OpenCV 开箱即用的功能

使用 OpenCV，你几乎可以完成你能想到的每种计算机视觉任务。现实生活中的问题要求同时使用许多计算机视觉算法和模块来获得所需的结果。因此，你只需了解要用哪些 OpenCV 模块和函数来获得你想要的东西。

让我们来看看 OpenCV 中可以开箱即用的功能。

1、内置数据结构和输入/输出

OpenCV 的最大优点之一是它提供了许多内置基元来处理与图像处理和计算机视觉相关的操作。如果你必须从零开始编程，就必须定义 Image、Point、Rectangle 等。这些几乎是任何计算机视觉算法的基础。

OpenCV 自带所有这些基本结构，它们包含在核心模块中。另一个优点是这些结构已经针对速度和内存进行了优化，因此你不必担心其实现细节。

imgcodecs 模块可以处理图像文件的读取和写入。当你对输入图像进行操作并创建输出图像时，可以使用简单的命令将其另存为.jpg 或.png 文件。

使用摄像机时，你将会处理大量的视频文件。videoio 模块可以处理与视频文件的输入和输出相关的所有操作。你可以轻松地从网络摄像头捕获视频，或以多种不同格式读取视频文件。你甚至可以通过设置诸如每秒帧数、帧大小等属性来将很多帧保存为视频文件。

2、图像处理操作

在编写计算机视觉算法时，会有很多基本的图像处理操作，你将反复使用它们。大多数这些函数都在 imgproc 模块中。你可以执行诸如图像过滤、形态学操作、几何变换、颜色转换、图像绘制、直方图、形状分析、运动分析、特征检测等操作。

让我们来看看图 1-3。

右图是左侧图像的旋转版本，我们在 OpenCV 中用一行代码就可以实现这种转换。

还有另一个名为 ximgproc 的模块，它包含高级图像处理算法，可以用于诸如结构化森林的边缘检测、域变换滤波器、自适应流形滤波器等处理。

3、GUI

OpenCV 提供了一个名为 highgui 的模块，可用于处理所有高级用户界面操作。假设你正在解决一个问题，并且想要在继续下一步之前检查图像的外观，则可利用该模块具有的创建窗口以显示图像和视频的功能。

它有一个等待功能，可以等你按下键盘上的一个键才进入下一步。还有一个可以检测鼠标事件的功能，在开发交互式应用程序时非常有用。

使用这些功能，你可以在那些输入窗口上绘制矩形，然后根据所选区域进行处理，以图 1-4 为例。

如你所见，我们在窗口上画了一个绿色矩形。一旦得到这个矩形的坐标，就可以单独操作该区域。

4、视频分析

视频分析包括诸如分析视频中连续帧之间的运动、跟踪视频中的不同目标、创建视频监控模型等任务。OpenCV 提供了一个名为 video 的模块，可以处理所有这些任务。

还有一个名为 videostab 的模块，用来处理视频稳定的问题。视频稳定非常重要，因为当你通过手持摄像机拍摄视频时，通常会有很多抖动需要纠正。所有的现代设备都会使用视频稳定功能，以便在将视频呈现给最终用户之前对其进行处理。

5、3D 重建

3D 重建是计算机视觉中的一个重要课题。给定一组 2D 图像，我们可以使用相关算法重建 3D 场景。在 calib3d 模块中，OpenCV 提供的算法可以找到这些 2D 图像中各种对象之间的关系，并计算其 3D 位置。

该模块还可以处理摄像机校准，这对于估计摄像机的参数至关重要。这些参数定义了摄像机如何看到它前面的场景。我们需要知道这些参数来设计算法，否则我们可能会得到意想不到的结果。

请看图 1-5。

正如我们在这里看到的，相同的对象从多个位置被捕获。我们的工作是使用这些 2D 图像重建原始对象。

6、特征提取

正如我们前面所讨论的，人类视觉系统倾向于从给定场景中提取主要特征，然后记住它，这样便于后续的检索。为了模仿这一点，人们开始设计各种特征提取器，用于从给定的图像中提取出这些特征点。流行的算法包括尺度不变特征变换（Scale Invariant Feature Transform，简称 SIFT）、加速鲁棒特征（Speeded Up Robust Features，简称 SURF）和加速分段测试特征（Features From Accelerated Segment Test，简称 FAST）。

名为 features2d 的 OpenCV 模块提供了检测和提取所有这些特征的功能。另一个名为 xfeatures2d 的模块提供了更多的特征提取器，其中一些仍处于实验阶段。如果有机会，你可以尝试使用它们。

还有一个名为 bioinspired 的模块，可以为受到生物学启发的计算机视觉模型提供算法。

7、对象检测

对象检测是指检测给定图像中对象的位置。此过程与对象类型无关。如果你设计一个椅子检测器，它不会告诉你给定图像中的椅子是高靠背红色的，还是蓝色低靠背的，它只会告诉你椅子的位置。

检测对象的位置是许多计算机视觉系统中的关键步骤。以图 1-6 为例。

如果你在这幅图像上运行一个椅子检测器，它会在所有椅子的周围放置一个绿色框，但它不会告诉你椅子是什么样的。

由于在各种尺度下执行检测所需的计算次数不同，对象检测曾经是计算密集型任务。为了解决这个问题，Paul Viola 和 Michael Jones 在 2001 年的开创性论文中提出了一个很好的算法（https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf ），其中提出了一种为任何对象快速设计对象检测器的方法。

OpenCV 自带名为 objdetect 和 xobjdetect 的模块，它们提供了设计对象检测器的框架，你可以使用它们来开发任何对象的探测器，比如太阳镜、靴子等。

8、机器学习

机器学习算法被广泛用于构建实现目标识别、图像分类、面部检测、视觉搜索等功能的计算机视觉系统。OpenCV 提供了一个名为 ml 的模块，该模块捆绑了许多机器学习算法，包括贝叶斯分类器（Bayes classifier）、k 近邻（k-nearest neighbor，简称 KNN），支持向量机（support vector machine，简称 SVM）、决策树（decision tree）、神经网络（neural network）等。

它还有一个名为快速近似最近邻搜索库（Fast Approximate Nearest Neighbor Search Library，简称 FLANN）的模块，其中包含用于在大型数据集中进行快速最近邻搜索的算法。

9、计算摄影

计算摄影是指使用先进的图像处理技术来改善相机捕获的图像。计算摄影并不专注于光学过程和图像捕捉方法，而是使用软件来操纵视觉数据。其应用领域包括高动态范围成像，全景图像、图像补光和光场相机等。

以图 1-7 为例。

看看这些生动的色彩！这是高动态范围图像的例子，使用传统的图像捕获技术无法实现这种效果。必须在多次曝光中捕获相同的场景，相互寄存这些图像，然后将它们很好地混合，之后才能创建出这个图像。

photo 和 xphoto 模块包含各种算法，提供与计算摄影有关的算法。还有一个称为 stitching 的模块，它提供创建全景图像的算法。

10、形状分析

形状的概念在计算机视觉中至关重要。我们通过识别图像中各种不同的形状来分析视觉数据。实际上，这是许多算法中的重要步骤。

假设你正在尝试识别图像中的特定徽标。你知道它可以按各种形状、方向和大小呈现。作为起步的一个好方法是量化对象的形状特征。

shape 模块为提取不同形状、测量它们之间的相似性、转换对象形状等操作提供了所有算法。

11、光流算法

光流算法用于在视频中跟踪连续帧中的特征。假设你要跟踪视频中的特定对象。在每一帧上运行一个特征提取器是非常耗费计算资源的，这个过程会很慢。因此，你只需从当前帧中提取出要素，然后在连续帧中跟踪这些要素。

光流算法在基于视频的计算机视觉应用中被大量使用。optflow 模块包含了执行光流操作所需的所有算法。还有一个称为 tracking 的模块，其中包含可用于跟踪特征的更多算法。

12、人脸和对象识别

人脸识别是指识别给定图像中的人物。这与人脸检测不同，在人脸检测中，只需要识别给定图像中人脸的位置。如果你想建立一个可以识别相机前面的人的实用的生物识别系统，首先需要运行一个人脸检测器来识别人脸的位置，然后运行一个单独的人脸识别器来识别该人是谁。有一个名为 face 的 OpenCV 模块用于处理人脸识别。

正如我们之前讨论的那样，计算机视觉试图按照人类感知视觉数据的方式对算法进行建模。因此，在图像中找到显著的区域和对象将是有帮助的，这可以帮助我们处理不同的应用，例如目标识别、目标检测和跟踪等。一个名为 saliency 的模块是专门为此目的而设计的。它提供的算法可以检测静态图像和视频中的显著区域。

13、表面匹配

有越来越多的设备能够捕获我们周围对象的 3D 结构，这些设备能够捕获深度信息以及常规的 2D 彩色图像。因此，构建可以理解和处理 3D 对象的算法对我们来说非常重要。

Kinect 是捕获深度信息和视觉数据的一个很好的设备例子，它现在能够识别输入的 3D 对象，并将其与数据库中的模型匹配。如果我们有一个可以识别和定位对象的系统，那么它就可以用于许多不同的应用程序。

一个名为 surface_matching 的模块包含用于 3D 对象识别的算法，以及使用 3D 特征的姿势估计算法。

14、文本检测和识别

识别给定场景中的文本并识别其内容变得越来越重要，其应用包括车牌识别、识别用于自动驾驶汽车的道路标志、将内容数字化的书籍扫描等。

一个名为 text 的模块包含处理文本检测和识别的各种算法。

15、深度学习

深度学习对计算机视觉和图像识别有很大影响，并且比其他机器学习和人工智能算法具有更高的准确度。深度学习不是一个新概念；它在 1986 年左右被提出，但在 2012 年左右有了革命性进步，当时新的 GPU 硬件针对并行计算和卷积神经网络（Convolutional Neural Network，简称 CNN）实现进行了优化，加上其他技术，使得在合理的时间内训练复杂的神经网络架构成为可能。

深度学习可以应用于多种用例，例如图像识别、目标检测、语音识别和自然语言处理。从版本 3.4 开始，OpenCV 一直在实现深度学习算法，在最新版本中，添加了诸如 TensorFlow 和 Caffe 等多个重要框架的导入器。