Opencv的案例
OpenCV3編程入門PDF高清文檔免費下載
OpenCV3編程入門以當前最新版本的OpenCV最常用最核心的組件模塊為索引，深入淺出地介紹了OpenCV2和OpenCV3中的強大功能、性能，以及新特性。書本配套的OpenCV2和OpenCV3雙版本的示例代碼包中，含有總計兩百多個詳細注釋的程序源代碼與思路說明。讀者可以按圖索驥，按技術方向進行快速上手和深入學習。
《OpenCV3編程入門》要求讀者具有基礎的C/C++知識，適合研究計算機視覺以及相關領域的在校學生和老師、初次接觸OpenCV但有一定C/C++編程基礎的研究人員，以及已有過OpenCV 1.0編程經驗，想快速了解并上手OpenCV2、OpenCV3編程的計算機視覺領域的專業人員。《OpenCV3編程入門》也適合于圖像處理、計算機視覺領域的業余愛好者、開源項目愛好者做為通向新版OpenCV的參考手冊之用。
全網最全Python必讀書藉合集（PDF文檔免費下載）
目錄：
第一部分 快速上手OpenCV 1
第1章 邂逅OpenCV 3
第2章 啟程前的認知準備 39
第3章 HighGUI圖形用戶界面初步 63
第二部分 初探core組件 83
第4章 OpenCV數據結構與基本繪圖 85
第5章 core組件進階 107
第三部分 掌握imgproc組件 151
第6章 圖像處理 153
第7章 圖像變換 247
第8章 圖像輪廓與圖像分割修復 303
第9章 直方圖與匹配 345
第四部分 深入feature2d組件 375
第10章 角點檢測 377
第11章 特征檢測與匹配 395
展開 OpenCV編程案例詳解PDF高清文檔下載
OpenCV是英特爾（Intel）公司發起的一個開源應用平臺，借助該平臺能夠開發高效的計算機視覺應用項目。
《OpenCV編程案例詳解》以實例介紹了如何使用OpenCV構建計算機視覺系統，《OpenCV編程案例詳解》的系統主要包括常用函數介紹類系統和應用類系統兩類。常用函數介紹類系統以介紹函數的使用為主。在這類系統中主要介紹了常用OpenCV函數的使用方法，并對這些函數進行了不同形式的參數調用。應用類系統嘗試解決一些實際問題，用最簡單的方法實現一個學習系統，讓讀者能夠了解該類系統的主要算法、解決問題的基本思路，同時能夠更深入地了解如何更好地使用OpenCV處理實際問題。《OpenCV編程案例詳解》各章的內容相對獨立，因此不需要按照順序從第1章開始閱讀，讀者可以自由選擇自己感興趣的內容來學習。
《OpenCV編程案例詳解》中的全部系統均以當前的最新版本OpenCV 3.0版本進行介紹。《OpenCV編程案例詳解》在處理問題時，盡量屏蔽了無關的細節，即將OpenCV作為一個黑盒來使用。
《OpenCV編程案例詳解》提供的教學系統能夠讓讀者快速掌握計算機視覺的相關知識，盡快掌握圖像處理的相關算法和系統構建，讓圖像處理的零基礎入門開發者能夠盡快成為一名從業人員。《OpenCV編程案例詳解》提供的學習系統均含有詳細的注釋，讀者能夠在具有一定C++開發基礎、圖像處理零基礎的情況下完全自主地進行自學。《OpenCV編程案例詳解》能夠為在校學生、教師、入門者、專業人員、愛好者等不同身份的讀者提供參考。
展開 OpenCV官方教程中文版PDF高清文檔下載
OpenCV官方教程中文版（For Python）值得每個學習Opencv的同學去學習，是一本很不錯的教程，講解的十分詳細，是OpenCV學習必備文檔。
跟很多開源軟件一樣OpenCV也提供了完善的Python接口，非常便于調用。OpenCV 包含了超過 2500 個算法和函數，幾乎任何一個能想到的成熟算法都可以通過調用OpenCV的函數來實現，超級方便。本資源包含了各種算法實現以及其程序代碼，方便讀者使用，另外有大量實例提供給讀者參考！
全網最全Python必讀書藉合集（PDF文檔免費下載）
展開 一篇文章就梳理清楚了 Python OpenCV 的知識體系
一篇文章就梳理清楚了 Python OpenCV 的知識體系》，觀前提醒，本篇文章涉及知識點巨大，建議先收藏，再慢慢學習。
本篇文章目的將為你詳細羅列 Python OpenCV 的學習路線與重要知識點。核心分成 24 個小節點，全部掌握，OpenCV 入門階段就順利通過了。
01
OpenCV 初識與安裝
本部分要了解 OpenCV （Open Source Computer Vision Library）的相關簡介，OpenCv 可以運行在多平臺之上，輕量級而且高效，由一系列 C 函數和少量 C++類構成，提供了 Python、Ruby、MATLAB 等語言的接口，所以在學習的時候，要注意查閱資料的語言實現相關問題。
這個階段除了安裝 OpenCV 相關庫以外，建議收藏官方網址，官方手冊，官方入門教程，這些都是最佳的學習資料。
模塊安裝完畢，需要重點測試 OpenCV 是否安裝成功，可通過 Python 查詢安裝版本。
展開 
25 行 Python 代碼實現人臉檢測——OpenCV 技術教程
OpenCV 從攝像頭讀取每一幀，你可以通過處理每一幀進行人臉檢測。你需要一個性能強大的 PC，不過我的五歲大的筆記本用著還行。
來源:掘金
ViCANdo新版本發布（PART3）| OpenCV集成
OpenCV
OpenCV是一個開源（參見http://opensource.org）的計算機視覺庫，OpenCV采用C/C++語言編寫，可以運行在Linux/Windows/Mac等操作系統上，OpenCV也提供了Python、Ruby、Matlab以及其他語言的接口。
OpenCV的目標是為解決計算機視覺問題提供基本工具。----《學習OpenCV（中文版）》Bradski,G., Kaehler,A.
ViCANdo
ViCANdo Suite是針對智能駕駛功能的開發和測試平臺，能夠同步的采集所需的各類數據，同時工具集成OpenCV，工程師可以直接使用OpenCV的相關函數來進行開發。
ViCANdo 具有一個開放的SDK，允許創建自定義接口，還允許將正在開發中的算法用作 ViCANdo 本身的一部分，以非常高的性能執行。通過使用 ViCANSim 中的Matlab/Simulink擴展，或者利用內置仿真引擎進行網絡仿真或視頻算法開發。
ViCANdo Suite直接支持的數據源
? 示例應用：
在ViCANdo內實時車道線識別與實時顯示，通過在ViCANdo內部直接集成車道線識別算法，方便直觀的展示車道線識別算法的識別情況，并利用ViCANdo的擴展功能將識別的車道線、航向等信息與視頻疊加展示，可以方便的進行算法的調試。
在上圖的工程中，我們添加了一路攝像頭采集道路信息，同時用兩路CAN通道采集車輛信息，通過圖像提取車道線信息，同時結合車輛的狀態信息，在圖像上實時疊加顯示識別的車道線信息和車輛的航線信息。
展開 OpenCV圖像處理編程實例PDF文檔高清下載
全網最全Python必讀書藉合集（PDF文檔免費下載）
目錄
Part I 基礎篇 OpenCV 開發基礎. 1
第 1 章初識 OpenCV.. 3
1.1 OpenCV 初識 4
1.1.1 OpenCV 簡介.. 4
1.1.2 OpenCV 組件及架構.. 5
1.1.3 OpenCV 資源.. 9
1.2 VS2012 安裝OpenCV2.4.x .. 9
1.3 VS2013 安裝OpenCV3.0 14
1.4 Sublime 下配置OpenCV. 16
1.5 小結 19
第2 章圖像及視頻基本操作. 20
2.1 圖像初級操作 21
2.1.1 Mat 類 21
2.1.2 Mat 基本操作 23
2.1.3 Mat 類型轉換 24
2.1.4 圖像讀取顯示保存 24
2.1.5 圖像存儲. 26
2.2 圖像幾何變換 28
2.2.1 坐標映射. 28
2.2.2 平移 29
2.2.3 縮放 33
2.2.4 旋轉 36
2.2.5 仿射變換. 40
2.3 視頻操作.. 43
2.3.1 VideoCapture 類.. 43
2.3.2 視頻寫操作 45
2.3.3 視頻質量評價.. 48
2.4 圖像基礎應用操作. 50
2.4.1 界面事件. 50
2.4.2 區域提取. 54
2.4.3 圖像元素遍歷——反色.. 58
2.4.4 單窗口顯示多幅圖像 63
2.4.5 圖像顏色空間轉換 66
2.4.6 圖像批量讀取——規則.. 69
2.4.7 圖像批量讀取——無規則. 70
2.5 小結 71
Part II 進階篇圖像處理技術.. 73
第 3 章進階篇——圖像灰度變換技術. 75
3.1 閾值化處理. 76
3.1.1 OTSU 閾值化 76
3.1.2 固定閾值化 79
3.1.3 自適應閾值化.. 81
3.1.4 雙閾值化
展開 基于OpenCV的生產日期字符識別研究
[9] 白松讓,段敏,曹景勝,等.基于OpenCV的車道線智能檢測和識別[J].遼寧工業大學學報(自然科學版),2020,40(2):92-95.
*本文選自《電子產品世界》雜志2021年7月期
-END-
無需GPU，用OpenCV和Python實現圖/視頻風格遷移
開始神經風格遷移
接下來讓我們用OpenCV和Python進行神經風格遷移的實踐。
首先打開neural_style_transfer.py文件，插入如下代碼：
我們導入所需的包并解析命令行參數。
導入的有：
imutils：這個包可以通過pip install --upgrade imutils安裝。最近我發布了imutils==0.5.1，所以不要忘記更新！
OpenCV：你需要一個OpenCV 3.4或者更高版本。
該腳本下需要兩個命令行：
--model：神經風格遷移的模型路徑。在“下載”區中，我加入了11中經過與訓練的模型。
--image：需要進行風格遷移的圖像（輸入圖像）。在其中我放入了四張圖片。
你不需要改變命令行代碼，參數會在運行過程中進行處理。如果你不熟悉這一過程，可以閱讀我另一篇文章：www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/
接下來的部分比較有趣，我們要下載圖像和模型，然后計算神經風格遷移：
在這部分代碼中，我們進行了：
將下載的預訓練神經風格遷移模型稱為net（第17行）；
下載輸入圖像并調整尺寸（21和22行）；
用均值減法創建blob（27和28行）；
執行forward，獲取output圖像（31行）。
展開 使用 Mask R-CNN、GrabCut 和 OpenCV 進行圖像分割 ￥5
在本文中，我們探討了三種流行的圖像分割技術：Mask R-CNN、GrabCut 和 OpenCV。
讓我們了解一下，什么是 Mask R-CNN 和 GrabCut 的圖像分割？
1 什么是 R-CNN？
R-CNN代表基于區域的卷積神經網絡。它是一個開創性的對象檢測系統，將對象定位和識別結合到一個端到端的深度學習框架中。
?
R-CNN
RNN 可以概括為以下幾種方式。
· 區域建議：最初，區域建議算法（如選擇性搜索）會在圖像中生成一組可能包含感興趣對象的潛在邊界框區域。這些區域用作候選對象位置。
· 特征提取：然后，每個區域提案都會被單獨裁剪并調整為固定大小，并通過預先訓練的 CNN（例如 AlexNet 或 VGGNet）傳遞。CNN 從區域中提取高級特征，將其轉換為固定長度的特征向量。
· 分類和定位：從 CNN 獲得的特征向量被饋送到單獨的全連接層中。分類層預測區域中存在不同對象類別的概率，而回歸層細化邊界框的坐標，從而提高定位精度。
· 非極大值抑制 （NMS）：為了消除冗余檢測，將應用非極大值抑制。它刪除了重疊的邊界框，只為每個對象實例保留最可信的檢測。
2 掩碼 R-CNN
掩碼 R-CNN（基于掩碼區域的卷積神經網絡）是更快的 R-CNN 對象識別框架升級，增加了執行實例分割的功能。該研究由 Kaiming He、Georgia Gkioxari、Piotr Dollár 和 Ross Girshick 在 2017 年出版的著作《Mask R-CNN》中提出。
實例分割的任務不僅包括檢測圖像中的對象，還包括在像素級別分割每個對象實例，從而為每個檢測到的對象提供二進制掩碼。掩碼 R-CNN 在 Faster R-CNN 的兩階段架構上開發，第三個分支用于像素級分割掩碼。
展開 一文概括機器視覺常用算法以及常用開發庫
OpenCV可以在 Windows, Android, Maemo, FreeBSD, OpenBSD, iOS,Linux 和Mac OS等平臺上運行。
OpenCV出身：OpenCV是Intel開源計算機視覺庫。其核心由一系列 C 函數和少量 C++ 類構成，實現了圖像處理和計算機視覺方面的很多通用算法。OpenCV 的特點擁有包括300多個C函數的跨平臺的中、高層 API 跨平臺：Windows, Linux；免費（FREE）：無論對非商業應用和商業應用；速度快；使用方便。
OpenCV具有以下的特征：
（１）開源計算機視覺采用Ｃ／Ｃ＋＋編寫。
（２）使用目的是開發實時應用程序。
（３）獨立與操作系統、硬件和圖形管理器。
（４）具有通用的圖象／視頻載入、保存和獲取模塊。
（５）具有底層和高層的應用開發包。
應用OpenCV能夠實現以下功能：
（１）對圖象數據的操作，包括分配、釋放、復制和轉換數據。
（２）對圖象和視頻的輸入輸出，指文件和攝像頭作為輸入，圖象和視頻文件作為輸出。
（３）具有對距陳和向量的操作以及線性代數的算法程序，包括距陣、解方程、特征值以及奇異值。
（４）可對各種動態數據結構，如列表、隊列、集合、樹和圖等進行操作。
（５）具有基本的數字圖象處理能力，如可進行濾波、邊緣檢測、角點檢測、采樣與差值、色彩轉換、形態操作、直方圖和圖象金字塔等操作。
展開 
介紹用于圖像識別的五大最佳編程語言！
這些庫包括OpenGL、EmguCV、OpenCV等等。它們具有用于圖像識別的智能圖像處理功能。
4. Java
像C和C ++一樣，永遠不要低估Java編程語言的強大功能。這種語言足以執行復雜的功能。它可用于創建圖像處理和圖像識別的應用程序。
5. OpenCV工具
開源計算機視覺(OpenCV)是一種用于實時處理的高級工具。它也是一種跨平臺工具，因此可以集成到任何編程語言中，以執行圖像處理和識別功能。它可以與C、C ++、Java、Python和Android編程語言集成。
OpenCV提供無專利算法，你可以在沒有任何法律限制的情況下使用。它可用于商業和學術目的。它有一個專門的臉部識別器類，你可以用它來試驗圖像識別功能的能力，沒有任何麻煩。該課程附有一個信息豐富的文檔，將向你展示如何實現圖像識別功能。總體而言，無論使用何種編程語言，OpenCV都是圖像識別的首選工具。
你還可以使用其他幾種編程語言來開發圖像識別功能。在開始使用任何語言之前，請學習如何處理矩陣，因為它是圖像識別編程的構建塊。
展開 機器視覺常用圖像軟件對比及分析
主流的機器視覺軟件有：側重圖像處理的圖像軟件包Opencv，Halcon、美國康耐視（Cogrex ）的 visionpro；側重算法的matlab，labview、；側重相機SDK開發的eVision等。
ViCANdo新版本發布（PART4）| QML集成
ViCANdo
ViCANdo Suite是針對智能駕駛功能的開發和測試平臺，能夠同步的采集所需的各類數據，同時工具集成OpenCV，工程師可以直接使用OpenCV的相關函數來進行開發。
ViCANdo具有一個開放的SDK，允許創建自定義接口，還允許將正在開發中的算法用作ViCANdo本身的一部分，性能執行。通過使用ViCANSim中的 Matlab/Simulink擴展，或者利用內置仿真引擎進行網絡仿真或視頻算法開發
ViCANdo Suite直接支持的數據源
? 示例應用：
在VICANdo內實時車道線識別與實時顯示，通過在ViCANdo內部直接集成車道線識別算法，方便直觀的展示車道線識別算法的識別情況，并利用ViCANdo的擴展功能將識別的車道線、航向等信息與視頻疊加展示，可以方便的進行算法的調試。
在上圖的工程中，我們添加了一路攝像頭采集道路信息，同時用兩路CAN通道采集車輛信息，通過圖像提取車道線信息，同時結合車輛的狀態信息，在圖像上實時疊加顯示識別的車道線信息和車輛的航線信息。
? 示例應用：
環視攝像頭拼接與實時顯示，通過ViCANdo對LVDS攝像頭的支持，可以直接將一般的車載攝像頭的視頻數據接入到平臺中，對于開發的工程師而言不用再去投入精力到驅動開發等工作中，在ViCANdo中直接集成基于OpenCV的視頻拼接算法，并將拼接結果直接的展示在ViCANdo界面中。
在上圖的工程中，我們通過LVDS板卡實時采集四路車載攝像頭的視頻信息（非后裝攝像頭，可以保證算法應用的參數即為原車攝像頭的參數），在軟件中加載圖像拼接算法，并在軟件窗口中直接顯示，同時顯示車載魚眼攝像頭的原始圖像。
展開 如何用機器學習在15分鐘內破解網站驗證碼系統？
OpenCV
OpenCV 是計算機視覺和圖像處理中一個很流行的框架。我們會用 OpenCV 處理驗證碼照片。它有一個 Python API，所以我們可以直接從 Python 中使用它。
Keras
Keras 是一個用 Python 編寫的深度學習框架。用 Keras 可以只需編寫少量代碼就能很容易地定義、訓練和使用深度神經網絡。
TensorFlow
TensorFlow 是谷歌出品的一款用于機器學習的程序庫。我們會在 Keras 上的編程，但 Keras 自己并不會實際使用神經網絡邏輯，相反它會在幕后使用谷歌的 TensorFlow 程序庫挑起重擔。
OK，我們回到挑戰中！
創建我們的數據集
不管是訓練什么機器學習系統，我們都要有訓練數據。要破解一個驗證碼系統，我們希望能有這樣的訓練數據：
如圖示：輸入驗證碼照片用以訓練模型，然后模型能夠輸出正確的答案。
因為我們有這款 WordPress 插件的源代碼，我們可以對其修改保存出 1 萬張驗證碼照片，以及每張照片的預期答案。
在花了幾分鐘修改代碼和添加一個簡單的 for 循環后，我獲得了一個訓練數據文件夾，包含了 1 萬張 PNG 照片，每張照片都有正確答案作為照片的文件名：
這是本文唯一一部分沒有給出我的工作示例代碼的地方，因為我考慮再三后覺得，這篇教程純粹出于一個好玩的點子，我不希望有人真的用垃圾信息去刷爆 WordPress 網站。但我會在文末提供我上面生成的這1萬張照片，大家可以拿去用。
展開 