Python OpenCV 入门与核心用法详解

当虚拟环境激活后，终端提示符会显示为 (myenv)，表示你现在在虚拟环境中工作。

Python：确保已安装 Python 3.x 版本。

可以通过在命令行输入以下命令检查：

python --version 或 python3.12 --version

pip 是 Python 的包管理工具。

它通常与 Python 一起安装，但如果没有安装 pip，可以通过以下命令安装：

python -m ensurepip --upgrade

查看 pip 的版本号

pip --version

2.3 pip 安装

安装 opencv-python

pip3 install opencv-python

安装 opencv-contrib-python（可选） 如果我们要利用 SIFT 和 SURF 等进行特征提取或支持 contrib 模块，需要安装完整版。

pip3 install opencv-contrib-python 或（指定版本号）pip3 install opencv-contrib-python==3.4.2.17

2.4 核心模块和服务器区别

pip install opencv-python          # 提供核心模块
pip install opencv-python-headless # 适合无图形界面（如服务器环境）

2.5 验证安装

安装完成后，可以通过在 Python 中导入 OpenCV 库来验证安装是否成功。

在 Python 交互式命令行或脚本中输入以下命令：

import cv2
print(cv2.__version__)

**注意：**安装的时候是 opencv_python，但在导入的时候采用 import cv2。

如果输出 OpenCV 的版本号，说明安装成功。

三、OpenCV 的基本用法

3.1 读取和显示图像

import cv2
# 读取图像
image = cv2.imread('image.jpg')
# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

说明：

• cv2.imread 函数用于读取图像。
• cv2.imshow 函数用于显示图像。
• cv2.waitKey(0) 使得窗口等待直到用户按下任意键。
• cv2.destroyAllWindows 关闭所有 OpenCV 创建的窗口。

3.2 使用 Matplotlib 展示图片

Matplotlib 是 Python 的一个绘图库，里头有各种各样的绘图方法。现在，你可以学习怎样用 Matplotlib 显示图像，你可以放大、保存图像等等。

官方文档：pyplot — Matplotlib 2.0.2 documentation

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('example.jpg', 0)
plt.imshow(img, cmap='gray', interpolation='bicubic')
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()

**注意：**彩色图像使用 OpenCV 加载时是 BGR 模式。但是 Matplotlib 是 RGB 模式。所以彩色图像如果已经被 OpenCV 读取，那它将不会被 Matplotlib 正确显示。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('example.jpg')
b, g, r = cv2.split(img)
img2 = cv2.merge([r, g, b])
plt.subplot(121); plt.imshow(img) # expects distorted color
plt.subplot(122); plt.imshow(img2) # expect true color
plt.show()
cv2.imshow('bgr image', img) # expects true color
cv2.imshow('rgb image', img2) # expects distorted color
cv2.waitKey(0)
cv2.destroyAllWindows()

正常绘制且展示：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 创建一个空白的图像
img = np.zeros((512, 512, 3), np.uint8)
# 2 绘制图形
cv.line(img, (0, 0), (511, 511), (255, 0, 0), 5)
cv.rectangle(img, (384, 0), (510, 128), (0, 255, 0), 3)
cv.circle(img, (447, 63), 63, (0, 0, 255), -1)
font = cv.FONT_HERSHEY_SIMPLEX
cv.putText(img, 'OpenCV', (10, 500), font, 4, (255, 255, 255), 2, cv.LINE_AA)
# 3 图像展示
plt.imshow(img[:, :, ::-1])
plt.title('匹配结果'), plt.xticks([]), plt.yticks([])
plt.show()

3.3 图像灰度化处理

import cv2
# 读取彩色图像
image = cv2.imread('example.jpg')
# 将图像转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示灰度图
cv2.imshow('Gray Image', gray_image)
# 保存处理后的图像
cv2.imwrite('gray_example.jpg', gray_image)
# 等待用户按下任意键
cv2.waitKey(0)
# 关闭窗口
cv2.destroyAllWindows()

说明：

• cv2.cvtColor 函数用于转换图像的颜色空间，这里我们将图像从 BGR 转换为灰度。cv2.COLOR_BGR2GRAY 表示将 BGR 格式图像转换为灰度图。

3.4 边缘检测

使用 Canny 算法进行边缘检测：

edges = cv2.Canny(image, 100, 200)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明：

• 100：低阈值
• 200：高阈值

3.5 人脸识别

使用 OpenCV 进行人脸识别是一个高级应用。

import cv2
# 加载预训练的人脸识别模型
face_cascade = cv2.CascadeClassifier('path_to_haarcascade_frontalface_default.xml')
# 读取图像
image = cv2.imread('path_to_image.jpg')
# 转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 检测人脸
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5)
# 在检测到的人脸周围画矩形
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 3)
# 显示结果
cv2.imshow('Face Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

说明：

• CascadeClassifier 类用于加载预训练的级联分类器。
• detectMultiScale 方法用于在图像中检测人脸。

3.6 图像中的车牌识别

import cv2
# 读取图像
image = cv2.imread('path_to_image.jpg')
# 转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 二值化
_, thresh = cv2.threshold(gray_image, 150, 255, cv2.THRESH_BINARY_INV)
# 寻找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓，寻找车牌
for contour in contours:
    x, y, w, h = cv2.boundingRect(contour)
    if w > 100 and h > 30: # 假设车牌的最小尺寸
        cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 显示结果
cv2.imshow('License Plate Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现思路和关键步骤：

1. 将图像转换为灰度图。
2. 对图像进行二值化处理。
3. 寻找图像中的轮廓。
4. 根据轮廓的尺寸和位置确定车牌位置。

四、模块介绍

其中 core、highgui、imgproc 是最基础的模块，分别如下：

1. core 模块实现了最核心的数据结构及其基本运算，如绘图函数、数组操作相关函数等。
2. highgui 模块实现了视频与图像的读取、显示、存储等接口。
3. imgproc 模块实现了图像处理的基础方法，包括图像滤波、图像的几何变换、平滑、阈值分割、形态学处理、边缘检测、目标检测、运动分析和对象跟踪等。

对于图像处理其他更高层次的方向及应用，OpenCV 也有相关的模块实现

1. features2d 模块用于提取图像特征以及特征匹配，nonfree 模块实现了一些专利算法，如 sift 特征。
2. objdetect 模块实现了一些目标检测的功能，经典的基于 Haar、LBP 特征的人脸检测，基于 HOG 的行人、汽车等目标检测，分类器使用 Cascade Classification（级联分类）和 Latent SVM 等。
3. stitching 模块实现了图像拼接功能。
4. FLANN 模块（Fast Library for Approximate Nearest Neighbors），包含快速近似最近邻搜索 FLANN 和聚类 Clustering 算法。
5. ml 模块机器学习模块（SVM，决策树，Boosting 等等）。
6. photo 模块包含图像修复和图像去噪两部分。
7. video 模块针对视频处理，如背景分离，前景检测、对象跟踪等。
8. calib3d 模块即 Calibration（校准）3D，这个模块主要是相机校准和三维重建相关的内容。包含了基本的多视角几何算法，单个立体摄像头标定，物体姿态估计，立体相似性算法，3D 信息的重建等等。
9. G-API 模块包含超高效的图像处理 pipeline 引擎。

五、版本冲突

如何解决 OpenCV 与其他库冲突的问题？

解决方法：使用虚拟环境隔离项目依赖：

python -m venv opencv_env
source opencv_env/bin/activate # Linux/Mac
opencv_env\Scripts\activate # Windows