Python OpenCV 的學習路線與重要知識點匯總 3

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。

常用函數(shù)：

• 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，核心內容與函數(shù)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-分水嶺算法及圖像修補

掌握分水嶺算法的原理，掌握核心函數(shù) cv2.watershed() 。

可以擴展補充圖像修補技術及相關函數(shù) cv2.inpaint()，學習完畢可以嘗試人像祛斑應用。

22

GrabCut & FloodFill 圖像分割、角點檢測

這部分內容都需要一些圖像專業(yè)背景知識，先掌握相關概念知識，在重點學習相關函數(shù)。

• GrabCut 算法 cv2.grabCut()；
• 漫水填充算法 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，需調用 xfeature2d 庫；
• “SURF” SURF(nonfree module) Opencv3 移除，需調用 xfeature2d 庫；
• “ORB” ORB Opencv3 移除,需調用 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，跟蹤算法常用的有 meanShift， camShift，粒子濾波， 光流法 等。

• meanShift 跟蹤算法 cv2.meanShift()；
• CamShift 跟蹤算法 cv2.CamShift()。

如果學習人臉識別，涉及的知識點為：

• 人臉檢測：從圖像中找出人臉位置并標識；
• 人臉識別：從定位到的人臉區(qū)域區(qū)分出人的姓名或其它信息；
• 機器學習。