OpenCv学习心得之程序

原文地址：/archives/2632.htmlOpenCV学习笔记（基于OpenCV 2.4）一：哈喽CV0 写在最前面这份笔记主要记录自己一个简单的学习过程，此过程从OpenCV零基础开始到实现一个或若干个图像处理算法为止，中间可能会穿插部分自己遇到的比较典型的并认为需要记录的问题进行解析，每章节内容尽量做到简短而充实，方便学习及回顾。

此外，苦于很多初学者（我也是零基础）难以找到较新版本的OpenCV的中文学习资料或文档（旧版的1.X系列与2.X系列差距巨大，2.X是重构过的），因此，这份笔记也会针对OpenCV最新版官方文档（这里基于2.4.X版）里的一些基础内容进行翻译（相信大家走过了基础期，以后再读英文文档就不会那么费劲）。

笔者是国内某高校一小硕，研究方向为医学图像处理，将于2013年6月份毕业，因此，在2012年12月21世界末日到来之前，这份为零基础入门的学习笔记定会截稿，否则，小僧就毕不了业了。

当然，若干月后，小僧还会遇到类似的问题或发现笔记有不妥的地方，那么，小僧也会及时更新过来的。

摘要：本文主要在以下几个方面做介绍：1) OpenCV简介，什么是OpenCV；2) OpenCV的模块结构；3) OpenCV的下载、安装、配置及使用；4)OpenCV版HelloWorld代码及详解；关键词：OpenCV；OpenCV教程；OpenCV学习笔记；OpenCV中文教程；OpenCV下载；1 OpenCV简介OpenCV（Open Source Computer Vision）是一个用于实时处理的计算机视觉函数库，它基于BSD许可证授权并且可免费用于学术研究和商业应用。

它拥有C/C++、Python、和Java（仅用于Android）接口，并可在Windows、Linux、Mac和Android平台上运行。

OpenCV库包含大于2500个优化算法，拥有5M的下载量和47K+的用户群体。

一、背景介绍Python是一种高级编程语言，以其简洁、易读、易学的特点受到广泛欢迎。

而OpenCV是一个开源的跨评台计算机视觉库，提供了丰富的图像处理和计算机视觉算法。

Python与OpenCV的结合，为图像处理和计算机视觉应用提供了便利的开发环境。

在使用Python和OpenCV开发图像处理和计算机视觉应用的过程中，我积累了一些使用心得，特此共享。

二、学习Python和OpenCV在开始使用Python和OpenCV之前，我首先学习了Python的基本语法和常用库，同时也了解了OpenCV的基本功能和使用方法。

通过阅读相关的文档和教程，我逐渐熟悉了Python和OpenCV的使用方式，并开始进行实际的项目开发。

三、搭建开发环境1. 安装Python在使用Python和OpenCV之前，我首先安装了Python解释器，以及一些常用的Python包管理工具，如pip和conda。

这些工具为我后续安装OpenCV和其他Python库提供了便利。

2. 安装OpenCV通过pip或conda，我安装了最新版本的OpenCV库。

在安装过程中，我遇到了一些依赖库和系统环境的问题，需要仔细阅读相关的文档和社区帖子，才能成功解决。

安装完成后，我进行了简单的测试，确保OpenCV库可以正常使用。

四、图像处理基础1. 读取和显示图像在使用OpenCV进行图像处理时，首先需要能够读取和显示图像。

OpenCV提供了imread和imshow等函数，可以方便地实现图像的读取和显示。

2. 图像的基本操作对图像进行裁剪、缩放、平移和旋转等基本操作是图像处理中的常见需求。

OpenCV提供了丰富的函数和类，可以简单方便地实现这些操作。

3. 图像滤波和边缘检测图像滤波和边缘检测是图像处理中的重要技术，可以用于去除噪声、增强图像特征等。

OpenCV提供了各种滤波器和边缘检测算法，可以帮助我快速实现这些功能。

五、计算机视觉应用1. 物体检测与识别使用OpenCV提供的目标检测和识别算法，我可以实现常见物体的检测和识别。

计算机视觉与OpenCV算法学习内容总结计算机视觉是一项基于数字图像和视频处理的前沿技术，在人工智能领域中得到了广泛应用。

而OpenCV（开源计算机视觉库）是一款以C++语言为主的跨平台计算机视觉库，被广泛认可为业界最优秀的计算机视觉库之一相比于传统的图像处理技术，计算机视觉和OpenCV算法极大地提高了图像和视频的处理效率和准确性，同时也带来了更多的应用场景和商业价值，具有重要的实际意义：自动化视觉检测：比如在生产制造行业、医疗行业中，计算机视觉可以识别和分析产品缺陷、医学影像等数据，大大提高了生产效率和医疗精度。

智能安防监控：比如计算机视觉可以对监控摄像头拍摄到的人员进行监测与识别，有效杜绝犯罪活动，保障社会安全。

智能驾驶和无人机导航：计算机视觉也被广泛应用于智能驾驶和无人机导航领域，大大提高了车辆驾驶和无人机飞行的自动化程度，增强了系统的智能性、稳定性以及安全性。

人工智能与大数据应用：计算机视觉的技术也被广泛应用于人工智能领域，从图像标注和识别到智能算法优化等各方面发挥重要作用。

因此，计算机视觉与OpenCV算法是一项具有重要意义且快速发展的技术，在各个行业和应用场景中均发挥着越来越关键的作用。

未来这项技术还将持续进化和创新，为人们生活、工作甚至社会的发展带来更多的可能性和机遇。

但是计算机视觉与OpenCV算法需要学习哪些内容，该如何学习呢，今天我们就在这里做一个详细的总结：1、OpenCV算法开发学习OpenCV4是一款跨平台计算机视觉库，包含了众多的模块，每个模块都有其独特的用途和特点。

以下是OpenCV4中主要模块的介绍：core模块OpenCV的 core 模块是整个库的核心模块，它提供了大量的函数和类来支持图像处理、计算机视觉和机器学习等领域中的几乎所有操作。

该模块的主要功能包括：数组结构： core 模块中最重要的数据结构是Mat，它是一个多维数组，用于存储图像和其他数据。

除此之外，它还定义了一些向量对象，如Point, Size和Rect等。

近几周通过对C语言及OPENCV的逐渐学习，初步了解了OPENCV的一些知识，现在对自己的学习做一个总结。

OpenCV是一个开源的计算机视觉库，其采用C编写，被设计成为可移植的函数库，OpenCV的设计目标是执行速度尽可能的快，其主要关注的是实时应用。

OpenCV的结构和内容：上面这幅截图是OpenCV源码的文件组成结构，可以看出其中包括cv，cvaux,cxcore，highgui，ml这5个模块。

CV:包含了基本的图像处理函数和高级的计算机视觉算法，包括图像处理，图像结构分析，运动描述和跟踪，模式识别和摄像机标定。

ML: 是机器学习库，包含一些基于统计的分类和聚类工具。

HighGUI:包含图像和视频的输入/输出函数。

CXCORE:包含了OpenCV 的一些基本的数据结构和相关函数。

CVAUX ：该模块则是一般用存放即将被淘汰的算法和函数，同时也包含一些新出现的实验性的函数和算法。

下面是我学习OPENCV时具体例子：（1）利用OPENCV加载一幅图片：刚开始学习是对OPENCV不怎么懂，不知道其怎么使用。

最后发现OPENCV就是一个用做信号，图像等方面检测处理的C语言库，只要把库添加到VISUAL C中便可以。

然后我们用VISUAL 做我们所需要的分析处理。

#include”highgui.h”Void main(){IplImage *img=cvLoadImage(“D:\\02.jpg”);cvNamedWindow(“example1”,CV_WINDOW_AUTOSIZE); cvShowImage(“example1”,img);cvWaitkey(0);cvReleaseImage(&img);cvDestroyWindow(“example1”);}其实这个例子很简单，就是调用显示一张图片了。

#include”highgui.h”这句是包含头文件了，highgui.h中包含图像处理，显示等方面的函数。

opencv4应用开发-入门,进阶与工程化实践引言随着计算机视觉技术的飞速发展，OpenCV已成为计算机视觉领域的核心库。

OpenCV4在图像处理、目标检测、机器学习等领域的应用日益广泛。

本文将带领大家从入门到进阶，再到工程化实践，深入探索OpenCV4的魅力。

第一部分：入门篇1.1 OpenCV4简介首先，我们来了解一下OpenCV4。

OpenCV是一个开源的计算机视觉库，包含了大量的图像处理和计算机视觉的算法。

OpenCV4在保持原有功能的基础上，进一步优化了算法性能，并增加了许多新的功能模块。

1.2 环境配置在开始OpenCV的学习之前，我们需要配置好开发环境。

这包括安装OpenCV 库、选择合适的编程语言（如Python、C++等）以及相应的开发工具（如PyCharm、Visual Studio等）。

1.3 基本操作在掌握了环境配置后，我们可以开始学习OpenCV的基本操作，如图像的读取、显示、保存等。

通过这些基础操作，我们可以对图像进行简单的处理，如灰度转换、噪声去除等。

第二部分：进阶篇2.1 图像处理算法在掌握了基本操作后，我们可以进一步学习OpenCV提供的各种图像处理算法，如滤波、边缘检测、形态学处理等。

这些算法可以帮助我们更好地理解和处理图像。

2.2 目标检测与跟踪目标检测和跟踪是计算机视觉的重要应用之一。

OpenCV提供了多种目标检测和跟踪的方法，如Haar级联、HOG+SVM、深度学习模型等。

通过这些方法，我们可以实现人脸检测、行人检测等功能。

2.3 机器学习与计算机视觉近年来，机器学习在计算机视觉领域的应用越来越广泛。

OpenCV4结合了多种机器学习算法，如支持向量机、随机森林等，使得我们可以在计算机视觉任务中更好地利用机器学习的能力。

第三部分：工程化实践篇3.1 项目管理与团队协作在大型项目中，良好的项目管理至关重要。

我们需要根据项目的需求，制定合适的开发计划，并进行有效的团队协作。

OpenCV学习笔记（一）摘要：由于最近AR（增强现实）这个概念非常火爆，各种基于AR的应用及游戏逐渐面向大众，而在AR中最重要的两个技术就是跟踪识别和增强渲染，其中跟踪识别是通过OpenCV这个开源的计算机视觉库来实现的，所以我就想着研究一下这个库，这里是个人的学习笔记，不是什么权威的教程，如果你们有错误也麻烦帮我指出哈。

====================================== =======分割线========================================= =========前言：什么是OpenCV?可能还有人不清楚吧，简单地说，OpenCV——Open Source Computer Vision Library,即开源计算机视觉库，它是基于C语言和部分C++语言来开发，可用于计算机视觉、图像处理以及模式识别和跟踪。

一、准备工作：1.下载OpenCV安装包：到OpenCV的官网（）下载最新版本的OpenCV安装包，由于OpenCV针对不同平台都有安装程序，所以我们只需要根据当前开发环境选择合适的平台版本即可，这里我们是在win7 64bit操作系统下进行开发，所以应该下载OpenCV for Windows：我们选择了当前的最新版本3.1，下载完毕后，我们得到其安装文件：opencv-3.1.0.exe2.安装Visual Studio 2015二、安装配置：1.安装：双击打开下载好的opencv-3.1.0.exe文件，进行安装（其实是解压），选择安装目录：安装完毕之后，在其安装目录下可以看到两个文件夹：build和sources,其中build是OpenCV使用时要用到的一些库文件，而sources中则是OpenCV为我们提供的一些demo示范源码：2.环境变量配置：上面步骤只是完成了安装，但是要能够正常使用OpenCV来进行开发，我们还需要进行环境变量的配置，我的电脑—>属性—>高级系统设置—>环境变量，找到Path变量，选中并点击编辑：64位系统的需要在path添加“;opencv安装路径\build 64\vc14\bin”（注：英文输入法中的“;”是分割符，用于与前面其他软件的配置参数分开），例如我的配置参数应该为：;E:\OpenCV\opencv\build 64\vc14\bin。

OpenCV总结OpenCV（即开源计算机视觉库）是一个广泛使用的开源计算机视觉和机器学习库，为开发者提供了丰富的图像处理和计算机视觉算法。

它由C++实现，但也提供了Python、Java和MATLAB等语言的接口，在各种操作系统上都可以使用。

下面是对OpenCV的总结。

首先，OpenCV提供了丰富的图像处理功能。

它可以进行基本的图像操作，如加载和保存图像、调整图像尺寸和颜色空间转换等。

此外，OpenCV还提供了多种滤波器和变换，如均值滤波、高斯滤波、边缘检测、霍夫变换等，以及几何变换，如缩放、旋转和仿射变换等。

使用这些功能，开发者可以快速、高效地处理图像并提取关键特征。

其次，OpenCV具有强大的计算机视觉功能。

它支持图像特征提取，如 Harris 角点检测、SIFT 和 SURF 特征描述算法等。

此外，OpenCV还提供了多种目标检测和跟踪算法，如人脸检测、行人检测、运动跟踪等。

这些算法可以被应用于各种应用场景，如人脸识别、目标跟踪、图像匹配等。

OpenCV还支持机器学习功能。

它提供了各种常用的机器学习算法，如支持向量机（SVM）、K最近邻（KNN）、随机森林等，以及特征选择和模型评估的函数。

这些功能可以帮助开发者构建和训练机器学习模型，并进行分类、回归和聚类等任务。

此外，OpenCV还提供了摄像头和视频处理功能。

它可以从摄像头获取实时图像，并进行实时图像处理和分析。

开发者可以使用OpenCV对视频进行编解码、帧提取和合并、视频压缩等操作，以及对视频流进行实时分析和处理。

另外，OpenCV具有强大的社区支持。

它一直积极更新和维护，并有大量的文档、示例代码和教程可供参考。

开发者可以通过OpenCV社区获得技术支持、交流经验和解决问题，使得开发过程更加顺利和高效。

总之，OpenCV是一个功能强大、易用且广泛应用的计算机视觉库。

它为开发者提供了丰富的图像处理和计算机视觉算法，支持图像处理、目标检测和跟踪、机器学习等功能，并在多个操作系统上都可以使用。

1）通道拆分：b,g,r = cv2.spliti(img);b = cv2.split(img)[0];2）通道合并：img = cv2.merge([b,g,r]3）Np.arr: item(), itemset(),彩色图像必须包括行、列、列索引/通道；4）图像属性包括：shape（行，列，通道数）size(行*列*通道数）Dtype 数据类型5）“+”或cv2.add()对图像进行加法运算；区别：“+”a+b≤255时，取值a+ba+b＞255时，取值mod(a+b,256)cv2.add()a+b≤255时，取值a+ba+b＞255时，取值255注：cv2.add(),参数：（图像，图像）；（图像，数值）；（数值，图像）6）图像加权和：计算两幅图像的像素值之和时，将每幅图像的权重考虑进来：dst = saturate(src1*α+src2*β+γ）；saturate()表示取饱和值7）Opencv中提供了函数cv2.addWeighted(),用来实现图像的加权和dst = cv2.addweighted(src1,alpha,src2,beta,gamma);该函数实现的功能是src1*α+src2*β+γ；α+β可以等于1，也可以不等于1，gamma可以是0，但是是必选参数，不能省略；8）按位逻辑运算：9）位平面分解代码：import cv2import numpy as npJieyi = cv2.imread("jieyi.jpg",0)cv2.imshow("lena",lena)r,c = lena.shapex = np.zeros((r,c,8),dtype = np.uint8) for i in range(8):x[:,:,i] = 2**ir = np.zeros((r,c,8),dtype = np.uint8)for i in range(8):r[:,:,i] = cv2.bitwise_and(lena,x[:,:,i]) mask = r[:,:,i]>0r[mask] = 255cv2.imshow(str(i),r[:,:,i])cv2.waitKey()cv2.destroyAllWindows()10）HSV色彩空间：色调（Hue，也称色相），饱和度（saturation）、亮度（value）●色调：详见附录二色调环,范围[0,360]●饱和度：指相对纯净度，或一种颜色混合白光的数量，饱和度与所加白光的数量成反比，范围[0,1]●亮度：反应的是人眼感受到的光的明暗程度，该指标与物体的反射程度有关。

opencv4应用开发入门进阶与工程化实
践
OpenCV4应用开发入门、进阶与工程化实践是一个涉及计算机视觉领域的综合性课程。

它涵盖了从基础知识到高级应用，再到实际项目开发的全过程。

以下是该课程的主要内容：
1. 入门阶段：介绍OpenCV的基本概念、安装与配置、以及核心模块的使用。

学生将学习如何使用OpenCV进行图像读取、显示、保存等基本操作，并了解图像处理中的一些基本算法，如滤波、边缘检测等。

2. 进阶阶段：深入学习OpenCV中的各种功能模块，包括特征检测与匹配、目标跟踪、光学字符识别（OCR）等。

学生将学习如何使用OpenCV进行更复杂的图像处理和计算机视觉任务，并掌握一些先进的技术和方法。

3. 工程化实践：在这一阶段，学生将通过实际项目来应用所学知识，提高实际开发能力。

项目可以涉及多个领域，如人脸识别、物体识别、自动驾驶等。

学生将学习如何将OpenCV与实际项目相结合，实现高效、稳定的计算机视觉应用。

总之，OpenCV4应用开发入门、进阶与工程化实践是一
个全面而深入的课程，旨在帮助学生掌握计算机视觉领域的核心技术，提高实际开发能力，并能够在实际项目中应用所学知识。

OpenCV学习总结
数字图像处理1—90页笔记
数字图像基础
1、处理图像步骤：图像获取、图像增强、复原、彩色处理、小波变换、压缩、形态学处理（前面步骤输出图像）；分割、表示与描述（即特征提取）、对象识别（后面步骤输出图像属性）。

2、图像是由“照射”源和形成图像“场景”元素对光能的反射或吸收相结合而成。

3、传感器获取图像，输出连续变化的电压，然后取样、量化为数字图像。

4、数字图像可矩阵表示，矩阵中的值取整数，表示图像灰度值，出于处理方便，灰度级典型的取值为2的整数次幂L=2k，通常称为K比特图像。

空间域图像增强
1、当要增强图像暗色区域的白色或灰色细节，当黑色面积占主导地位时，可用图像反转变换增强图像。

2、当要压缩图像像素的动态范围，可采用对数变换，典型应用是傅里叶频谱的压缩。

3、监视器上图像校正，通常称为伽马校正，可用幂次变换。

4、对比拉伸的思想是提高图像处理时灰度级的动态范围，提高图像对比度。

5、灰度切割：在图像中提高特定灰度的亮度。

6、位图切割：对特定位提高亮度。

7、直方图均衡化作用，使灰度级分布趋于均匀，因为图像像素直方图分布均匀，图像有高的对比度和多变的灰度色调。

8、平均值和方差在图像增强的作用是：对整幅图像进行度量，并对整幅图像和对比度进行初步调整。

9、“与”、“或”通常用作模板，模板可以提取一副图像中的图像，处理感兴趣（ROI）区域。

10、“非”操作与反变换操作功能相同。

11、图像相减可以比较两幅图像的差异，最成功的例子是在医学领域称为掩模式X光成像法。

课程设计小结300字
课程设计小结
本次课程设计，我选择的是《图片模糊处理》，主要基于OpenCV 开发实现。

OpenCV是一个强大的开源计算机视觉库，可以用于实时计算机视觉和图像处理任务，本次课程设计也是利用其有效的计算机视觉功能，实现图片模糊处理功能。

在学习本次课程设计之前，我首先学习了OpenCV的基本知识，包括安装、环境配置、基本操作等，以及图像处理中常用的函数使用，从而为本次课程设计打下基础。

然后，为了掌握模糊算法的原理，我参考了网上的资料，学习了均值滤波和中值滤波两种模糊处理算法，以及对应的示例代码，使我能够更好的理解模糊处理算法的原理。

最后，在我熟练掌握模糊处理算法的基础之上，使用OpenCV实现了用户可通过改变锐化数值，进行对图片进行模糊处理的功能，并在显示图像处理的过程中使用了视频窗口查看，实现了可视化效果。

该课程设计不仅更加深入的学习了OpenCV这门计算机视觉库，而且也增强了我的模糊处理算法的知识，实现对图像处理的可视化效果，提升了我的编程能力。

- 1 -。

掌握使用OpenCV进行图像处理和分析图像处理和分析是计算机视觉领域中的重要研究内容。

随着图像获取技术的发展，我们可以轻松地从相机、无人机、卫星等源中获取大量的图像数据。

然而，这些海量的图像数据如何进行处理和分析呢？OpenCV作为一个非常强大的图像处理库，为我们提供了许多有用的工具和函数，帮助我们解决了这一难题。

一、图像处理基础在开始使用OpenCV之前，我们先来了解一些图像处理的基础知识。

图像由像素组成，像素是图像处理的最基本单元。

每个像素可以包含灰度值或颜色值。

通过改变像素的灰度值或颜色值，我们可以实现图像的亮度调整、对比度调整和颜色调整等功能。

此外，还可以对图像进行旋转、缩放、平滑和锐化等操作。

二、OpenCV简介OpenCV是一个开源的计算机视觉库，它提供了一系列用于图像处理和分析的函数和工具。

OpenCV支持多种编程语言，包括C++、Python和Java等。

在使用OpenCV之前，我们需要先安装OpenCV库，并将其与我们所选择的编程语言进行绑定。

三、图像处理示例接下来，我们通过一些实际的图像处理示例来介绍OpenCV的使用。

首先，我们可以通过OpenCV读取、显示和保存图像。

下面是一个读取图像并显示的示例代码：```import cv2# 读取图像image = cv2.imread('image.jpg')# 显示图像cv2.imshow('image', image)cv2.waitKey(0)# 保存图像cv2.imwrite('new_image.jpg', image)```除了简单的读取和显示图像，OpenCV还提供了许多强大的图像处理函数。

例如，我们可以使用OpenCV来检测图像中的边缘。

下面是一个使用Canny算子来检测边缘的示例代码：```import cv2# 读取图像image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 检测边缘edges = cv2.Canny(image, 50, 150)# 显示边缘图像cv2.imshow('edges', edges)cv2.waitKey(0)```此外，OpenCV还提供了许多其他的图像处理功能，例如图像模糊、图像分割和图像拼接等。

opencv学习记录之图像运算图像的运算可以是⼗进制的值运算也可以是⼆进制的位逻辑运算⼀、图像加法运算1import cv22import numpy as np3 img1 = np.random.randint(0,256, size = [3,3] , dtype = np.uint8)4 img2 = np.random.randint(0,256, size = [3,3] , dtype = np.uint8)5 img3 = cv2.add(img1,img2)6print("img1 =\n" , img1)7print("img2 =\n" , img2)8print("img1+img2 =\n" , img1 + img2)9print("cv2.add(img1, img2) =\n" , img3)img1 =[[106 40 179][171 138 207][131 34 55]]img2 =[[125 73 224][132 229 201][151 37 40]]img1+img2 =[[231 113 147][ 47 111 152][ 26 71 95]]cv2.add(img1, img2) =[[231 113 255][255 255 255][255 71 95]]如上代码显⽰加法可以通过加法运算符和cv2.add()函数加法运算符两图相对应的像素值相加和⼩于等于255,即和对256取模cv2.add()函数会得到两图像像素值的饱和值（最⼤值），即当和⼤于255，则得到结果255.其他则为原和值。

函数参与运算的两个算⼦可以是两幅图像，也可以是⼀幅图像与⼀个数值⼆、图像加权和图像加权和即是将每幅图像的权重考虑进来，公式为：dst = saturate( src1 * a + src2 * b)结果取饱和值1import cv22 dog =cv2.imread("/home/miao/dog.jpg")3 cat =cv2.imread("/home/miao/cat.jpg")4 result = cv2.addWeighted(dog , 0.6 , cat , 0.4 , 0)5 cv2.imshow("dog", dog)6 cv2.imshow("cat" , cat)7 cv2.imshow("result" , result)8 cv2.waitKey()9 cv2.destroyAllWindows()三、按位逻辑运算常见的位运算函数函数名基本含义cv2.bitwise_and()按位与cv2.bitwise_or()按位或cv2.bitwise_xor()按位异或cv2.bitwise_nor按位取反这些函数可以在第三个参数加⼊掩模可以得到计算结果中掩模指定的部分其运算即将图像数值转化为⼆进制进⽽计算，按位与，任何数值与0按位于运算都是0根据该特点构造掩模图像，该图像只有两种数值0和255将图像与掩模图像按位与运算可以得到图像中被掩模图像指定的部分1import cv22import numpy as np3 a = np.random.randint(0 , 255, (5,5) , dtype = np.uint8)4 b = np.zeros((5,5) , dtype = np.uint8)5 b[0 : 3 , 0 : 3] = 2556 b[4,4] = 2557 c = cv2.bitwise_and(a,b)8print("a = \n" , a)9print("b = \n" , b)10print("c = \n" , c)a =[[215 164 27 216 90][184 33 40 101 247][ 77 150 189 26 251][101 30 32 49 86][ 64 86 175 28 221]]b =[[255 255 255 0 0][255 255 255 0 0][255 255 255 0 0][ 0 0 0 0 0][ 0 0 0 0 255]]c =[[215 164 27 0 0][184 33 40 0 0][ 77 150 189 0 0][ 0 0 0 0 0][ 0 0 0 0 221]]四、位平⾯分解在8位灰度图中，每个像素使⽤8位⼆进制表⽰，可以⽤值表⽰value = a7*2^7 + a6*2^6 + a5*2^5 + a4*2^4 + a3*2^3 + a2*2^2 + a1*2^1 + a0*2^0每个ai的权重不同对图像的影响⼤⼩也不同因此可以将原图分解位8个⼆进制图像，即8个位平⾯a7的权重最⾼，与图像的相关性最⼤，与图像最为相似0权重最⼩，构成的图像相关性最低，通常看起来杂乱⽆章提取位平⾯是⼀个⼆值图像，将图像直接显⽰出来则是近似⿊⾊的图像，这是因为地平⾯的像素值低，显⽰的图像近⿊⾊，所以在提取位平⾯后将⼤于0的值处理位255,则将⼆值图像显⽰为⿊⽩图像1import cv22import numpy as np3 dog = cv2.imread("/home/miao/dog.jpg" , 0)4 cv2.imshow("dog" , dog)5 r,c = dog.shape6 x = np.zeros((r,c,8) , dtype = np.uint8)7for i in range(8):8 x[:,:,i] = 2**i9 y = np.zeros((r,c,8) , dtype = np.uint8) 10for i in range(8):11 y[:,:,i] = cv2.bitwise_and(dog , x[:,:,i])12 mask = y[:,:,i] > 013 y[mask] = 25514 cv2.imshow(str(i) , y[:,:,i])15 cv2.waitKey()16 cv2.destroyAllWindows()原图的灰度图像a0:a1a2a3a4a5a6a7五、图像的加密和解密通过按位异或则可以实现加密和解密按异或运算规则假设：xor(a,b) = c得xor(c,b) = axor(c,a) = b可以得出其有如下关系a：明⽂，原始数据b：密匙c：密⽂1import cv2 2import numpy as np3 dog = cv2.imread("/home/miao/dog.jpg" , 0)4 r,c = dog.shape5 key = np.random.randint(0 , 256 , size = [r,c] , dtype = np.uint8)6 encryption = cv2.bitwise_xor( dog , key)7 decryption = cv2.bitwise_xor( encryption , key)8 cv2.imshow("dog" , dog)9 cv2.imshow("key" , key)10 cv2.imshow("encryption" , encryption)11 cv2.imshow("decryption" , decryption)12 cv2.waitKey()13 cv2.destroyAllWindows()原图dog密匙图像key加密图像encryption解密图像decryption六、数字⽔印即将⼀个需要隐藏的⼆值图像信息嵌⼊载体图像将需要隐藏的⼆值图像嵌⼊在载体图像的最低有效位(即相关性最低，对图像影响最⼩)嵌⼊过程建⽴与图像⼤⼩相同，元素值为254的提取矩阵即：1111 1110将图像与其按位与运算则可以将最低有效位清0，保留图像的⾼7位也可以对像素右移⼀位，再进⾏左移⼀位将⽔印图像(⼆值图像)的像素值255转化为1(⼆进制⼆值图像),然后将⼆进制⼆值⽔印图像与最低有效位被置零后得到的原始载体图像进⾏按位或运算就可以将⽔印信息嵌⼊原始载体图像内提取过程建⽴与图像⼤⼩相同，元素值为1,即：0000 0001将图像内每个像素，将其与数值为1进⾏按位与操作，即可将图像的最低有效位提取出来。

qt基于opencv的项目开发的心得在基于OpenCV的项目开发过程中，我有几点心得体会：1. 熟悉OpenCV库：在项目开始之前，需要对OpenCV库的使用进行充分的学习和了解。

了解OpenCV的各种功能和API，熟悉图像处理和计算机视觉相关的概念和算法。

这样才能更好地理解和使用OpenCV库来完成项目需求。

2. 设计合理的项目架构：在项目开发之前，需要进行项目架构的设计。

将整个项目划分为不同的模块，每个模块负责不同的功能。

这样可以使得项目结构清晰，易于维护和扩展。

3. 数据预处理：在进行图像处理和计算机视觉任务之前，对输入数据进行预处理是非常重要的。

这包括图像的读取、尺寸调整、通道转换等。

预处理可以帮助提高算法的准确性和效率。

4. 算法选择和优化：对于不同的图像处理和计算机视觉任务，可以选择不同的算法来实现。

需要根据项目需求和数据特点，选择合适的算法。

同时，还需要对算法进行优化，以提高运行速度和效果。

5. 调试和测试：在项目开发过程中，经常需要进行调试和测试。

通过输出中间结果、添加日志信息等方式，可以帮助找出代码的错误和问题。

同时，还需要进行各种测试，包括单元测试和集成测试，以确保代码的正确性和稳定性。

6. 学习和保持更新：OpenCV是一个开源库，不断有新的功能和更新发布。

作为开发者，需要不断学习和掌握最新的OpenCV技术和方法。

可以通过阅读官方文档、参加相关培训和交流活动等方式来保持更新。

总的来说，基于OpenCV的项目开发需要具备扎实的图像处理和计算机视觉基础，同时还需要具备良好的编程能力和项目管理能力。

通过不断实践和学习，可以不断提高自己在OpenCV项目开发中的技术水平和经验。

opencv实验报告OpenCV实验报告引言：计算机视觉是一门研究如何使计算机“看”的学科，而OpenCV（Open Source Computer Vision Library）则是计算机视觉领域中最为常用的开源库之一。

本文将介绍我在学习和实践OpenCV过程中的一些实验和心得体会。

一、图像处理实验1.1 灰度图像转换在图像处理中，灰度图像转换是一个常见的操作。

通过OpenCV的函数，我们可以将彩色图像转换为灰度图像，这样可以方便后续的处理。

实验中，我使用了一张彩色图片，通过OpenCV提供的函数将其转换为灰度图像，并将结果进行了展示和比较。

1.2 图像平滑图像平滑是一种常见的图像处理技术，可以去除图像中的噪声，使图像更加清晰。

在实验中，我尝试了使用OpenCV中的高斯滤波和均值滤波两种方法对图像进行平滑处理，并对比了它们的效果和处理速度。

二、图像特征提取实验2.1 边缘检测边缘检测是图像处理中的重要任务之一，它可以帮助我们识别图像中的边缘和轮廓。

在实验中，我使用了OpenCV提供的Sobel算子和Canny算子两种方法对图像进行边缘检测，并对比了它们的效果和处理速度。

2.2 特征点检测特征点检测是计算机视觉中的一个重要任务，它可以帮助我们在图像中找到具有独特性质的点，用于图像匹配和目标识别等应用。

在实验中，我使用了OpenCV中的SIFT算法对图像进行特征点检测，并对比了不同参数设置下的检测结果。

三、图像识别实验3.1 目标检测目标检测是计算机视觉中的一个重要任务，它可以帮助我们在图像中找到特定的目标物体。

在实验中，我使用了OpenCV中的Haar Cascade分类器对人脸进行检测，并对比了不同参数设置下的检测结果。

3.2 图像分类图像分类是计算机视觉中的一个热门研究方向，它可以帮助我们将图像分为不同的类别。

在实验中，我使用了OpenCV中的机器学习算法SVM对图像进行分类，并对比了不同特征提取方法和分类器参数设置下的分类准确率。

OpenCV3编程⼊门（⽑星云）读书笔记（⼀）开始cv版本2.4.9编译器vs2019资料书：OpenCV3编程⼊门（⽑星云）配置按照⽹上教程。

遇到的问题运⾏测试程序遇到的问题：OpenCV Error: Assertion failed (size.width>0 && size.height>0) in cv::imshow, file ........\opencv\modules\highgui\src\window.cpp, line 261原因是由于图⽚的地址错误。

图⽚应该存在项⽬下。

测试程序#include <opencv2/opencv.hpp>using namespace cv;int main() {/*Mat img = imread("1.jpg");*///这⾥的图⽚存在项⽬下（⽂件中）Mat img = imread("D:\\cv\\opencv_demo\\1.jpg");//注意地址间是\\imshow("[载⼊的图⽚]", img);waitKey(6000);}在运⾏过程中，如果出现XXX未定义等情况，最好将cv删掉重新解压使⽤简单⼏个例⼦1、图像腐蚀⽤暗⾊部分腐蚀掉图⽚中的亮⾊部分#include <opencv2/opencv.hpp>using namespace cv;//图⽚腐蚀int main() {Mat scrimage = imread("1.jpg");imshow("原图", scrimage);//腐蚀操作Mat element = getStructuringElement(MORPH_RECT, Size(15, 15));Mat dstImage;erode(scrimage, dstImage, element);//进⾏图像腐蚀imshow("效果图", dstImage);waitKey();return 0;}2、图像模糊#include <opencv2/opencv.hpp>using namespace cv;//图⽚模糊int main() {Mat scrImage = imread("1.jpg");imshow("原图", scrImage);Mat dstImage;blur(scrImage, dstImage, Size(7, 7));//图⽚模糊imshow("效果图", dstImage);waitKey();}3、canny边缘检测载⼊图像，先转为灰度图，再⽤blur进⾏图⽚模糊降噪，⽤canny进⾏边缘检测#include <opencv2/opencv.hpp>using namespace cv;//图⽚边缘检测int main() {Mat srcImage = imread("2.jpg");imshow("原图", srcImage);Mat dstImage,edge,grayImage;dstImage.create(srcImage.size(), srcImage.type());//设置和原图⼀样的矩阵cvtColor(srcImage, grayImage, CV_BGR2GRAY);//在dstImage矩阵上⽣成图blur(grayImage, edge, Size(3, 3));Canny(edge, edge, 3, 9, 3);imshow("效果图", edge);waitKey();return 0;}4、读取并播放视频#include <opencv2\opencv.hpp>using namespace cv;int main(){VideoCapture capture("1.avi");//存储位置相同while(1){Mat frame;capture>>frame;imshow("读取视频",frame);waitKey(30);}return 0;}5、截取摄像头图像并canny处理#include <opencv2/opencv.hpp>using namespace cv;int main() {VideoCapture capture(0);//表⽰使⽤摄像头Mat edges;while (1) {Mat frame;capture >> frame;cvtColor(frame, edges, CV_BGR2GRAY);blur(edges, edges, Size(7, 7));Canny(edges, edges, 0, 30, 3);imshow("结果", edges);if (waitKey(30) >= 0) {break;}}return 0;}//输出当前cv版本printf("\t版本 OpenCV" CV_VERSION);HighGUI图形⽤户界⾯初步cv2开始使⽤Mat为数据类型进⾏图像存取图像的载⼊、显⽰及输出imread()读取⽂件中的图像Mat imread(const string& filename,int flags=1);const string&filename：填⼊图⽚的路径名int flags：载⼊标识，指定加载图像的颜⾊类型。

opencv学习总结⽅法总结
师者传道受业解惑也，图⽚识别是门学科，需要师者传教，才会较快解开谜团，解开困惑，没⼈引导，要学会图⽚识别，有点难度，因为其中的做法超出⾃⼰的想象范围。

⼤家都知道，在超出想象范围，或者从未想到的⽅式，也⼏乎不可能想到的⽅式。

通过⽼师的引导必然事半功倍。

所以有时不要逞强，觉得从师会降低⾃⼰的学习能⼒。

以上是学习opencv的⼀点⼼理历程。

荀⼦劝学，君⼦⽣⾮异也，善假于物也。

Sobel 使⽤扩展 Sobel 算⼦计算⼀阶、⼆阶、三阶或混合图像差分
void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 ); src 输⼊图像. dst 输出图像. xorder x ⽅向上的差分阶数 yorder y ⽅向上的差分阶数 aperture_size 扩展 Sobel 核的⼤⼩，必须是 1, 3, 5 或 7。

除了尺⼨为 1，其它情况下，
aperture_size ×aperture_size 可分离内核将⽤来计算差分。

对 aperture_size=1 的情况，使⽤ 3x1 或 1x3 内核（不进⾏⾼斯平滑操作）。

这⾥有⼀个特殊变量 CV_SCHARR (=-1)，对应 3x3 Scharr 滤波器，可以给出⽐ 3x3 Sobel 滤波更精确的结果。

Scharr 滤波器系数是： | -3 0 3| |-10 0 10| | -3 0 3|。

学习使用OpenCV进行计算机视觉和图像处理计算机视觉和图像处理是现代科学技术中的重要领域之一，它广泛应用于医疗影像处理、无人驾驶、安防监控等众多领域。

作为计算机视觉和图像处理领域中的一个重要工具，OpenCV能够帮助开发者处理、分析和理解图像，本文将重点介绍如何学习使用OpenCV进行计算机视觉和图像处理。

一、OpenCV简介OpenCV是一种流行且免费的开源计算机视觉库，它包含了超过2500个优化的算法和函数，可用于处理和分析图像和视频。

OpenCV支持多种编程语言，包括C++、Python和Java，其强大的功能和易用性使其成为计算机视觉和图像处理领域首选的工具之一。

二、环境搭建在学习使用OpenCV之前，我们首先需要搭建开发环境。

根据自己的开发需求，可以选择不同的编程语言和集成开发环境。

以Python为例，我们可以通过pip安装OpenCV库，并在Python开发环境中导入该库。

三、图像读取与显示使用OpenCV进行图像处理的第一步是读取和显示图像。

OpenCV提供了丰富的函数来加载和处理各种类型的图像文件。

通过调用cv2.imread()函数，我们可以将图像文件加载到内存中，并使用cv2.imshow()函数将图像显示在屏幕上。

四、图像处理基础操作OpenCV提供了一系列基础的图像处理函数，如图像缩放、裁剪、旋转、翻转等。

通过调用这些函数，我们可以对图像进行各种变换和处理。

例如，使用cv2.resize()函数可以改变图像的大小，使用cv2.flip()函数可以翻转图像的方向。

五、图像滤波与增强图像滤波是图像处理中的基本操作之一。

OpenCV提供了多种滤波函数，如均值滤波、中值滤波、高斯滤波等。

通过对图像应用这些滤波函数，我们可以去除图像中的噪声，使其更清晰。

此外，OpenCV还提供了直方图均衡化等图像增强函数，可用于调整图像的对比度和亮度。

六、图像分割与边缘检测图像分割是指将图像划分为不同的区域或对象的过程。