2.cvtColor()函数来进行颜色空间的转换,如下例:

python 复制代码
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转换为HSV图像
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

这是OpenCV基础操作的简单介绍,这些操作是我们在进行更高级的图像处理之前需要掌握的基础知识。

4.1 图像处理与计算机视觉基础

在计算机视觉中,图像处理是一个关键的环节,它包括图像阈值化、边缘检测、图像滤波、图像形态学操作和图像二值化等操作。下面我们将一一介绍。

4.2 图像阈值化

图像阈值化是将图像从灰度转换为二值化图像的过程,OpenCV提供了cv2.threshold()函数来进行这项操作。

python 复制代码
import cv2
import numpy as np

# 载入图像并转为灰度图
img = cv2.imread('image.jpg',0)

# 阈值化处理
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

# 显示处理结果
cv2.imshow('threshold',thresh1)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.3 边缘检测

边缘检测是计算机视觉中的常见任务,它可以用来识别图像中的物体。Canny边缘检测是一种常用的边缘检测算法,OpenCV中可以使用cv2.Canny()函数来进行Canny边缘检测。

python 复制代码
import cv2
import numpy as np

# 载入图像
img = cv2.imread('image.jpg',0)

# 进行Canny边缘检测
edges = cv2.Canny(img,100,200)

# 显示处理结果
cv2.imshow('edges',edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.4 图像滤波

图像滤波是计算机视觉中常见的图像预处理方法,OpenCV提供了各种滤波函数,如cv2.filter2D()cv2.blur()cv2.GaussianBlur()等。

python 复制代码
import cv2
import numpy as np

# 载入图像
img = cv2.imread('image.jpg')

# 使用高斯滤波进行图像平滑处理
blur = cv2.GaussianBlur(img,(5,5),0)

# 显示处理结果
cv2.imshow('blur',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.5 图像形态学操作

形态学操作是基于图像形状的一系列操作,包括腐蚀、膨胀、开运算和闭运算等。OpenCV提供了cv2.erode()cv2.dilate()cv2.morphologyEx()等函数来进行形态学操作。

python 复制代码
import cv2
import numpy as np

# 载入图像
img = cv2.imread('image.jpg',0)

# 创建一个5x5的结构元素
kernel = np.ones((5,5),np.uint8)

# 进行膨胀操作
dilation = cv2.dilate(img,kernel,iterations = 1)

# 显示处理结果
cv2.imshow('dilation',dilation)
cv2.waitKey(0)
cv2.destroyAllWindows()

结尾

相关推荐
余炜yw30 分钟前
【LSTM实战】跨越千年,赋诗成文:用LSTM重现唐诗的韵律与情感
人工智能·rnn·深度学习
莫叫石榴姐1 小时前
数据科学与SQL:组距分组分析 | 区间分布问题
大数据·人工智能·sql·深度学习·算法·机器学习·数据挖掘
96771 小时前
对抗样本存在的原因
深度学习
弗锐土豆1 小时前
工业生产安全-安全帽第二篇-用java语言看看opencv实现的目标检测使用过程
java·opencv·安全·检测·面部
如若1231 小时前
利用 `OpenCV` 和 `Matplotlib` 库进行图像读取、颜色空间转换、掩膜创建、颜色替换
人工智能·opencv·matplotlib
YRr YRr1 小时前
深度学习:神经网络中的损失函数的使用
人工智能·深度学习·神经网络
ChaseDreamRunner2 小时前
迁移学习理论与应用
人工智能·机器学习·迁移学习
静静的喝酒2 小时前
深度学习笔记之BERT(二)BERT精简变体:ALBERT
深度学习·bert·albert
麦麦大数据2 小时前
Python棉花病虫害图谱系统CNN识别+AI问答知识neo4j vue+flask深度学习神经网络可视化
人工智能·python·深度学习
谢眠3 小时前
深度学习day3-自动微分
python·深度学习·机器学习