Python面试题：结合Python技术，讲解如何使用OpenCV进行图像处理与计算机视觉任务

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和图像处理库，广泛用于图像处理、计算机视觉、机器学习等任务。它提供了丰富的功能和工具来处理和分析图像和视频数据。下面详细讲解如何使用 OpenCV 进行图像处理和计算机视觉任务。

1. 安装 OpenCV

首先，你需要安装 OpenCV 库。可以通过 pip 进行安装：

pip install opencv-python 

2. 基本操作

2.1 读取和显示图像

使用 cv2.imread() 读取图像，cv2.imshow() 显示图像，cv2.waitKey() 等待用户输入，并且使用 cv2.destroyAllWindows() 关闭显示窗口。

import cv2  # 读取图像 image = cv2.imread('image.jpg')  # 显示图像 cv2.imshow('Image', image)  # 等待用户按键 cv2.waitKey(0)  # 关闭所有窗口 cv2.destroyAllWindows() 

2.2 保存图像

使用 cv2.imwrite() 将图像保存到文件。

cv2.imwrite('saved_image.jpg', image) 

3. 图像处理

3.1 图像大小调整

使用 cv2.resize() 调整图像大小。

resized_image = cv2.resize(image, (width, height)) 

3.2 图像裁剪

通过数组切片裁剪图像。

cropped_image = image[y1:y2, x1:x2] 

3.3 图像旋转

图像旋转可以通过 cv2.getRotationMatrix2D() 和 cv2.warpAffine() 实现。

(h, w) = image.shape[:2] center = (w // 2, h // 2) angle = 45  # 旋转角度 scale = 1.0  # 缩放因子  # 获取旋转矩阵 M = cv2.getRotationMatrix2D(center, angle, scale)  # 执行旋转 rotated_image = cv2.warpAffine(image, M, (w, h)) 

4. 图像滤波

4.1 高斯模糊

使用 cv2.GaussianBlur() 进行高斯模糊。

blurred_image = cv2.GaussianBlur(image, (5, 5), 0) 

4.2 边缘检测

使用 cv2.Canny() 进行边缘检测。

edges = cv2.Canny(image, 100, 200) 

5. 计算机视觉任务

5.1 人脸检测

使用 cv2.CascadeClassifier 进行人脸检测。首先需要下载预训练的级联分类器 XML 文件（如 haarcascade_frontalface_default.xml）。

# 加载预训练分类器 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')  # 转换为灰度图像 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 检测人脸 faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))  # 绘制矩形框 for (x, y, w, h) in faces:     cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)  # 显示结果 cv2.imshow('Faces', image) cv2.waitKey(0) cv2.destroyAllWindows() 

5.2 物体跟踪

使用 cv2.TrackerKCF_create() 进行物体跟踪。需要在视频中初始化跟踪器。

# 初始化视频捕捉 video = cv2.VideoCapture('video.mp4')  # 读取第一帧 ret, frame = video.read()  # 选择跟踪区域 bbox = cv2.selectROI(frame, False)  # 初始化跟踪器 tracker = cv2.TrackerKCF_create() tracker.init(frame, bbox)  while True:     ret, frame = video.read()     if not ret:         break      # 更新跟踪器     success, bbox = tracker.update(frame)          if success:         (x, y, w, h) = [int(v) for v in bbox]         cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)          cv2.imshow('Tracking', frame)          if cv2.waitKey(1) & 0xFF == ord('q'):         break  video.release() cv2.destroyAllWindows() 

6. 图像特征提取

6.1 SIFT（尺度不变特征变换）

SIFT 是一种常用的特征点检测和描述算法。

sift = cv2.SIFT_create()  # 检测特征点和描述符 keypoints, descriptors = sift.detectAndCompute(image, None)  # 绘制特征点 output_image = cv2.drawKeypoints(image, keypoints, None)  cv2.imshow('SIFT Features', output_image) cv2.waitKey(0) cv2.destroyAllWindows() 

7. 图像变换

7.1 仿射变换

使用 cv2.getAffineTransform() 和 cv2.warpAffine() 实现仿射变换。

points1 = np.float32([[50, 50], [200, 50], [50, 200]]) points2 = np.float32([[10, 100], [200, 50], [100, 250]])  # 获取仿射变换矩阵 M = cv2.getAffineTransform(points1, points2)  # 应用仿射变换 transformed_image = cv2.warpAffine(image, M, (width, height)) 

7.2 投影变换（透视变换）

使用 cv2.getPerspectiveTransform() 和 cv2.warpPerspective() 实现透视变换。

points1 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]]) points2 = np.float32([[0, 0], [300, 0], [0, 400], [300, 400]])  # 获取透视变换矩阵 M = cv2.getPerspectiveTransform(points1, points2)  # 应用透视变换 perspective_image = cv2.warpPerspective(image, M, (300, 400)) 

总结

OpenCV 提供了强大的图像处理和计算机视觉功能。通过上述示例，你可以执行各种基本和高级图像处理任务，如图像读取、显示、大小调整、裁剪、滤波、边缘检测、人脸检测、物体跟踪、特征提取、仿射和透视变换等。这些功能可以应用于图像分析、机器学习和计算机视觉等领域。