图像处理利器OpenCV

深碍√TFBOYSˉ_ 2022-03-18 12:25 268阅读 0赞

OpenCV的全称：Open Source Computer Vision Library。

1999年，OpenCV项目由Intel位于俄罗斯的研发团队发起，旨在建立一个开源的计算机视觉库。从开发之日起就得到了迅猛发展，获得了众多公司和业界大牛的鼎力支持与贡献，因为是BSD开源许可，因此可以免费应用在科研和商业应用领域。

OpenCV可运行在Linux、Windows和MacOS操作系统上，它轻量级而高效，OpenCV中多数模块是基于C++实现的，其中有少部分是C语言实现的，当前OpenCV提供的SDK已经支持C++、Java、Python、MATLAB等语言应用开发，提供了图像处理和计算机视觉方面的很多通用算法和基础类库。

2006年OpenCV 1.0版本正式发布，2008年OpenCV获得了当时还如日中天的机器人公司Willow Garage的支持，不幸的是作为机器人业界的传奇，该公司于2014年倒闭了。

2009年对OpenCV产生重大影响的2.0版本发布了，它的最大变换是添加了C++接口，把OpenCV中很多C语言的数据和API进行了优化，目标是建立一个易用、类型安全、新功能、性能更加的版本。2012年OpenCV正式被非盈利组织OpenCV.org接管，维护其用户与开发者社区网站。2.0版本的用户非常庞大，至今仍在维护和更新。2015年OpenCV 3正式发布，除了架构的调整，还加入了更多算法，更多性能的优化和更加简洁的API，另外也加强了对GPU的支持。也就是说和Python一样，当前OpenCV也有两个大版本，OpenCV 2和OpenCV 3。相比OpenCV 2，OpenCV 3提供了更强的功能和更多方便的特性。

核心功能包括：

> 二维和三维特征工具箱  
> 运动估算  
> 人脸识别系统  
> 姿势识别  
> 人机交互  
> 移动机器人  
> 运动理解  
> 对象鉴别  
> 分割与识别  
> 立体视觉  
> 运动跟踪  
> 增强现实

从函数接口方面看，分为如下部分：

> core：核心模块，主要包含了OpenCV中最基本的结构：矩阵、点线、形状等，以及相关的基础运算和操作。  
> imgproc：图像处理模块，包含和图像相关的基础功能：滤波、梯度、改变大小等，以及一些衍生的高级功能：图像分割、直方图、形态分析和边缘/直线提取等。  
> highgui：提供了用户界面和文件读取的基本函数，比如图像显示窗口的生成和控制，图像/视频文件的I/O等。  
> ml：机器学习算法模块，包含一些视觉中最常用的传统机器学习算法。

OpenCV的机器学习算法模块具体包括：

> Boosting算法  
> Decision Tree学习  
> Gradient Boosting算法  
> EM算法  
> KNN算法  
> 朴素贝叶斯分类  
> 人工神经网络  
> 随机森林  
> 支持向量机

最近在用OpenCV，并翻了一下《Learning OpenCV》中文版，感觉在学校那会应该看过这本书，当时应该是为了弄明白什么是机器学习，这本书的第13章就叫做：机器学习，我觉得讲得很好：

> 机器学习的目的是把数据转换成信息。在学习了一系列数据之后，我们需要机器能够回答与这些数据有关的问题：其他还有哪些数据和本数据最相似？图像中有没有汽车？哪个广告最能得到消费者的响应？由于消费者经常考虑价格因素，这个问题会变为：在我们销售的所有产品中，如果要做广告，哪个产品会最热销？机器学习通过从数据里提取规则或模式来把数据转换成信息。
> 
> 机器学习针对的数据经常被预处理成「特征」，机器学习算法分析我们收集的数据，分配权重、阈值和其他参数来提高性能，这个调整参数来达到目的的过程被称为「学习」，知道机器学习方法的性能很重要，而且这是一个精细的问题，如果分类器效果好，我们就有了一个有潜在价值的「模型」，我们可以在真实世界里应用它。
> 
> 有的时候，数据没有标签，我们仅仅想根据边缘信息看看人脸倾向于哪个组，我们是对数据是否能自然归类感兴趣，这种学习算法叫「聚类算法」。有的时候，数据有标签，比如年龄。这类有标签的机器学习是「有监督」的，如果数据向量没有标签，则表明这种机器学习是「无监督」的。有监督的学习可以来判断种类，当我们赋予一个东西标签，表明我们在做「分类」，如果输出是数值，则表明我们在进行「回归」。有监督的学习也有一些模糊领域：它包括数据向量和标签的一一匹配，也包括「强化学习」，在强化学习中，数据标签能在单独的数据向量被观察之后存在很久。在强化学习中，系统获得一个延迟的信号，也叫「奖励」或「惩罚」，根据这个信号再推断下一步的策略。
> 
> 这两个典型的机器学习任务：分类和聚类，与计算机视觉中两个基本任务：「识别」和「分割」，有共通之处。我们需要计算机判断物体是什么的时候，我们使用识别，我们需要计算机说出物体的位置的时候，我们使用分割。
> 
> OpenCV 包含了一些当前用得最多的统计机器学习方法，概率机器学习方法，像贝叶斯网络和图模型，在OpenCV中支持得比较少，部分原因是这些算法还很新，还在成长中，变化会很大。OpenCV倾向于支持「判别算法」，即通过给定数据来判断类别，而不倾向于「产生式算法」，产生式算法是通过给定类别来生成数据的分布。

这本书如今十年了。

--------------------

本文2018-03-18 发于公众号：**老王AI路**，更多文章可扫描左侧二维码查看