OpenCV图像处理|1.1 OpenCV介绍与环境搭建

1.1.1 介绍
OpenCV（Open Source Computer Vision Library）开放源代码计算机视觉库，主要算法涉及图像处理、计算机视觉和机器学习相关方法。OpenCV 其实就是一堆 C 和 C++语言的源代码文件，这些源代码文件中实现了许多常用的计算机视觉算法。OpenCV 可用于开发实时的图像处理、计算机视觉以及模式识别程序。

OpenCV由一系列C函数和C++类构成，它有C，C++，Python和java接口，当前SDK（Software Development Kit软件开发工具包） 已经支持C++、Java、Python等语言应用开发， 当前OpenCV本身新开发的算法和模块接口都是基于C++产生。

其覆盖了工业产品检测、医学成像、无人机飞行、无人驾驶、安防、 卫星地图与电子地图拼接、信息安全、用户界面、摄像机标定、立体视觉和机器人等计算机视觉应用领域。

OpenCV是最初由英特尔公司发起并开发，以 BSD 许可证授权发行，可以在商业和研究领域中免费使用，现在美国机器人公司Willow Garage 为 OpenCV 提供主要的支持。主要贡献人物李信弘（ Shinn Lee）、Vadim Pisarevsky、Gary Bradski。 （其他付费的机器视觉开发包Matlab、Halcon、VisonPro、Sapera、EVision）。

opencv官网：https://opencv.org/
opencv库各版本下载：https://sourceforge.net/projects/opencvlibrary/files/?source=navbar https://opencv.org/releases.html
opencv中文网站论坛：http://www.opencv.org.cn/
opencv 1.x中文文档：http://wiki.opencv.org.cn/index.php/%E9%A6%96%E9%A1%B5
opencv 2.3文档：http://www.opencv.org.cn/opencvdoc/2.3.2/html/index.html
opencv 3.4文档：https://docs.opencv.org/master/

图像处理（Image Processing）是用计算机对图像进行分析，以达到所需结果的技术。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。数字图像处理（Digital Image Processing）是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。

计算机视觉（Computer Vision）是指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使之成为更适合人眼观察或仪器检测图像的一门学科。

1.1.2 体系结构

将每个模块中的源文件编译成一个库文件 ，用户在使用时， 仅将所需的库文件添加到自己的项目中，与自己的源文件一起连接成可执行程序即可。

视觉本质上分为3部分：图像处理、模式分类（Object Detection、Machine Learning、2D Feature）、场景处理（相机校正和三维重建）。
旧版opencv包含如下部分：

OpenCV主要lib的作用：
opencv_core ： core函数库（基本的数据结构，架构和线性代数， DFT， xml 和yam i/o接口函数等）
opencv_imgproc / opencv_imgcodecs： -图像处理函数库（滤波，高斯模糊，形态学膨胀/腐蚀，线性缩放图像大小，图像几何变化，颜色结构变化，计算直方图等）
opencv_highgui ： 用户交互部分，GUI，图像和视频窗口函数库
opencv_ml ：统计机器学习模型函数库（ SVM，决策树，级联等）
opencv_features2d ：二维特征检测器和描述子函数库（ SURF,FAST 等，包括一种新的特征描述子匹配结构）
opencv_video ：动态分析和物体追踪函数库（光流法，移动模板，背景消除）
opencv_objdetect ：图像目标检测函数库（ haar小波 & LBP人脸检测和识别， HOG人检测等）
opencv_calib3d ：摄像头标定，视觉匹配和三维数据处理函数库
opencv_flann ：近似最近领域搜索库和OpenCV分装器
opencv_contrib ：最新贡献但不是很成熟的函数库
opencv_legacy ：过时代码，为了后续代码兼容性而存在
opencv_gpu ：用CUDA来加速一些openCV函数的类库（相对不太稳定，但对openCV开发非常有帮助）

OpenCV中已经包含如下核心功能：

  • 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（AR技术）
    基于上述功能实现需要，OpenCV中还包括以下基于统计学机器学习库：
  • Boosting算法
  • Decision Tree(决策树)学习
  • Gradient Boosting算法
  • EM算法(期望最大化)
  • KNN算法
  • 朴素贝叶斯分类
  • 人工神经网络
  • 随机森林
  • 支掌向量机
    详细模块介绍见《OpenCV3编程入门》/毛星云。

1.1.3 搭建开发环境
一、Windows+Visual Studio+OpenCV3.4
（1）安装VS2017
软件下载地址https://www.visualstudio.com/zh-hans/
（2）下载OpenCV3.4
（3）配置windows环境变量：
加分号粘贴到Path ;E:\OpenCV\opencv3.4\build\x64\vc15\bin

（4）在VS2017配置属性管理器Debug x64：
VC++目录：
(Include Directories)
包含目录（头文件）E:\OpenCV\opencv3.4\build\include
E:\OpenCV\opencv3.4\build\include\opencv
E:\OpenCV\opencv3.4\build\include\opencv2
(Library Directories)
库目录（库文件） E:\OpenCV\opencv3.4\build\x64\vc15\lib
连接器-输入：
(Linker-Input-Additional Dependencies)
附加依赖项 opencv_world320d.lib
创建工程：

属性设置：

图片步骤也可详见OpenCV3.2.0+VS2017开发环境配置http://blog.csdn.net/sinat_36264666/article/details/73135823?ref=myread###;
二、Ubantu+OpenCV3
官方安装教程https://docs.opencv.org/master/d7/d9f/tutorial_linux_install.html
（1）安装编译环境及相关库
■ 编译库，gcc和g++即C和C++的编译库。
sudo apt-get install build-essential
■ 必须库，cmake库用来编译，其他主要是图片和视频输入输出编码解码要调用的库。
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
■ 可选库，主要是python库，简单功能可用python实现。
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-de
问题：
1） 若sudo apt-get install build-essential安装不成功？要安装的软件包的依赖包版本较低？（类似问题https://www.zhihu.com/question/35133998 ）
先安装aptitude，它可以比apt-get更加智能地解决依赖问题：
sudo apt-get install aptitude //接下来选y
使用aptitude，会列出问题解决方案：
sudo aptitude install build-essential //选n不接受此方案，并会自动更换；选y接受（我这里是选了一次n，最后选了y）

安装好后用sudo apt-get install build-essential测试看看是否成功：

2） libgtk2.0-dev无法安装？依赖包的问题？
libgtk2.0-dev : 依赖: libgtk2.0-0 (= 2.24.23-0ubuntu1) 但是 2.24.23-0ubuntu1.1 正要被安装
依赖: libpango1.0-dev (>= 1.20) 但是它将不会被安装
依赖: libcairo2-dev (>= 1.6.4-6.1) 但是它将不会被安装
推荐: debhelper 但是它将不会被安装
E: 无法修正错误，因为您要求某些软件包保持现状，就是它们破坏了软件包间的依赖关系。

解决方法：（更新系统法，此种方法可能也可以解决上面的问题1）
打开设置里的software & update，在 updates 中 把 important security updates 和 Recommended updates 勾选上（立即更新弹出时点取消），再输入sudo apt-get update即可。然后必须库和可选库中的就都可以安装成功了，安装完要5分钟左右，成功后类似下图。
（或者更改源法见http://blog.csdn.net/fireflychh/article/details/78201054 ）

（2）下载opencv源代码，解压后移至Ubantu共享文件夹下
下载地址： https://opencv.org/releases.html（比较慢）

（3）建build文件夹
在源码opencv文件夹下新建build文件夹并进入 ：（它用来存放生成的makefile、项目文件以及对象文件和输出二进制文件等编译文件）
cd ~/mywinshare/opencv_install/opencv
mkdir build
cd build

（4）cmake编译源码（包括opencv_contrib部分）
cmake -D CMAKE_BUILD_TYPE=Release -D OPENCV_EXTRA_MODULES_PATH=~/mywinshare/opencv_install/opencv_contrib/modules/ -D CMAKE_INSTALL_PREFIX=/usr/local …

编译成功如下图：

问题：
1）ippicv_linux_20151201.tgz国内被墙了，有时候下载不成功或者提出hash值不对？

解决方法:
从百度云盘的源码资料ippicv_linux_20151201.tgz替换到对应的目录（ <opencv目录>/3rdparty/ippicv/
downloads/linux-808b791a6eac9ed78d32a7666804320e/ippicv_linux_20151201.tgz）

（5）编译安装opencv库到系统，大概需要15~20分钟
make -j7 &&make install

问题：
1）编译失败？
待解决。。。

安装好后的库文件如下图，这样OpenCV就可以使用了。

1.1.4 程序测试 - 图像显示

/*测试程序-图像显示1*/
#include <opencv2/opencv.hpp> //包含头文件
#include <iostream> 
using namespace cv;      //使用命名空间cv，下面的cv::line等的前缀可以不写
using namespace std;    //使用命名空间std，可以调用C++标准库里面的函数或类
int main(int argc, char** argv) {    //argc 表示命令行输入参数的个数（以空白符分隔），argv中存储了所有的命令行参数Mat src = imread("E:/OpenCV/testimage/test.png");     //载入图像if (src.empty()) {                    //是不是为空printf("could not load image...\n");return -1;}namedWindow("test opencv setup", CV_WINDOW_AUTOSIZE);  //创建窗口，自动大小imshow("test opencv setup", src);            //显示图像，窗口标题waitKey(0);                       //x=0无限等待下去，直到有按键按下，等待用户按键退出程序return 0;
}
CPP 复制 全屏

2

/*测试程序-图像显示2*/
#include <opencv2/opencv.hpp> //包含头文件
using namespace cv;      //使用cv命名空间，下面的cv::line等的前缀可以不写
void main() {Mat src = imread("E:/OpenCV/testimage/test.png");  //载入图像imshow("test opencv setup", src);          //显示图像，在3.x的版本里可以省略namedWindow，它会自动创建waitKey(0);                   //等待任意按键按下
}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/601229.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

安装PyTorch及环境配置(应用于Python上的YOLO)

安装PyTorch及环境配置(应用于Python上的YOLO)

这个基本都是Bilibili网站里面叫“小手丫子”up的视频教程&#xff0c;此前自己需要装了好几次又卸载了好几次&#xff0c;现在根据视频教学整理出来自己所理解的文档。 注意事项 1.安装的pycharm版本和anaconda版本无要求。 2.运行pycharm尽量以管理员身份运行。 3.Cuda是独…
阅读更多...
AWTK 开源串口屏开发(5) - MCU端 SDK 用法

AWTK 开源串口屏开发(5) - MCU端 SDK 用法

AWTK 开源智能串口屏&#xff0c;不但开放了串口屏端全部源码&#xff0c;还提供了MCU 端 SDK&#xff0c;大大加快 MCU 软件的开发。本介绍一下 MCU 端 SDK 在不同平台上的用法。 完整示例可以参考下面的几个例子&#xff1a; 普通嵌入式系统 mcu/stm32/hmi_app/hmi_app.c 低…
阅读更多...
docker +gitee+ jenkins +maven项目 （二）

docker +gitee+ jenkins +maven项目 （二）

文章目录 前言一、创建Maven项目二、常规配置1.gitee配置2.gitee仓库配置3.构建时操作4.构建后操作 总结 前言 上一篇文章介绍了Jenkins的环境配置和工具配置&#xff0c;这篇进行具体maven项目的配置 一、创建Maven项目 二、常规配置 1.gitee配置 在工具哪里配置好gitee后&…
阅读更多...
设计模式② ：交给子类

设计模式② ：交给子类

文章目录 一、前言二、Template Method 模式1. 介绍2. 应用3. 总结 三、Factory Method 模式1. 介绍2. 应用3. 总结 参考内容 一、前言 有时候不想动脑子&#xff0c;就懒得看源码又不像浪费时间所以会看看书&#xff0c;但是又记不住&#xff0c;所以决定开始写"抄书&qu…
阅读更多...
JMeter之测试WebService接口

JMeter之测试WebService接口

JMeter之测试WebService接口 1 背景2 目的3 介绍4 具体操作4.1 soapUI调用4.2 JMeter工具调用4.3 操作步骤流程4.3 重点 1 背景 WebService应用的范围是非常广&#xff0c;任何需要跨平台、跨系统进行数据交换和功能调用的场景都可以用此来实现&#xff0c;在实际的工作中也常常…
阅读更多...
Unity中Shader的_Time精度问题

Unity中Shader的_Time精度问题

文章目录 前言一、U方向上优化二、V方向上优化在这里插入图片描述 三、最终代码1、效果2、Shader 前言 在Unity的Shader中&#xff0c;使用了_Time来达到UV的流动效果&#xff0c;普遍会出现一个问题。我们的UV值会随着时间一直增加&#xff08;uv值增加了&#xff0c;但是因为…
阅读更多...
Webpack5 常用优化总结

Webpack5 常用优化总结

本文主要总结经常用到的一些代码性能优化、减小代码体积、提升webpack打包构建速度等内容的方法。具体的实现可参考webpack官网查看相关示例。 注&#xff1a;如果读者还未接触过webpack&#xff0c;请先了解webpack的基本使用。 正文&#xff1a; SourceMap ---- 提升开发体…
阅读更多...
3元一平方公里的在线卫星影像

3元一平方公里的在线卫星影像

我们为大家分享了免费下载卫星影像的方法。 但让人遗憾的是&#xff0c;该影像的最高分辨率只有10米&#xff0c;需要更高清且比较新的卫星影像&#xff0c;看来还是得付费购买才比较靠谱。 自助选择区县范围 商业卫星影像主要面向企事业单位&#xff0c;一般来讲都比较贵&a…
阅读更多...
0-自然语言处理基础知识

0-自然语言处理基础知识

目录 1 transformers1.1 什么是transformers1.2 优缺点和使用场景是什么&#xff1f;优点缺点使用场景 1 transformers 1.1 什么是transformers transformers 是由 Hugging Face 团队开发的一个非常流行的开源库&#xff0c;它为自然语言处理&#xff08;NLP&#xff09;提供…
阅读更多...
55、交叉熵损失函数和softmax

55、交叉熵损失函数和softmax

上一节介绍了softmax函数，这里插一篇关于损失函数的介绍，看一看softmax和损失函数是如何结合的。 在很多分类任务中，损失函数使用的是交叉熵损失。 作为一种损失函数，它的重要作用便是可以将“预测值”和“真实值(标签)”进行对比，从而输出 loss 值，直到 loss 值收敛，…
阅读更多...
Windows安装DolphinDB，配置单节点启动与GUI

Windows安装DolphinDB，配置单节点启动与GUI

1. 安装Java 首先&#xff0c;进入网址&#xff1a;jdk11 下载jdk-11.0.20_windows-x64_bin.exe&#xff0c;然后安装即可 安装完成后&#xff0c;打开命令提示符&#xff0c;输入&#xff1a; java javac如果这两个命令都出现一大堆东西&#xff0c;而不是找不到指令的提示的…
阅读更多...
智创有术软件开发公司：开发完整流程--------整体介绍

智创有术软件开发公司：开发完整流程--------整体介绍

智创有术&#xff0c;深耕互联网领域八年&#xff0c;软件开发、平台运营、营销推广、整套解决方案&#xff0c;以“让产品更有价值”为自身使命&#xff0c;打造以原创开发为核心的技术生态体系。 作为一名软件开发工程师,我们需要了解在软件开发过程中的开发流程&#xff0c…
阅读更多...
物联网云平台源码，Spring Cloud智慧工地源码，建筑施工智能化管理

物联网云平台源码，Spring Cloud智慧工地源码，建筑施工智能化管理

智慧工地以物联网云平台为核心&#xff0c;基于智慧工地物联网云平台与现场多个子系统的互联&#xff0c;实现现场各类工况数据采集&#xff0c;存储、分析与应用。通过接入智慧工地物联网云平台的多个子系统板块&#xff0c;根据现场管理实际需求灵活组合&#xff0c;实现一体…
阅读更多...
玩转Python：用Python处理文档，5个必备的库，特别实用，附代码

玩转Python：用Python处理文档，5个必备的库，特别实用，附代码

在Python中&#xff0c;有几个流行的库用于处理文档&#xff0c;包括解析、生成和操作文档内容。以下是一些常用的库及其简介和简单的代码示例&#xff1a; PyPDF2 - 用于处理PDF文件。 简介&#xff1a;PyPDF2是一个纯Python库&#xff0c;用于分割、合并、转换和提取PDF文件中…
阅读更多...
Pod的生命周期

Pod的生命周期

Pod生命周期 pod创建过程运行初始化容器（init container）过程运行主容器（main container）过程 容器启动后钩子（post start）、容器终止前钩子（pre stop） 容器的存活性探测（Liveness probe）、就绪性探测（readiness probe）pod终止过程在整个生命周期中，Pod会出现5种…
阅读更多...
深入理解JVM虚拟机--3.3垃圾收集算法

深入理解JVM虚拟机--3.3垃圾收集算法

深入理解JVM虚拟机--3.3垃圾收集算法 1 标记-清除算法&#xff0c;算法分为“标记”和“清除”两个阶段&#xff1a;首先标记出所有需要回收的对象&#xff0c;在标记完成后统一回收所有被标记的对象&#xff0c;它的标记过程其实在前一节讲述对象标记判定时已经介绍过了。 它…
阅读更多...
Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models

Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models

ABSTRACT 现代大规模视觉-语言模型&#xff08;LVLMs&#xff09;采用了相同的视觉词汇-CLIP&#xff0c;可以涵盖大多数常见的视觉任务。然而&#xff0c;对于一些需要密集和细粒度视觉感知的特殊视觉任务&#xff0c;例如文档级OCR或图表理解&#xff0c;尤其是在非英语环境…
阅读更多...
react：ffcreator中FFCreatorCenter视频队例

react：ffcreator中FFCreatorCenter视频队例

最近项目要求，一键生成房子的推荐视频，选几张图，加上联系人的方式就是一个简单的视频，因为有web端、小程序端，为了多端口用，决定放在服务器端生成。 目前用的是react中的nextjs来开发项目。 nextjs中怎样用ffcreator上一章有讲到过，这里不再详细说了，考虑多端口用，并…
阅读更多...
卷积神经网络（CNN）、循环神经网络（RNN）和自注意力（self-attention）对比

卷积神经网络（CNN）、循环神经网络（RNN）和自注意力（self-attention）对比

考虑同一个的问题&#xff1a;将由个词元组成的序列映射到另一个长度相同的序列&#xff0c;其中的每个输入词元或输出词元由维向量表示。 我们将比较能够解决上述问题的三种常用方法&#xff1a;卷积神经网络&#xff08;CNN&#xff09;、循环神经网络&#xff08;RNN&#x…
阅读更多...
Verifiable Credentials可验证证书 2023 终极指南

Verifiable Credentials可验证证书 2023 终极指南

1. 引言 Dock公司为去中心化数字身份领域的先驱者&#xff0c;其自2017年以来&#xff0c;已知专注于构建前沿的可验证证书&#xff08;Verifiable Credentials&#xff09;技术。本文将阐述何为电子证书、电子证书工作原理、以及其对组合和个人的重要性。 伪造实物证书和数字…
阅读更多...
最新文章

Copyright @ 2022~2023