本篇文章为你详细罗列 Python OpenCV 的学习路线与重要知识点。核心分成 24 个小节点，全部掌握，OpenCV 入门阶段就顺利通过了。
1. OpenCV 初识与安装
本部分要了解 OpenCV （Open Source Computer Vision Library）的相关简介，OpenCv 可以运行在多平台之上，轻量级而且高效，由一系列 C 函数和少量 C++类构成，提供了 Python、Ruby、MATLAB 等语言的接口，所以在学习的时候，要注意查阅资料的语言实现相关问题。
这个阶段除了安装 OpenCV 相关库以外，建议收藏官方网址，官方手册，官方入门教程，这些都是最佳的学习资料。
模块安装完毕，需要重点测试 OpenCV 是否安装成功，可通过 Python 查询安装版本。
2. OpenCV 模块简介
先从全局上掌握 OpenCV 都由哪些模块组成。例如下面这些模块，你需要找到下述模块的应用场景与简介。
core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching。
整理每个模块的核心功能，并完成第一个 OpenCV 案例，读取显示图片。
3. OpenCV 图像读取，显示，保存
安装 OpenCV 之后，从图像获取开始进行学习，包含本地加载图片，相机获取图片，视频获取，创建图像等内容。
只有先获取图像之后，才能对图像进行操作处理，信息提取，结果输出，图像显示，图像保存。
对于一个图像而言，在 OpenCV 中进行读取展示的步骤如下，你可以将其代码进行对应。
-
图像读取；
-
窗口创建；
-
图像显示；
-
图像保存；
-
资源释放。
涉及需要学习的函数有 cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、 cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。
4. 摄像头和视频读取，保存
第一个要重点学习 VideoCapture 类，该类常用的方法有：
-
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，还需要掌握 Opencv 提供的 VideoWriter 类，用于保存视频文件。
学习完相关知识之后，可以进行这样一个实验，将一个视频逐帧保存为图片。
5. OpenCV 常用数据结构和颜色空间
这部分要掌握的类有 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 相关的知识点，建议提前学习，效果更佳。
OpenCV 中常用的颜色空间有 BGR 颜色空间、HSV/HLS 颜色空间、Lab 颜色空间，这些都需要了解，优先掌握 BGR 颜色空间。
6. OpenCV 常用绘图函数
掌握如下函数的用法，即可熟练的在 Opencv 中绘制图形。
-
cv2.line()；
-
cv2.circle()；
-
cv2.rectangle()；
-
cv2.ellipse()；
-
cv2.fillPoly()；
-
cv2.polylines()；
-
cv2.putText()。
7. OpenCV 界面事件操作之鼠标与滑动条
第一个要掌握的函数是鼠标操作消息回调函数，cv2.setMouseCallback() ，滑动条涉及两个函数，分别是：cv2.createTrackbar() 和 cv2.getTrackbarPos()。
掌握上述内容之后，可以实现两个案例，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。
8. 图像像素、通道分离与合并
了解图像像素矩阵，熟悉图片的像素构成，可以访问指定像素的像素值，并对其进行修改。
通道分离函数 cv2.split()，通道合并函数 cv2.merge()。
9. 图像逻辑运算
掌握图像之间的计算，涉及函数如下：
-
cv2.add()；
-
cv2.addWeighted()；
-
cv2.subtract()；
-
cv2.absdiff()；
-
cv2.bitwise_and()；
-
cv2.bitwise_not()；
-
cv2.bitwise_xor()。
还可以研究图像乘除法。
10. 图像 ROI 与 mask 掩膜
本部分属于 OpenCV 中的重点知识，第一个为感兴趣区域 ROI，第二个是 mask 掩膜（掩码）操作 。
学习 ROI 部分时，还可以学习一下图像的深浅拷贝。
11. 图像几何变换
图像几何变换依旧是对基础函数的学习与理解，涉及内容如下：
-
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()。
12. 图像滤波
理解什么是滤波，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()。
13. 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基础部分，应用很广泛，可以根据灰度差异来分割图像不同部分，阈值化处理的图像一般为单通道图像(灰度图)，核心要掌握的两个函数：
-
固定阈值：cv2.threshold()；
-
自适应阈值：cv2.adaptiveThreshold()。
14. 图像膨胀腐蚀
膨胀、腐蚀属于形态学的操作，是图像基于形状的一系列图像处理操作。
膨胀腐蚀是基于高亮部分（白色）操作的，膨胀是対高亮部分进行膨胀，类似“领域扩张”， 腐蚀是高亮部分被腐蚀，类似“领域被蚕食”。
膨胀腐蚀的应用和功能：
-
消除噪声；
-
分割独立元素或连接相邻元素；
-
寻找图像中的明显极大值、极小值区域；
-
求图像的梯度；
核心需要掌握的函数如下：
-
膨胀 cv2.dilate()；
-
腐蚀 cv2.erode()。
形态学其他操作，开运算、闭运算、顶帽、黑帽、形态学梯度 这些都是基于膨胀腐蚀基础之上，利用 cv2.morphologyEx() 函数进行操作。
15. 边缘检测
边缘检测可以提取图像重要轮廓信息，减少图像内容，可用于分割图像、特征提取等操作。
边缘检测的一般步骤：
-
滤波：滤出噪声対检测边缘的影响 ；
-
增强：可以将像素邻域强度变化凸显出来—梯度算子 ；
-
检测：阈值方法确定边缘 ；
常用边缘检测算子：
-
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()。
16. 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，通过计算累计结果的局部最大值，得到一个符合该特定形状的集合，作为霍夫变换的结果。
本部分要学习的函数：
-
标准霍夫变换、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() 。
17. 图像直方图计算及绘制
先掌握直方图相关概念，在掌握核心函数，最后通过 matplotlib 模块对直方图进行绘制。计算直方图用到的函数是 cv2.calcHist()。
直方图相关应用：
-
直方图均衡化 cv2.equalizeHist()；
-
直方图对比 cv2.compareHist()；
-
反向投影 cv2.calcBackProject()。
18. 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（相似）部分的技术。
核心用到的函数如下：
-
模板匹配 cv2.matchTemplate()；
-
矩阵归一化 cv2.normalize()；
-
寻找最值 cv2.minMaxLoc()。
19. 轮廓查找与绘制
核心要理解到在 OpenCV 中，查找轮廓就像在黑色背景中找白色物体。
常用函数：
-
查找轮廓 cv2.findContours()；
-
绘制轮廓 cv2.drawContours() 。
最后应该掌握针对每个轮廓进行操作。
20. 轮廓特征属性及应用
这部分内容比较重要，并且知识点比较多，核心内容与函数分别如下：
-
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()；
-
逼近多边形曲线 cv2.approxPolyDP()；
-
计算轮廓面积 cv2.contourArea()；
-
计算轮廓长度 cv2.arcLength()；
-
计算点与轮廓的距离及位置关系 cv2.pointPolygonTest()；
-
形状匹配 cv2.matchShapes()。
21. 高级部分-分水岭算法及图像修补
掌握分水岭算法的原理，掌握核心函数 cv2.watershed() 。
可以扩展补充图像修补技术及相关函数 cv2.inpaint()，学习完毕可以尝试人像祛斑应用。
22. GrabCut & FloodFill 图像分割、角点检测
这部分内容都需要一些图像专业背景知识，先掌握相关概念知识，在重点学习相关函数。
-
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()。
23. 特征检测与匹配
特征点的检测和匹配是计算机视觉中非常重要的技术之一, 在物体识别、视觉跟踪、三维重建等领域都有很广泛的应用。
OpenCV 提供了如下特征检测方法：
-
“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。
24. OpenCV 应用部分之运动物体跟踪与人脸识别
了解何为运动物体检测，OpenCV 中常用的运动物体检测方法有背景减法、帧差法、光流法，跟踪算法常用的有 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，涉及的知识点为：
-
人脸检测：从图像中找出人脸位置并标识；
-
人脸识别：从定位到的人脸区域区分出人的姓名或其它信息；
-
机器学习。文章来源：https://www.toymoban.com/news/detail-596127.html
文章来源：一文梳理清楚 Python OpenCV 的知识体系文章来源地址https://www.toymoban.com/news/detail-596127.html
到了这里，关于一文梳理清楚 Python OpenCV 的知识体系的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
