盼小辉丶的博客

OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 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，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。

OpenCV 是一个的跨平台计算机视觉库，它轻量且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。无论在任何类型的计算机视觉任务中，处理图像或视频都是其中的核心要素，在本文中，将介绍如何使用OpenCV处理构建计算机视觉应用程序所必需的图像和视频。...

OpenCV 是一个的跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。本文介绍了 OpenCV 提供的与绘制图形和文本相关的函数。在图形方面，我们了解了如何绘制基本图形(直线、矩形和圆形等)以及高级图形(剪裁线、箭头、椭圆和多边形)。在文本方面，我们了解了如何绘制文本以及 OpenCV 库中的所有可用字体。

图像处理技术是计算机视觉项目的核心，通常是计算机视觉项目中的关键工具，可以使用它们来完成各种计算机视觉任务。因此，如果要构建计算机视觉项目，就需要对图像处理有足够的了解。在本文中，将介绍计算机视觉项目中常见的图像处理技术，主要包括图像的几何变换和图像滤波等。

图像处理技术是计算机视觉项目的核心，通常是计算机视觉项目中的关键工具，可以使用它们来完成各种计算机视觉任务。因此，如果要构建计算机视觉项目，就需要对图像处理有足够的了解。图像运算也是图像处理技术的一种，在本文中，将介绍可以对图像执行的常见算术运算，例如按位运算、加减法、形态变换等。

为了更好的表示色彩，人们建立了多种色彩模型以一维、二维、三维等坐标系来描述不同色彩，这种坐标系所能定义的色彩范围即色彩空间；而色彩映射是将图像在一个色彩空间映射至另一色彩空间的操作，通常可以将灰度图像着色为等效的伪色彩图像。本文将介绍OpenCV中的色彩空间和色彩映射，并进行实战以应用。

直方图是一种强大的技术，可以用于更好地理解图像内容。例如，许多相机在拍照时会实时显示正在捕获的场景的直方图，以调整相机拍摄的一些参数(例如曝光时间、亮度或对比度等)。在本文中，我们将学习直方图的相关概念，以及如何创建直方图。

图像处理技术是计算机视觉项目的核心，通常是计算机视觉项目中的关键工具，可以使用它们来完成各种计算机视觉任务。在本文中，将介绍如何使用 OpenCV 函数 cv2.equalizeHist() 执行直方图均衡，并将其应用于灰度和彩色图像，cv2.equalizeHist() 函数将亮度归一化并提高图像的对比度。

图像分割是许多计算机视觉应用中的关键处理步骤，通常用于将图像划分为不同的区域，这些区域常常对应于真实世界的对象。因此，图像分割是图像识别和内容分析的重要步骤。图像阈值是一种简单、有效的图像分割方法，其中像素根据其强度值进行分区。在本文中，将介绍 OpenCV 所提供的主要阈值技术，可以将这些技术用作计算机视觉应用程序中图像分割的关键部分。

在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。在本文中，将首次通过简单示例了解轮廓的基本概念，然后通过实际示例来了解如何检测和压缩轮廓，最后利用介绍如何利用图像矩描述检测到的轮廓属性。

在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。在本文中，我们将学习如何利用获取到的轮廓，进行形状分析以及对象检测和识别。

增强现实( Augmented Reality, AR )是目前最热门的应用研究之一。增强现实的概念可以定义为将虚拟信息与真实世界巧妙融合的技术。为了叠加和整合数字信息(增强现实)，可以使用不同类型的技术，主要包括基于位置和基于识别的方法。本文将介绍如何利用 OpenCV 基于有标记和无标记方法构建增强现实应用程序；此外，还将利用 OpenCV 融合简单形状及图像等。

机器学习是人工智能的子集，它为计算机以及其它具有计算能力的系统提供自动预测或决策的能力，诸如虚拟助理、车牌识别系统、智能推荐系统等机器学习应用程序给我们的日常生活带来了便捷的体验。机器学习的蓬勃发展，得益于以下三个关键因素：1) 海量数据集；2) 算法的快速发展；3) 计算机硬件的发展。在本文中，我们将学习 OpenCV 提供的常见机器学习算法和技术，用于解决计算机视觉项目中的实际问题，例如分类和回归问题。

人脸处理是人工智能中的一个热门话题，人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息，例如身份、意图和情感。人脸在视觉交流中起着重要作用，这是由于人脸中包含大量非语言信息，因此人脸处理一直以来对于计算机视觉学习者来说都是非常有趣的话题，因为它涉及不同的专业领域，例如对象检测、特征点检测以及对象跟踪等。在本文中，将首先介绍常用人脸处理库，然后通过实战讲解如何使用这些库进行人脸检测，为进一步进行相关处理奠定基础。

在计算机视觉中，面部关键点(也称为面部特征点)的定位通常是许多面部分析方法和算法中的关键步骤。例如，面部表情识别、头部姿态估计和疲倦检测系统都依赖于面部特征点检测提供的面部信息。在本文中，将介绍如何使用 OpenCV、dlib 以及 face_recognition 进行面部特征点检测。

人脸处理是人工智能中的一个热门话题，人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息，例如身份、意图和情感，由于外观变化、遮挡、快速运动、运动模糊和比例变化等多种因素，人脸追踪非常具有挑战性。dlib 库实现了基于 DCF 的跟踪器，非常适合用于进行人脸追踪，本文利用此跟踪器进行面部跟踪和用于选择的其他对象的追踪。

随着计算机视觉、机器学习和深度学习的发展，人脸识别已经成为一个热门话题。人脸识别具有广泛的应用前景，包括犯罪预防、智能监视以及社交网络。在本文中，我们介绍 OpenCV 提供的与人脸识别相关的函数，同时还将探索一些用于人脸识别的深度学习方法，这些方法可以轻松集成到计算机视觉项目中以实现高精度的人脸识别。

深度学习已经成为机器学习中最受欢迎和发展最快的领域。自 2012 年深度学习性能超越机器学习等传统方法以来，深度学习架构开始快速应用于包括计算机视觉在内的众多领域。深度学习的常见应用包括语音识别、图像识别、自然语言处理、推荐系统等等。在本文中，首先介绍传统机器学习方法与深度学习间的差异，然后将介绍图像分类和对象检测中常见的深度学习架构，最后，将介绍深度学习 Python 库 Keras，并通过实战来推开深度学习的大门。

OpenCV 中包含深度神经网络 (deep neural networks, DNN) 模块，可以使用深度神经网络实现前向计算(推理阶段)，使用一些流行的深度学习框架进行预训练的网络(例如 Caffe、TensorFlow、Pytorch、Darknet等)就可以轻松用在 OpenCV 项目中了。在本文中，我们将通过实战学习将流行的深度学习模型架构应用于目标检测和图像分类中，构建 OpenCV 计算机视觉项目。

将 OpenCV 计算机视觉项目部署在 Web 端一个有趣的话题，部署在 Web 端的优势之一是不需要安装任何应用，只需要访问地址就可以访问应用，有很多 Python Web 框架可用于部署应用程序，这些框架可以使我们专注于应用程序的核心逻辑，而不必处理低级细节(例如，协议、套接字或进程和线程管理等)。在本文中，将使用 Flask 框架，以构建计算机视觉 Web 应用程序，包括人脸检测项目等。

将 OpenCV 计算机视觉项目部署在 Web 端一个有趣的话题，部署在 Web 端的优势之一是不需要安装任何应用，只需要访问地址就可以访问应用，有很多 Python Web 框架可用于部署应用程序，这些框架可以使我们专注于应用程序的核心逻辑，而不必处理低级细节(例如，协议、套接字或进程和线程管理等)。在本文中，将使用 Flask 框架，以构建计算机视觉 Web 应用程序，包括人脸检测项目等。

在本文中，我们将看到如何使用 Keras 和 Flask 创建深度学习 REST API。更具体地说，我们首先学习如何使用 Keras 中包含的预训练深度学习架构，然后介绍如何使用这些预训练深度学习架构创建深度学习 API，用于高性能图像识别任务。

在本文中，我们学习使用 OpenCV、Keras 和 Flask 开发 Web 计算机视觉和 Web 深度学习应用程序，此外，我们还介绍了如何使用提供 Web 托管功能的 PythonAnywhere 将 Flask 应用程序部署到云端，从而实现 OpenCV 深度学习计算器视觉应用程序在广域网中的访问。

OpenCV 是一个的跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。在学习了如何使用 OpenCV 绘制图形和文本后，为了将进一步演示和利用所学的绘图函数，本文将学习结合所学习的绘图函数，使用OpenCV绘制模拟时钟来显示当前时间。

OpenCV 是一个的跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。在学习了如何使用 OpenCV 绘制图形和文本后，为了将进一步演示和利用所学的绘图函数，本文将学习如何使用鼠标事件执行动态绘图(例如鼠标按下时，在鼠标处动态绘制图形)。

我们知道，应用双边滤波 cv2.bilateralFilter() 可以减少噪声，同时保留锐利的边缘。但是，此滤波器会在滤波后的图像中产生阶梯效应和虚假边线。虽然可以通过改进双边滤波来减少这一缺陷，但此效应可以用于创建很酷的卡通化图像。本文将探索下如何在 OpenCV 中实现图像的卡通化。

我们学习了使用 OpenCV 提供的 cv2.calcHist() 函数来计算直方图。此外，NumPy 和 Matplotlib 同样也为创建直方图提供了类似的函数。出于提高性能目的，我们来比较这些函数，使用 OpenCV、NumPy 和 Matplotlib 创建直方图，然后测量每个直方图计算的执行时间并将结果绘制在图形中。

增强现实的概念可以定义为将虚拟信息与真实世界巧妙融合的技术，为了加深我们对增强显示的理解和应用能力。在本节中，我们将学习如何创建有趣的基于 Snapchat 的增强现实，我们将介绍两个实战项目。第一个项目在检测到的人脸上的鼻子和嘴巴之间添加胡子挂件，第二个项目在检测到的人脸上添加眼镜挂件。

K-Means 聚类算法的目标是将 n 个样本划分(聚类)为 K 个簇，该算法通过找到簇的中心并将输入样本分组到簇周围。在本文中，将利用 K-Means 聚类进行色彩量化，以减少图像中颜色数量，以探索更多 K-Means 聚类算法的可能应用。

K-最近邻 (k-nearest neighbours, KNN) 是监督学习中最简单的算法之一，KNN 可用于分类和回归问题。在本文中，将使用 KNN 分类器执行手写数字识别，从基础程序开始，并通过对其进行改进以提高其性能，以通过实例来探索更多 KNN 算法的可能性。

支持向量机 (Support Vector Machine, SVM) 是一种监督学习技术，它通过根据指定的类对训练数据进行最佳分离，从而在高维空间中构建一个或一组超平面。在本文中，我们将学习如何使用 SVM 分类器进行手写数字识别任务，同时也将探索不同的参数对于 SVM 模型性能的影响，以获取具有最佳性能的 SVM 分类器。

在《人脸检测详解》中我们已经详细介绍了 OpenCV 中提供的基于 Viola 和 Jones 提出对象检测框架的人脸检测算法，我们同时也了解了，该对象检测框架也可用于检测其他物体，例如：车牌号或猫脸等。在本节中，我们将使用此框架检测猫脸。

在本项目中，我们将使用 OpenCV 和 Flask 构建检测猫脸的深度学习 Web 应用程序，项目可以处理来自浏览器的不同请求方式(例如 GET 和 POST 等)，最后通过实战测试使用 OpenCV 和 Flask 创建的 Web 猫脸检测 API。

在本节中，我们将学习组合多个图像来创建全景图像。使用相机拍摄全景照片时，通常会拍摄多张照片，通过算法将这些图像中共同存在的元素(从左到右)映射到一张单独的图像中。

在本节中，我们将学习如何在不利用深度学习的情况下识别机器打印的单词。由于打印单词的背景和前景之间的对比度很高，因此不需要像 YOLO 之类的模型来识别单个单词的位置，在这种情况下，使用 OpenCV 可以在计算资源非常有限的情况下获得解决方案，唯一的缺点是准确率可能并非 100%，准确率取决于扫描图像的质量，如果扫描图像非常清晰，则准确率可以接近 100%。

在本节中，我们将了解如何使用边缘检测和直线检测识别道路图像中的车道。

绿幕技术是一种经典的视频编辑技术，可以用于将人物置于不同的背景中。例如在电影制作中，技术的关键在于演员不能身着特定颜色的衣服(比如绿色)，站在只有绿色的背景前。然后，通过识别绿色像素，确定背景并替换这些像素上的内容。在本节中，我们将了解如何利用 cv2.inRange 和 cv2.bitwise_and 方法检测给定图像中的绿色像素。

级联分类器采用的卷积核列表是经过事先标识和筛选的，只有当多数卷积核都对目标进行了正确分类时，才会给出良好的分类得分。本节中，利用预训练的级联分类器识别汽车图像中车牌的位置。