《OpenCV计算机视觉开发实践:基于Python》【摘要 书评 试读】- 京东图书
OpenCV软件已经发展得比较庞大了，它针对不同的应用划分了不同的模块，每个模块专注于相应的功能。一个模块下面有可能有类、全局函数、枚举或全局变量等。所有全局函数或变量都在命名空间cv2下，路径为：
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Lib\ site-packages\cv2
cv2.cp38-win_amd64.pyd文件提供了opencv-python大部分的功能。pyd文件是用其他语言编写的Python库文件。如果用depends.exe工具查看，可以看到其实是用C/C++语言编译过来的，如图3-1所示。
图3‑1
也就是说，cv2.cp38-win_amd64.pyd内部本质上都是一个个C/C++函数和变量等。因此，opencv-python的架构等同于安装C/C++的OpenCV架构，只不过在外层封了一层Python函数接口。我们可以通过了解基于C/C++的OpenCV架构来窥探基于Python的OpenCV架构。基于C/C++的OpenCV架构划分了如图3-2所示的这些模块。
图3‑2
这些模块有的经过多个版本的更新已较为完善，包含了较多的功能；有的模块还在逐渐的发展中，包含的功能相对较少。接下来将按照文件夹的顺序（字母顺序）介绍模块的功能。
- calib3d：这个模块名称是由calibration（校准）和3D这两个单词的缩写组合而成的，通过名称我们可以知道，模块主要包含相机标定与立体视觉等功能，例如物体位姿估计、三维重建、摄像头标定等。
- core：核心功能模块，主要包含OpenCV库的基础结构以及基本操作，例如OpenCV基本数据结构、绘图函数、数组操作相关函数、动态数据结构等。
- dnn：深度学习模块，这个模块是OpenCV 4版本加入的一个特色，主要包括构建神经网络、加载序列化网络模型等，但是该模块目前仅适用于正向传递计算（测试网络），原则上不支持反向计算（训练网络）。
- features2d：这个模块名称是由features（特征）和2D这两个单词的缩写组合而成的，其功能主要为处理图像特征点，例如特征检测、描述与匹配等。
- flann：这个模块名称是Fast Library for Approximate Nearest Neighbors（快速近似最近邻库）的缩写，是高维的近似近邻快速搜索算法库，主要包含快速近似最近邻搜索与聚类等。
- gapi：这个模块是OpenCV 4.0版本新增加的模块，旨在加速常规的图像处理，与其他模块相比，这个模块主要充当框架而不是某些特定的计算机视觉算法。
- highgui：高层GUI图形用户界面，包含创建和操作显示图像的窗口、处理鼠标事件以及键盘命令、提供图形交互可视化界面等。
- imgcodecs：图像文件读取与保存模块，主要用于图像文件读取与保存。
- imgproc：这个模块名称是由image（图像）和process（处理）两个单词的缩写组合而成的，是重要的图像处理模块，主要包括图像滤波、几何变换、直方图、特征检测与目标检测等。
- ml：机器学习模块，主要为统计分类、回归和数据聚类等。
- objdetect：目标检测模块，主要用于图像目标检测，例如检测Haar特征。
- photo：计算摄影模块，主要包含图像修复和去噪等。
- stitching：图像拼接模块，主要包含特征点寻找与匹配图像、估计旋转、自动校准、接缝估计等图像拼接过程的相关内容。
- video：视频分析模块，主要包含运动估计、背景分离、对象跟踪等视频处理相关内容。
- videoio：视频输入输出模块，主要用于读取与写入视频或者图像序列。
通过对OpenCV模块构架的介绍，相信读者已经对OpenCV整体架构有了一定的了解。简单来说，OpenCV就是将众多图像处理和视觉处理集成在一起的软件开发包（Software Development Kit，SDK），其自身并不复杂，只要通过学习就可以轻松掌握其使用方法。
刚开始没必要一下子全部掌握这些模块，我们可以先学习几个常用的基本模块，其他模块可以等实际工作需要的时候再学习。我们的学习也可以根据这些划分好的模块来展开。
