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~
