计算机视觉 / 系统课时

认识 OpenCV

认识 OpenCV

OpenCV 是一套以图像与视频处理为核心的计算机视觉库。本节先建立模块地图,再区分它与深度学习框架的职责边界,让你知道遇到读取、变换、检测、几何计算或模型推理时应优先从哪里下手。

学习目标

  • 说清 OpenCV 适合解决的典型视觉任务
  • 识别常用核心模块及其职责
  • 区分 OpenCV 与深度学习框架在视觉项目中的分工

OpenCV 解决什么问题

OpenCV 的强项是把图像和视频当作可计算的数据来处理。常见任务包括读取与保存、颜色空间转换、缩放裁剪、滤波与边缘提取、轮廓分析、特征匹配、相机标定、目标检测,以及对视频流逐帧处理。

它既能完成传统计算机视觉算法,也能作为深度学习模型前后的“胶水层”:在推理前负责解码、尺寸调整和归一化,在推理后负责坐标还原、绘制框和写回视频。

常用模块怎么分工

模块 主要职责 典型用途
core 矩阵、数组、基础数据结构 图像数据承载与数值运算
imgproc 图像变换与处理 灰度化、滤波、缩放、轮廓
imgcodecs 图像编解码 imread、imwrite
videoio 视频与摄像头输入输出 读取视频、采集摄像头
highgui 简单窗口与交互 显示图像、键盘事件
features2d 局部特征 ORB 等特征检测与匹配
calib3d 三维几何与标定 相机标定、位姿估计
dnn 神经网络推理 加载模型并执行前向推理

OpenCV 模块与视觉处理链路

实际使用时不必先记住全部模块。通常从“输入是什么、要做什么变换、结果输出到哪里”三个问题出发,就能快速定位到对应 API。

与深度学习框架怎么配合

OpenCV 更偏向图像处理、传统视觉和推理前后处理;PyTorch、TensorFlow 等框架更擅长定义网络、训练模型、反向传播和大规模张量计算。两者通常不是替代关系,而是串成一条处理链。

例如做目标检测时,可以用 OpenCV 读取摄像头帧并缩放,交给深度学习模型得到类别与边界框,再用 OpenCV 把结果绘制到画面并编码成视频。若模型已导出为 OpenCV DNN 支持的格式,也可以直接用 dnn 模块完成推理,但训练仍通常在专门框架中完成。

什么时候优先想到 OpenCV

如果任务重点是图像编解码、像素级变换、几何计算、摄像头处理、传统特征或结果可视化,OpenCV 往往是第一选择。若核心问题是设计网络、训练参数或分布式训练,则应交给深度学习框架,再让 OpenCV 承担数据入口和结果处理。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

认识 OpenCV

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通