1.OpenCV初识与安装
本部分要了解OpenCV(OpenSourceComputerVisionLibrary)的相关简介，OpenCv可以运行在多平台之上，轻量级而且高效，由一系列C函数和少量C++类构成，提供了Python、Ruby、MATLAB等语言的接口，所以在学习的时候，要注意查阅资料的语言实现相关问题。
这个阶段除了安装OpenCV相关库以外，建议收藏官方网址，官方手册，官方入门教程，这些都是最佳的学习资料。
模块安装完毕，需要重点测试OpenCV是否安装成功，可通过Python查询安装版本。
2.OpenCV模块简介
先从全局上掌握OpenCV都由哪些模块组成。例如下面这些模块，你需要找到下述模块的应用场景与简介。
core、imgproc、highgui、calib3d、features2d、contrib、flann、gpu、legacy、ml、objdetect、photo、stitching。
整理每个模块的核心功能，并完成第一个OpenCV案例，读取显示图片。
3.OpenCV图像读取，显示，保存
安装OpenCV之后，从图像获取开始进行学习，包含本地加载图片，相机获取图片，视频获取，创建图像等内容。
只有先获取图像之后，才能对图像进行操作处理，信息提取，结果输出，图像显示，图像保存。
对于一个图像而言，在OpenCV中进行读取展示的步骤如下，你可以将其代码进行对应。
图像读取;
窗口创建;
图像显示;
图像保存;
资源释放。
涉及需要学习的函数有cv2.imread()、cv2.namedWindow()、cv2.imshow()、cv2.imwrite()、cv2.destroyWindow()、cv2.destroyAllWindows()、cv2.imshow()、cv2.cvtColor()、cv2.imwrite()、cv2.waitKey()。
4.摄像头和视频读取，保存
第一个要重点学习VideoCapture类，该类常用的方法有：
open()函数;
isOpened()函数;
release()函数;
grab()函数;
retrieve()函数;
get()函数;
set()函数;
除了读取视频外，还需要掌握Opencv提供的VideoWriter类，用于保存视频文件。
学习完相关知识之后，可以进行这样一个实验，将一个视频逐帧保存为图片。
5.OpenCV常用数据结构和颜色空间
这部分要掌握的类有Point类、Rect类、Size类、Scalar类，除此之外，在Python中用numpy对图像进行操作，所以numpy相关的知识点，建议提前学习，效果更佳。
OpenCV中常用的颜色空间有BGR颜色空间、HSV/HLS颜色空间、Lab颜色空间，这些都需要了解，优先掌握BGR颜色空间。
6.OpenCV常用绘图函数
掌握如下函数的用法，即可熟练的在Opencv中绘制图形。
cv2.line();
cv2.circle();
cv2.rectangle();
cv2.ellipse();
cv2.fillPoly();
cv2.polylines();
cv2.putText()。
7.OpenCV界面事件操作之鼠标与滑动条
第一个要掌握的函数是鼠标操作消息回调函数，cv2.setMouseCallback()，滑动条涉及两个函数，分别是：cv2.createTrackbar()和cv2.getTrackbarPos()。
掌握上述内容之后，可以实现两个案例，其一为鼠标在一张图片上拖动框选区域进行截图，其二是通过滑动条让视频倍速播放。
8.图像像素、通道分离与合并
了解图像像素矩阵，熟悉图片的像素构成，可以访问指定像素的像素值，并对其进行修改。
通道分离函数cv2.split()，通道合并函数cv2.merge()。
9.图像逻辑运算
掌握图像之间的计算，涉及函数如下：
cv2.add();
cv2.addWeighted();
cv2.subtract();
cv2.absdiff();
cv2.bitwise_and();
cv2.bitwise_not();
cv2.bitwise_xor()。
还可以研究图像乘除法。
10.图像ROI与mask掩膜
本部分属于OpenCV中的重点知识，第一个为感兴趣区域ROI，第二个是mask掩膜(掩码)操作。
学习ROI部分时，还可以学习一下图像的深浅拷贝。
11.图像几何变换
图像几何变换依旧是对基础函数的学习与理解，涉及内容如下：
图像缩放cv2.resize();
图像平移cv2.warpAffine();
图像旋转cv2.getRotationMatrix2D();
图像转置cv2.transpose();
图像镜像cv2.flip();
图像重映射cv2.remap()。
12.图像滤波
理解什么是滤波，高频与低频滤波，图像滤波函数。
线性滤波：方框滤波、均值滤波、高斯滤波，
非线性滤波：中值滤波、双边滤波，
方框滤波cv2.boxFilter();
均值滤波cv2.blur();
高斯滤波cv2.GaussianBlur();
中值滤波cv2.medianBlur();
双边滤波cv2.bilateralFilter()。
13.图像固定阈值与自适应阈值
图像阈值化是图像处理的重要基础部分，应用很广泛，可以根据灰度差异来分割图像不同部分，阈值化处理的图像一般为单通道图像(灰度图)，核心要掌握的两个函数：
固定阈值：cv2.threshold();
自适应阈值：cv2.adaptiveThreshold()。
14.图像膨胀腐蚀
膨胀、腐蚀属于形态学的操作，是图像基于形状的一系列图像处理操作。
膨胀腐蚀是基于高亮部分(白色)操作的，膨胀是対高亮部分进行膨胀，类似“领域扩张”，腐蚀是高亮部分被腐蚀，类似“领域被蚕食”。
膨胀腐蚀的应用和功能：
消除噪声;
分割独立元素或连接相邻元素;
寻找图像中的明显极大值、极小值区域;
求图像的梯度;
核心需要掌握的函数如下：
膨胀cv2.dilate();
腐蚀cv2.erode()。
形态学其他操作，开运算、闭运算、顶帽、黑帽、形态学梯度这些都是基于膨胀腐蚀基础之上，利用cv2.morphologyEx()函数进行操作。
15.边缘检测
边缘检测可以提取图像重要轮廓信息，减少图像内容，可用于分割图像、特征提取等操作。
边缘检测的一般步骤：
滤波：滤出噪声対检测边缘的影响;
增强：可以将像素邻域强度变化凸显出来—梯度算子;
检测：阈值方法确定边缘;
常用边缘检测算子：
Canny算子，Canny边缘检测函数cv2.Canny();
Sobel算子，Sobel边缘检测函数cv2.Sobel();
Scharr算子，Scharr边缘检测函数cv2.Scahrr();
Laplacian算子，Laplacian边缘检测函数cv2.Laplacian()。
16.霍夫变换
霍夫变换(HoughTransform)是图像处理中的一种特征提取技术，该过程在一个参数空间中，通过计算累计结果的局部最大值，得到一个符合该特定形状的集合，作为霍夫变换的结果。
本部分要学习的函数：
标准霍夫变换、多尺度霍夫变换cv2.HoughLines();
累计概率霍夫变换cv2.HoughLinesP();
霍夫圆变换cv2.HoughCricles()。
17.图像直方图计算及绘制
先掌握直方图相关概念，在掌握核心函数，最后通过matplotlib模块对直方图进行绘制。计算直方图用到的函数是cv2.calcHist()。
直方图相关应用：
直方图均衡化cv2.equalizeHist();
直方图对比cv2.compareHist();
反向投影cv2.calcBackProject()。
18.模板匹配
模板匹配是在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术。
核心用到的函数如下：
模板匹配cv2.matchTemplate();
矩阵归一化cv2.normalize();
寻找最值cv2.minMaxLoc()。
19.轮廓查找与绘制
核心要理解到在OpenCV中，查找轮廓就像在黑色背景中找白色物体。
常用函数：
查找轮廓cv2.findContours();
绘制轮廓cv2.drawContours()。
最后应该掌握针对每个轮廓进行操作。
20.轮廓特征属性及应用
这部分内容比较重要，并且知识点比较多，核心内容与函数分别如下：
寻找凸包cv2.convexHull()与凸性检测cv2.isContourConvex();
轮廓外接矩形cv2.boundingRect();
轮廓最小外接矩形cv2.minAreaRect();
轮廓最小外接圆cv2.minEnclosingCircle();
轮廓椭圆拟合cv2.fitEllipse();
逼近多边形曲线cv2.approxPolyDP();
计算轮廓面积cv2.contourArea();
计算轮廓长度cv2.arcLength();
计算点与轮廓的距离及位置关系cv2.pointPolygonTest();
形状匹配cv2.matchShapes()。
21.高级部分-分水岭算法及图像修补
掌握分水岭算法的原理，掌握核心函数cv2.watershed()。
可以扩展补充图像修补技术及相关函数cv2.inpaint()，学习完毕可以尝试人像祛斑应用。
22.GrabCut&FloodFill图像分割、角点检测
这部分内容都需要一些图像专业背景知识，先掌握相关概念知识，在重点学习相关函数。
GrabCut算法cv2.grabCut();
漫水填充算法cv2.floodFill();
Harris角点检测cv2.cornerHarris();
Shi-Tomasi角点检测cv2.goodFeaturesToTrack();
亚像素角点检测cv2.cornerSubPix()。
23.特征检测与匹配
特征点的检测和匹配是计算机视觉中非常重要的技术之一,在物体识别、视觉跟踪、三维重建等领域都有很广泛的应用。
OpenCV提供了如下特征检测方法：
“FAST”FastFeatureDetector;
“STAR”StarFeatureDetector;
“SIFT”SIFT(nonfreemodule)Opencv3移除，需调用xfeature2d库;
“SURF”SURF(nonfreemodule)Opencv3移除，需调用xfeature2d库;
“ORB”ORBOpencv3移除，需调用xfeature2d库;
“MSER”MSER;
“GFTT”GoodFeaturesToTrackDetector;
“HARRIS”(配合Harrisdetector);
“Dense”DenseFeatureDetector;
“SimpleBlob”SimpleBlobDetector。
24.OpenCV应用部分之运动物体跟踪与人脸识别
了解何为运动物体检测，OpenCV中常用的运动物体检测方法有背景减法、帧差法、光流法，跟踪算法常用的有meanShift，camShift，粒子滤波，光流法等。
meanShift跟踪算法cv2.meanShift();
CamShift跟踪算法cv2.CamShift()。
如果学习人脸识别，涉及的知识点为：
人脸检测：从图像中找出人脸位置并标识;
人脸识别：从定位到的人脸区域区分出人的姓名或其它信息;
机器学习。
以上内容为大家介绍了PythonOpenCV的知识体系，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注我们http://www.mobiletrain.org/
