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 |

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。