OpenCV-Python，计算机视觉开发利器

jins20032003

人工智能，一个已经被谈论了几十年的概念（最早是图灵在1950年提出）。如今这几年，相关技术的发展速度是越来越快。高大上如无人驾驶、智能安防、AI辅助诊断，接地气如刷脸支付、内容推荐、自动翻译等，众多领域借助人工智能的力量而进化。从百度搜索指数的变化，也能从一个侧面反映出关注度在不断上升。



而这其中，很多应用都涉及到“计算机视觉”这样一个细分领域。简单来说，就是将图像信息转化为计算机可以处理的数字信息，从而让计算机能“看得见”。这个信息不仅仅是二维的图片，也包括三维场景、视频序列等。基本上所有需要用到摄像头、图片、视频的应用场景，都离不开计算机视觉的支持。因此，这也是人工智能领域中比较热门的一个方向。



来自《2017年人工智能行业发展研究报告白皮书》- IT耳朵&IT桔子

而说到计算机视觉，就不能不提到 OpenCV，它是一个历史悠久、功能丰富、社区活跃的开源视觉开发库。一方面，它提供了计算机视觉以及图像处理方面最常用最基础的功能支持，是开发的必备工具；另一方面，它在新版本中紧跟潮流，加入对新的算法、硬件的支持（v3.3 正式引入 DNN）。

OpenCV 基于 C++ 编写，但提供了 Python、Ruby、MATLAB 等多种语言接口。这对于习惯使用 Python 开发的人工智能从业者来说非常方便。之前的不少习题和开发案例中，我们都有用到过。今天我们再用几个常见的例子，演示下 OpenCV-Python 的强大功能。

安装：

OpenCV 的安装，不同平台不同版本会有一些差异。安装前需要装好 numpy，强烈建议先安装好 Anaconda，然后直接通过命令安装：
pip install opencv-python
如果你运气好，代码里运行 import cv2 没报错就是成功了。

但大多数时候可能不行。你可以考虑去这里下载安装文件：

https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv

然后通过命令从本地安装：
pip install opencv_python‑3.4.3‑cp37‑cp37m‑win_amd64.whl
这里下载的安装文件版本号务必要和你本机的 Python 版本和位数相对应。

如果安装时还有其他问题，可在网上直接搜索报错，通常都会有解决方案，这里不一一赘述。

基本的图像读写：

我们用图像处理的经典范例 Lenna 来做测试



可自行搜索这幅图像的来头


import cv2 as cv
# 读图片
img = cv.imread('img/Lenna.png')
# 图片信息
print('图片尺寸:', img.shape)print('图片数据:', type(img), img)
# 显示图片
cv.imshow('pic title', img)cv.waitKey(0)
# 添加文字
cv.putText(img, 'Learn Python with Crossin', (50, 150), cv.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 4)
# 保存图片
cv.imwrite('img/Lenna_new.png', img)




OpenCV-Python 中的图像数据使用了 numpy 库的 ndarray 类型进行管理，便于进行各种数值计算和转换。

常见的图像处理：
import numpy as np
# 灰度图
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)cv.imwrite('img/Lenna_gray.png', img_gray)
# 二值化
_, img_bin = cv.threshold(img_gray, 127, 255, cv.THRESH_BINARY)cv.imwrite('img/Lenna_bin.png', img_bin)
# 平滑
img_blur = cv.blur(img, (5, 5))cv.imwrite('img/Lenna_blur.png', img_blur)
# 边缘提取
_, contours, _ = cv.findContours(img_bin, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)img_cont = np.zeros(img_bin.shape, np.uint8)    cv.drawContours(img_cont, contours, -1, 255, 3) cv.imwrite('img/Lenna_cont.png', img_cont)


这几种都属于数字图像处理的常用方法。OpenCV-Python 基本都封装好的接口，只需一两行代码就能完成，在实际项目开发中非常方便。

我们编程教室之前的“每周一坑”栏目里，和图像相关的题目基本都可以用 OpenCV-Python 来解决。

对这方面知识感兴趣的，可以找本数字图像处理的相关教材系统地看一遍，了解数字图像处理的基础。

除了基础功能，OpenCV 在代码附带的 Samples 里还提供了一些经典开发案例：

人脸检测

https://github.com/opencv/opencv/blob/master/samples/python/facedetect.py

使用方法
python facedetect.py
核心代码
cascade = cv.CascadeClassifier("haarcascade_frontalface_alt.xml")rects = cascade.detectMultiScale(img, scaleFactor=1.3, minNeighbors=4, minSize=(30, 30), flags=cv.CASCADE_SCALE_IMAGE)


此功能基于 Haar 分类器实现，项目中附带有训练好的分类器文件。此外，你还可以使用 OpenCV 训练针对其他目标特征的分类器。

我们之前的开发案例 Python送你一顶圣诞帽 就使用了 OpenCV-Python 的人脸识别代码。获取代码请在公众号（Crossin的编程教室）里回复关键字 圣诞帽

姿态识别

https://github.com/opencv/opencv/blob/master/samples/dnn/openpose.py

使用方法
python openpose.py --model pose.caffemodel --proto pose.prototxt --dataset MPI
核心代码
net = cv.dnn.readNetFromCaffe(args.proto, args.model)inp = cv.dnn.blobFromImage(frame, 1.0 / 255, (inWidth, inHeight), (0, 0, 0), swapRB=False, crop=False)net.setInput(inp)out = net.forward()


详情参见文章： 用 Python 实现抖音尬舞机
获取代码请在公众号（Crossin的编程教室）里回复关键字 姿态

风格迁移

https://github.com/opencv/opencv/blob/master/samples/dnn/fast_neural_style.py

使用方法
python fast_neural_style.py --model starry_night.t7
核心代码
net = cv.dnn.readNetFromTorch(args.model)net.setPreferableBackend(cv.dnn.DNN_BACKEND_OPENCV);inp = cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (103.939, 116.779, 123.68), swapRB=False, crop=False)net.setInput(inp)out = net.forward()


详情参见文章： Python+OpenCV 十几行代码模仿世界名画
获取代码请在公众号（Crossin的编程教室）里回复关键字 名画

以上便是 OpenCV-Python 的一些简单应用。OpenCV 官方 Samples 代码里还有很多有趣的例子（地址：https://github.com/opencv/opencv ）更强大的功能也有待你在开发中逐步体会。

希望这篇管中窥豹的文章可以让各位对  OpenCV 和计算机视觉有一个初步的了解和直观的认识，进而共同参与到人工智能这场技术浪潮中来。

获取更多学习资源和代码实例，请在公众号（Crossin的编程教室）里回复关键字 项目

---

其他内容回复关键字：

python ：零基础入门课程目录

新手 ：初学者指南及常见问题

资源 ：超过500M学习资料网盘地址

项目 ：十多个进阶项目代码实例

如需了解视频课程及答疑群等更多服务，请号内回复 码上行动

代码相关问题可以在论坛上发帖提问 bbs.crossincode.com

推荐阅读：

爬抖音 | AI名画| 押韵工具 | 虎扑 | 如何debug | 苹果 | 查天气 | 我用Python | 知乎 | 排序 | 电影票 | 技术宅 | 单词表 | 新手建议

---

欢迎加入

Crossin的编程教室

crossincode.com



  请把我们分享给身边爱学习的小伙伴 :)  

☟点击文末“阅读原文”，查看更多学习资源