Opencv源码目录表

Opencv源码

https://github.com/opencv
主要包含下面：
https://github.com/opencv/opencv
https://github.com/opencv/opencv_contrib
https://github.com/opencv/opencv-python
https://github.com/opencv/open_vision_capsules

學習重點

图像数字化：指的是将模拟（连续）信号的图像转换为数字（离散）信息的过程，主要包含采样和量化两个步骤。二维图像在计算机中通常是以矩阵的形式表示，这里需要了解图像的一些基本属性，如图像格式（BMP & JPEG & GIF & PNG的定义和区别）、图像分辨率和通道数（8位单通道二值图像 & 24位RGB通道彩色图像 & 32位RGBA通道 & 以及各种通道之间的互相转换）、图像尺寸（像素 & 图像宽度和高度）、图像色彩颜色空间（RGB & HSV & HSI & CMYK）、图像插值方法（最近邻插值、双线性插值、三线性插值）及图像成像方式（伽马射线 & X射线等）。

图像压缩：目的是减少图像中的冗余信息，以更高效的格式进行存储和传输数据。一般可分为有损压缩和无损压缩，这里我们只需要简单了解下有哪些经典的压缩算法即可。有兴趣的可以了解下JPEG压缩算法的原理和步骤（涉及离散余弦变换 & 量化 & YCbCr色彩空间）

图像增强：指的是利用各种数学方法和变换手段来提高图像对比度与清晰度，使改善后的图像更适应于人的视觉特性或易于机器识别。简单来说，就是要突出感兴趣的特征，抑制不感兴趣的特征，从而改善图像质量。如强化图像中的高频分量，可使图像中物体轮廓清晰，细节更加明显；而强化图像中的低频分量可以减少图像中的噪声影响。这里我们需要重点掌握的是灰度直方图的概念，了解什么是直方图和对比度，掌握直方图均衡化、限制对比度的自适应直方图均衡化（CLAHE）以及伽马校正和仿射变换操作。

图像复原：指的是利用退化过程的先验知识，去恢复已被退化图像的本来面目。这是由于受采集设备和光照等外部环境的影响，图像在形成的过程中不可避免的会失真或者引入背景噪声干扰。因此，我们首先要知道噪声的来源（电子元器件发热或传输损失 & 成像系统的调制与缺陷 & 光照等外部环境因素的干扰）以及各种噪声的来源和特点（高斯噪声 & 脉冲噪声[椒盐噪声 | 胡椒噪声 | 盐粒噪声] & 泊松噪声 & 斑点噪声）。

最后便是如何去噪，这里需要重点掌握一些常见的线性和非线性滤波算法（均值滤波 & 中值滤波 & 维纳滤波 & 卡尔曼滤波 & 高通滤波 & 低通滤波 & 高斯滤波 & 双边滤波 & 拉普拉斯滤波 & 卷积核 & Gabor滤波器）。需要注意的是，我们在学习的过程中不能停留在定义上，而是应该着重理解各种滤波背后的工作原理及应用范围，如低通滤波可用于消除噪声、高通滤波常用语提取边缘，又比如高斯滤波就是用来去除高斯噪声、均值滤波和中值滤波有助于去除胡椒噪声、边滤波则能够在滤波的同时保证一定的边缘信息，但是计算复杂度较高。

图像基本运算：指的是对图像执行一些基本的数学运算。这里涉及到的运算主要可分为点运算（线性 & 分段 & 非线性点运算）、代数运算（加法 & 减法运算）、逻辑运算以及最重要的几何运算（图像平移 & 旋转 & 翻转 & 镜像 & 缩放）

图像边缘检测：这里仅需了解下有哪些边缘检测算子以及重点掌握一些常见的算子。如一阶微分算子（Sobel算子 & Roberts算子 & Prewitt算子）、二阶微分算子（Laplacian算子 & LOG算子）及Canny算子。

图像形态学操作：指的是一系列处理图像形状特征的图像处理技术。这里需要着重掌握的有腐蚀和膨胀、开运算与闭运算、形态学梯度（用于保留边缘轮廓）、白色和黑色顶帽变换；此外，也可了解下细化、厚化、击中击不中变换、边界/孔洞/联通分量提取。

图像变换：指的是将图像阵列从源域转换到目标域。了解几种常见的变换方式，如傅里叶变换、离散余弦变换。此外，可以重点学习下用于特征提取的霍夫变换，实战下如何利用该技术进行直线、圆和弧线等局部特征的提取。最后，再重点梳理下傅里叶变换与小波变换之间的区别和联系。

图像分割：主要是基于灰度值的不连续和相似的性质将图像划分为前景区域和背景区域。对于不连续的灰度值，常用的方法是边缘检测。而对于相似的灰度，我们一般常用阈值处理（局部多阈值 & 全局阈值 & Otsu自适应阈值）、区域生长、分水岭算法等。图像质量评价：主要是对图像的某些特性进行分析研究，评估出图像的失真程度。这里需要重点掌握几个评价指标：SSIM（结构相似度）、PSNR（峰值信噪比）及MSE（均方误差）。

作者：CVHub
链接：https://www.zhihu.com/question/460785750/answer/1902595847
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

前研论坛：
https://www.zhihu.com/question/406974583/answer/1899815641