最近有小伙伴推荐，希望可以将经典的项目整理一下，集成手册，便于小伙伴在日常的学习中使用。于是小编挑选了# OpenCV 的应用#专栏中的 20 篇经典内容，集结成册，便于小伙伴们阅读和学习。

本手册中主要涉及以下几部分，首先是对 OpenCV 中自带的基本函数进行介绍。其次是 OpenCV的实战项目，一方面是基于实际项目利用 OpenCV 实现特定对象的检测，例如车道线检测、路面的坑洼检测、等；另一方面是基于 OpenCV 实现图像增强，例如利用 OpenCV 消除运动所引起的图像模糊等。最后是 OpenCV 与深度学习等其他相结合实现图像分割、人脸检测、运动检测等难度较大的问题。

因为本手册是处于实时更新和维护的状态，因此会有一些内容变动，为了使小伙伴们获取准确的信息，因此手册中项目的源码不在书中给出。小伙伴们转发、转发、转发并评论回复【OpenCV实战项目 20 讲】就可以获得最新的源码信息。

手册中的具体内容如下：

• 1. 使用 OpenCV 进行颜色分割
• 2. 使用 OpenCV 实现图像覆盖
• 3. 使用 OpenCV 进行图像全景拼接
• 4. 使用 OpenCV 实现图像修复
• 5. 自适应显着性的图像分割
• 6. 使用 OpenCV 实现海岸线变化检测
• 7. 使用 OpenCV 为视频中美女添加眼线
• 8. 使用 OpenCV 实现猜词游戏
• 9. 使用 OpenCV 进行检测坑洼
• 10. 使用 OpenCV 实现车道线检测
• 11. 使用 OpenCV 实现道路车辆计数
• 12. 使用 C＃和 OpenCV 实现人脸替换
• 13. 使用 OpenCV 进行实时面部检测
• 14. 使用 OpenCV 实现口罩检测
• 15. 使用 OpenCV 预处理神经网络中的面部图像
• 16. 基于 OpenCV 实现深蹲检测器
• 17. 利用 OpenCV 实现基于深度学习的超分辨率处理
• 18. 使用 OpenCV 实现社交距离检测器
• 19. 使用 OpenCV 实现早期火灾检测系统
• 20. 使用 OpenCV 构建运动检测器2020/7/29 使用OpenCV进行颜色分割

如果需要获取到这个【OpenCV实战项目20讲（附源码）】更全面的文档的话帮忙转发、转发、转发一下然后再关注我私信回复“学习”得到获取方式吧！

使用OpenCV进行颜色分割

在滤波、变换、缩放等任务中，图像分割具有重要的意义。图像分割是将不同的对象划分为不同的部分，并将这些区域以明显的颜色或者记号标记出来。图像分割是使用轮廓、边界框等概念进行其他高级计算机视觉任务（例如对象分类和对象检测）的基础。良好的图像分割为我们后续的图像分类以及检测奠定了基础。

在计算机视觉中主要有3种不同的图像分割类型：

• 1.颜色分割或阈值分割
• 2.语义分割
• 3.边缘检测

在本文里，我们将介绍基于颜色的图像分割，并通过OpenCV将其实现。小伙伴可能会问，当我们拥有像 Caffe和 Keras这样的工具时，为什么要使用拥有 21年历史的 OpenCV库。与Caffe和Keras等现代SOTA DL方法相比，OpenCV虽然在准确性方面有一些落后，但是运行速度相较于上述方法具有得天独厚的优势。

即使使用最著名的神经网络框架之一的YOLOv3进行对象检测时，其运行速度也是不尽如人意的。此外，Darknet使用OpenMP（应用程序编程接口）进行编译的时间几乎是OpenCV的18倍。这更加说明了使用OpenCV的速度是比较快速的。

颜色分割可用于检测身体肿瘤、从森林或海洋背景中提取野生动物的图像，或者从单一的背景图像中提取其他彩色物体。下面几幅图是图像分割的几个典型示例。

从以上示例中可以看出，尽管OpenCV是一种更快的方法，但是它对于图像的分割结果并不是非常的理想，有时会出现分割误差或者错误分割的情况

接下来我们将介绍如何通过OpenCV对图像进行颜色的分割。这里我们有一张含有鸟的图片，我们的目标是通过颜色分割尝试从图片中提取这只鸟。

首先我们导入完成该任务所需的所有库和这张图像：

• import cv2 as cv
• import matplotlib.pyplot as pltfrom PIL
• import Image
• !wget -nv https://static.independent.co.uk/s3fs-public/thumbnails/image/2018/04/10/19
• img = Image.open('./bird.png')

接下来我们使用滤波器对该图像进行预处理，对图像进行模糊操作，以减少图像中的细微差异。在OpenCV中提供了4个内置的滤波器，以满足用户对图像进行不同滤波的需求。这4种滤波器的使用方式在下面的代码中给出。但是，针对于本文中需要分割的图像，我们并不需要将4种滤波器都使用。

• blur = cv.blur(img,(5,5))
• blur0=cv.medianBlur(blur,5)
• blur1= cv.GaussianBlur(blur0,(5,5),0)
• blur2= cv.bilateralFilter(blur1,9,75,75)

下图是图像滤波模糊后的结果：

接下来我们需要将图像从BGR（蓝绿色红色）转换为HSV（色相饱和度值）。为什么我们要从BGR空间中转到HSV空间中？因为像素B，G和R的取值与落在物体上的光相关，因此这些值也彼此相关，无法准确描述像素。相反，HSV空间中，三者相对独立，可以准确描述像素的亮度，饱和度和色度。

• hsv = cv.cvtColor(blur2, cv.COLOR_BGR2HSV)

这个操作看似很小，但当我们尝试找到要提取的阈值或像素范围时，它会使我们的工作变得更加简单。

接下来是“颜色分割”的最重要一步，即“阈值分割”。这里我们将确定要提取的所有像素的阈值。使用OpenCV进行颜色分割中最重要步骤——阈值分割，这可能是一个相当繁琐的任务。即使我们可能想到通过使用颜色选择器工具来了解像素值，但是仍然需要进行不断的尝试，以便在所有像素中获取期望的像素，有些时候这也可能是一项艰巨的任务。具体操作如下：

• low_blue = np.array([55, 0, 0])
• high_blue = np.array([118, 255, 255])
• mask = cv.inRange(hsv, low_blue, high_blue)

上面代码中最后一行的“Mask”将所有不在描述对象范围内的其他像素进行覆盖。程序运行结果如下图所示：

接下来，运行最后的代码以显示由Mask作为边界的图像。所使用的代码和程序运行结果在下面给出：

• res = cv.bitwise_and(img,img, mask= mask)

那么通过上面的方式，我们就实现了基于颜色的图像分割，感兴趣的小伙伴们可以通过上面的代码和步骤进行尝试，看看能否满足自己的图像分割需求。

使用OpenCV实现图像覆盖

每张图像都包括RGB三个通道，分别代表红色、绿色和蓝色，使用它们来定义图像中任意一点的像素值，红绿蓝的值在0-255之间。

例如：一个像素值[255,0,0]代表全部为红色，像素值[255,255，0]是红色和绿色的混合，将显示为黄色。

但是，如果使用OpenCV读取图像，它将以BGR格式生成图像，那么[255,0,0]将代表蓝色。

使用OpenCV读取一张图像

任何图像都可以通过OpenCV使用cv2.imread()命令读取。不过，OpenCV不支持HEIC格式的图像，所以不得不使用其它类型的库，如Pillow来读取HEIC类型的图像（或者先将它们转换为JPEG格式）

• import cv2image = cv2.imread(‘image.jpg’)

当读取图像之后，如果有必要的话可以将其从BGR格式转换为RGB格式，通过使用cv2.cvtColor()命令实现。

• image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
• image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

覆盖

图像可以看作是是一堆像素值以类似矩阵的格式存储。任何像素的值都可以独立于其他像素进行更改。这里有一张图像，使用OpenCV读取图像：

• image_1 = cv2.imread(‘image_1.jpg’)
• print(image_1)

这里将给出矩阵形式的一系列像素值

• array([[[107, 108, 106],[107, 108, 106],[107, 108, 106],…,[ 77, 78, 76],[ 77, 78, 76]

如果只改变图像某一区域的像素值，比如更改为[0,0,0]，这部分区域将变成黑色，因为这是颜色为黑色的像素值。同样，如果将像素值更改为[255,0,0]，则该区域将变为蓝色(OpenCV以BGR格式读取图像)。

• image_1[50: 100, 50:100] = [255, 0, 0]

同样，这些像素值可以被另一幅图像替换，只需通过使用该图像的像素值。

为了做到这一点，我们需要将覆盖图像修改为要替换的像素值的大小。可以通过使用cv2.resize()函数来实现

使用OpenCV实现图像覆盖

• image_2 = cv2.imread(‘image_2.jpg’)
• resized_image_2 = cv2.resize(image_2, dsize=(100, 100))

其中，dsize 代表图像要被修改的尺寸。

现在，可以将第二张图像够覆盖在第一张图片的上面

• image_1[50:150, 50:150] = resized_image_2

覆盖PNG图像

与JPEG图像不同，PNG图像有第四个通道，它定义了给定像素的ALPHA(不透明度）。

除非另有规定，否则OpenCV以与JPEG图像相同的方式读取PNG图像。

为了读取带有Alpha值的PNG图像，我们需要在读取一张图像时指定标志cv2.IMREAD_UNCHANGED。现在，这个图像已经有了四个通道：BGRA

• image_3 = cv2.imread(‘image_3.png’, cv2.IMREAD_UNCHANGED)
• print(image_3)
• array([[[0 0 0 0][0 0 0 0][0 0 0 0]…[0 0 0 0][0 0 0 0][0 0 0 0]]…[[0 0 0 0][0 0 0 0]

使用OpenCV实现图像覆盖

然而，这个图像有4个通道，但是我们的JPEG图像只有3个通道，所以这些值不能简单地替换。

我们需要在我们的JPEG图像中添加一个虚拟通道。

为此，我们将使用 numpy。可以使用pip install numpy命令安装它。

numpy提供了一个函数numpy.dstack() 来根据深度叠加值。

首先，我们需要一个与图像大小相同的虚拟数组。

为了创建虚拟通道，我们可以使用numpy.ones()函数创建一个数组。

• import numpy as npones = np.ones((image_1.shape[0], image_1.shape[1]))*255
• image_1 = np.dstack([image_1, ones])

我们将其数组与255相乘，因为alpha通道的值也存在于0-255之间。

现在，我们可以用PNG图像替换图像的像素值。

• image_1[150:250, 150:250] = image_3

然而，它不会给出期望的结果，因为我们将alpha通道的值改为了零

使用OpenCV实现图像覆盖

https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247488514&idx=1&sn=6d3d315b30e9c736ecf23ab8816dac19&chksm=fb56f6ee… 5/6

我们只需要替换那些具有非零值的像素值。为了做到这一点，我们可以通过检查每个像素值和替换非零值来强行执行，但这很耗时。

这里有一个更好的方法。我们可以获取要覆盖图像的alpha值。

• alpha_image_3 = image_3[:, :, 3] / 255.0

我们将像素值除以255.0，以保持值在0-1之间。现在，我们可以简单的取每个图像的alpha值和每个通道的图像像素值的元素乘积，并取它们的和。

image_1 和image_3的alpha之和需要等于255。因此，我们可以创建另一个数组，其中包含和等于255的所需alpha值。

• alpha_image = 1 — alpha_image_3

现在，我们可以简单的取每个图像的alpha值和每个通道的图像像素值的元素乘积，并取它们的和。

• for c in range(0, 3): image_1[150:250, 150:250, c] = ((alpha_image*image_1[150:250,

如果需要获取到这个【OpenCV实战项目20讲（附源码）】更全面的文档的话帮忙转发、转发、转发一下然后再关注我私信回复“学习”得到获取方式吧！

内容太多，关注小编持续更新哟~