難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系

橡皮擦，一個逗趣的互聯網高級網蟲，

觀前提醒，本篇文章涉及知識點巨大，建議先收藏，再慢慢學習，

本篇文章目的將為你詳細羅列 Python OpenCV 的學習路線與重要知識點，核心分成 24 個小節點，全部掌握，OpenCV 入門階段就順利通過了，

1. OpenCV 初識與安裝

本部分要了解 OpenCV （Open Source Computer Vision Library）的相關簡介，OpenCv 可以運行在多平臺之上，輕量級而且高效，由一系列 C 函式和少量 C++類構成，提供了 Python、Ruby、MATLAB 等語言的介面，所以在學習的時候，要注意查閱資料的語言實作相關問題，

這個階段除了安裝 OpenCV 相關庫以外，建議收藏官方網址，官方手冊，官方入門教程，這些都是最佳的學習資料，

模塊安裝完畢，需要重點測驗 OpenCV 是否安裝成功，可通過 Python 查詢安裝版本，

2. OpenCV 模塊簡介

先從全域上掌握 OpenCV 都由哪些模塊組成，例如下面這些模塊，你需要找到下述模塊的應用場景與簡介，

core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching，

整理每個模塊的核心功能，并完成第一個 OpenCV 案例，讀取顯示圖片，

3. OpenCV 影像讀取，顯示，保存

安裝 OpenCV 之后，從影像獲取開始進行學習，包含本地加載圖片，相機獲取圖片，視頻獲取，創建影像等內容，

只有先獲取影像之后，才能對影像進行操作處理，資訊提取，結果輸出，影像顯示，影像保存，

對于一個影像而言，在 OpenCV 中進行讀取展示的步驟如下，你可以將其代碼進行對應，

1. 影像讀取；
2. 視窗創建；
3. 影像顯示；
4. 影像保存；
5. 資源釋放，

涉及需要學習的函式有 cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、 cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()，

4. 攝像頭和視頻讀取，保存

第一個要重點學習 VideoCapture 類，該類常用的方法有：

• open() 函式；
• isOpened() 函式；
• release() 函式；
• grab() 函式；
• retrieve() 函式；
• get() 函式；
• set() 函式；

除了讀取視頻外，還需要掌握 Opencv 提供的 VideoWriter 類，用于保存視頻檔案，

學習完相關知識之后，可以進行這樣一個實驗，將一個視頻逐幀保存為圖片，

5. OpenCV 常用資料結構和顏色空間

這部分要掌握的類有 Point 類、Rect 類、Size 類、Scalar 類，除此之外，在 Python 中用 numpy 對影像進行操作，所以 numpy 相關的知識點，建議提前學習，效果更佳，

OpenCV 中常用的顏色空間有 BGR 顏色空間、HSV/HLS 顏色空間、Lab 顏色空間，這些都需要了解，優先掌握 BGR 顏色空間，

6. OpenCV 常用繪圖函式

掌握如下函式的用法，即可熟練的在 Opencv 中繪制圖形，

• cv2.line()；
• cv2.circle()；
• cv2.rectangle()；
• cv2.ellipse()；
• cv2.fillPoly()；
• cv2.polylines()；
• cv2.putText()，

7. OpenCV 界面事件操作之滑鼠與滑動條

第一個要掌握的函式是滑鼠操作訊息回呼函式，cv2.setMouseCallback() ，滑動條涉及兩個函式，分別是：cv2.createTrackbar() 和 cv2.getTrackbarPos()，

掌握上述內容之后，可以實作兩個案例，其一為滑鼠在一張圖片上拖動框選區域進行截圖，其二是通過滑動條讓視頻倍速播放，

8. 影像像素、通道分離與合并

了解影像像素矩陣，熟悉圖片的像素構成，可以訪問指定像素的像素值，并對其進行修改，

通道分離函式 cv2.split()，通道合并函式 cv2.merge()，

9. 影像邏輯運算

掌握影像之間的計算，涉及函式如下：

• cv2.add()；
• cv2.addWeighted()；
• cv2.subtract()；
• cv2.absdiff()；
• cv2.bitwise_and()；
• cv2.bitwise_not()；
• cv2.bitwise_xor()，

還可以研究影像乘除法，

10. 影像 ROI 與 mask 掩膜

本部分屬于 OpenCV 中的重點知識，第一個為感興趣區域 ROI，第二個是 mask 掩膜（掩碼）操作 ，

學習 ROI 部分時，還可以學習一下影像的深淺拷貝，

11. 影像幾何變換

影像幾何變換依舊是對基礎函式的學習與理解，涉及內容如下：

• 影像縮放 cv2.resize()；
• 影像平移 cv2.warpAffine()；
• 影像旋轉 cv2.getRotationMatrix2D()；
• 影像轉置 cv2.transpose()；
• 影像鏡像 cv2.flip()；
• 影像重映射 cv2.remap()，

12. 影像濾波

理解什么是濾波，高頻與低頻濾波，影像濾波函式，

線性濾波：方框濾波、均值濾波、高斯濾波，
非線性濾波：中值濾波、雙邊濾波，

• 方框濾波 cv2.boxFilter()；
• 均值濾波 cv2.blur()；
• 高斯濾波 cv2.GaussianBlur()；
• 中值濾波 cv2.medianBlur()；
• 雙邊濾波 cv2.bilateralFilter()，

13. 影像固定閾值與自適應閾值

影像閾值化是影像處理的重要基礎部分，應用很廣泛，可以根據灰度差異來分割影像不同部分，閾值化處理的影像一般為單通道影像(灰度圖)，核心要掌握的兩個函式：

• 固定閾值：cv2.threshold()；
• 自適應閾值：cv2.adaptiveThreshold()，

14. 影像膨脹腐蝕

膨脹、腐蝕屬于形態學的操作，是影像基于形狀的一系列影像處理操作，
膨脹腐蝕是基于高亮部分（白色）操作的，膨脹是対高亮部分進行膨脹，類似“領域擴張”， 腐蝕是高亮部分被腐蝕，類似“領域被蠶食”，

膨脹腐蝕的應用和功能：

• 消除噪聲；
• 分割獨立元素或連接相鄰元素；
• 尋找影像中的明顯極大值、極小值區域；
• 求影像的梯度；

核心需要掌握的函式如下：

• 膨脹 cv2.dilate()；
• 腐蝕 cv2.erode()，

形態學其他操作，開運算、閉運算、頂帽、黑帽、形態學梯度 這些都是基于膨脹腐蝕基礎之上，利用 cv2.morphologyEx() 函式進行操作，

15. 邊緣檢測

邊緣檢測可以提取影像重要輪廓資訊，減少影像內容，可用于分割影像、特征提取等操作，

邊緣檢測的一般步驟：

• 濾波： 濾出噪聲対檢測邊緣的影響 ；
• 增強： 可以將像素鄰域強度變化凸顯出來—梯度算子 ；
• 檢測： 閾值方法確定邊緣 ；

常用邊緣檢測算子：

• Canny 算子，Canny 邊緣檢測函式 cv2.Canny()；
• Sobel 算子，Sobel 邊緣檢測函式 cv2.Sobel()；
• Scharr 算子，Scharr 邊緣檢測函式 cv2.Scahrr() ；
• Laplacian 算子，Laplacian 邊緣檢測函式 cv2.Laplacian()，

16. 霍夫變換

霍夫變換（Hough Transform）是影像處理中的一種特征提取技術，該程序在一個引數空間中，通過計算累計結果的區域最大值，得到一個符合該特定形狀的集合，作為霍夫變換的結果，

本部分要學習的函式：

• 標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
• 累計概率霍夫變換 cv2.HoughLinesP() ；
• 霍夫圓變換 cv2.HoughCricles() ，

17. 影像直方圖計算及繪制

先掌握直方圖相關概念，在掌握核心函式，最后通過 matplotlib 模塊對直方圖進行繪制，計算直方圖用到的函式是 cv2.calcHist()，

直方圖相關應用：

• 直方圖均衡化 cv2.equalizeHist()；
• 直方圖對比 cv2.compareHist()；
• 反向投影 cv2.calcBackProject()，

18. 模板匹配

模板匹配是在一幅影像中尋找與另一幅模板影像最匹配（相似）部分的技術，

核心用到的函式如下：

• 模板匹配 cv2.matchTemplate()；
• 矩陣歸一化 cv2.normalize()；
• 尋找最值 cv2.minMaxLoc()，

19. 輪廓查找與繪制

核心要理解到在 OpenCV 中，查找輪廓就像在黑色背景中找白色物體，

常用函式：

• 查找輪廓 cv2.findContours()；
• 繪制輪廓 cv2.drawContours() ，

最后應該掌握針對每個輪廓進行操作，

20. 輪廓特征屬性及應用

這部分內容比較重要，并且知識點比較多，核心內容與函式分別如下：

• 尋找凸包 cv2.convexHull() 與 凸性檢測 cv2.isContourConvex()；
• 輪廓外接矩形 cv2.boundingRect()；
• 輪廓最小外接矩形 cv2.minAreaRect()；
• 輪廓最小外接圓 cv2.minEnclosingCircle()；
• 輪廓橢圓擬合 cv2.fitEllipse()；
• 逼近多邊形曲線 cv2.approxPolyDP()；
• 計算輪廓面積 cv2.contourArea()；
• 計算輪廓長度 cv2.arcLength()；
• 計算點與輪廓的距離及位置關系 cv2.pointPolygonTest()；
• 形狀匹配 cv2.matchShapes()，

21. 高級部分-分水嶺演算法及影像修補

掌握分水嶺演算法的原理，掌握核心函式 cv2.watershed() ，

可以擴展補充影像修補技術及相關函式 cv2.inpaint()，學習完畢可以嘗試人像祛斑應用，

22. GrabCut & FloodFill 影像分割、角點檢測

這部分內容都需要一些影像專業背景知識，先掌握相關概念知識，在重點學習相關函式，

• GrabCut 演算法 cv2.grabCut()；
• 漫水填充演算法 cv2.floodFill()；
• Harris 角點檢測 cv2.cornerHarris()；
• Shi-Tomasi 角點檢測 cv2.goodFeaturesToTrack()；
• 亞像素角點檢測 cv2.cornerSubPix()，

23. 特征檢測與匹配

特征點的檢測和匹配是計算機視覺中非常重要的技術之一, 在物體識別、視覺跟蹤、三維重建等領域都有很廣泛的應用，

OpenCV 提供了如下特征檢測方法：

• “FAST” FastFeatureDetector；
• “STAR” StarFeatureDetector；
• “SIFT” SIFT(nonfree module) Opencv3 移除，需呼叫 xfeature2d 庫；
• “SURF” SURF(nonfree module) Opencv3 移除，需呼叫 xfeature2d 庫；
• “ORB” ORB Opencv3 移除，需呼叫 xfeature2d 庫；
• “MSER” MSER；
• “GFTT” GoodFeaturesToTrackDetector；
• “HARRIS” (配合 Harris detector)；
• “Dense” DenseFeatureDetector；
• “SimpleBlob” SimpleBlobDetector，

24. OpenCV 應用部分之運動物體跟蹤與人臉識別

了解何為運動物體檢測，OpenCV 中常用的運動物體檢測方法有背景減法、幀差法、光流法，跟蹤演算法常用的有 meanShift， camShift，粒子濾波， 光流法 等，

• meanShift 跟蹤演算法 cv2.meanShift()；
• CamShift 跟蹤演算法 cv2.CamShift()，

如果學習人臉識別，涉及的知識點為：

• 人臉檢測：從影像中找出人臉位置并標識；
• 人臉識別：從定位到的人臉區域區分出人的姓名或其它資訊；
• 機器學習，

相關閱讀

1. Python 爬蟲 100 例教程，超棒的爬蟲教程，立即訂閱吧
2. Python 游戲世界（更新中，目標文章數 50+，現在訂閱，都是老粉）
3. Python 爬蟲小課，精彩 9 講

今天是持續寫作的第 125 / 200 天，
如果你想跟博主建立親密關系，可以關注同名公眾號 夢想橡皮擦，近距離接觸一個逗趣的互聯網高級網蟲，
博主 ID：夢想橡皮擦，希望大家點贊、評論、收藏，