一、OpenCV简要介绍
OpenCV是一个跨平台的计算机视觉库，可以运行在Windows、Linux、MacOS等操作系统上。OpenCV提供了众多语言的接口，其中就包含了Python，Python是一门上手容易、使用起来十分让人愉悦的语言，利用Python学习OpenCV，相信能获得不错的效果。
二、从官网上下载源码或安装包
OpenCV的官方下载网址是http://opencv.org/releases.html，我选择的是最新2.4.13版本。
三、编译安装前的准备工作
安装依赖包
[compiler] $ sudo apt-get install build-essential [required] $ sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev [optional] $ sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
在解压后的opencv-XXX 文件夹内建立一个release文件夹，编译生成的文件会放在release文件夹里面。完成后，就可以开始正式的编译了。
四、编译安装
1.配置。
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
CMAKE_BUILD_TYPE: build的类型，有Release和Debug两种
CMAKE_INSTALL_PREFIX： 指定想要安装OpenCV的文件夹目录，一般就用/usr/local
除此之外，还可以添加上BUILD_DOCS 来build文档以及 BUILD_EXAMPLES 来build所有的样例
注意：如果上面的命令行无法工作，则把-D后面的空格去掉：
cmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..
如果安装Opencv的时候，停在了下载ippicv的地方，一直都下载不下来，可以手动下载解决。
ippicv是一个并行计算库，其实可以不用的。 如果不想用这个并行计算库，在做Cmake的时候用参数关闭即可，但我还是建议使用这个库。 首先，
手动下载[ippicv](https://raw.githubusercontent.com/Itseez/opencv_3rdparty/81a676001ca8075ada498583e4166079e5744668/ippicv/ippicv_linux_20151201.tgz) ，
或者https://github.com/opencv/opencv_3rdparty/branches/all下载源码然后自己打包，
将刚才下载的ippicv文件直接拷贝进入opencv2.4.13源码的下面这个目录：opencv-3.1.0/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320ecmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..
最后一个目录可能不一样，但无所谓。 最后再使用命令编译：
2.编译。
为了加快编译速度，一般会使用多线程的方法：
make -j7 # 同时使用七个线程
3.安装
sudo make install
安装过程时间可能会有点长10~30分钟左右，编译完成之后OpenCV就安装到了指定的/usr/local下面的一些目录中，库文件就安装到了/usr/local/lib下，Python的模块安装位置是：/usr/local/lib/python2.7/site-packages（有些是/usr/local/lib/python2.7/dist-packages），执行 ls /usr/local/lib/python2.7/site-packages/ 可以看到两个文件，一个是cv2.so一个是cv.py
这两个文件在刚才opencv-2.4.13编译的目录下面/usr/local/src/opencv-2.4.13/release/lib下也存在着两个python模块文件，但是不幸的是现在并不能直接使用，原因是我们操作系统python依赖包的位置是/usr/lib/python2.7下，所以刚才如果编译到/usr下是直接可以用的，不过这个也不重要，只要我们将这两个文件复制到正确的目录下，那么就能正常使用OpenCV的功能了，执行： cp /usr/local/lib/python2.7/site-packages/cv* /usr/lib/python2.7/site-packages/ 复制过去之后进入python交互式界面执行 import cv2 没有报错则安装成功。
参考资料：
https://www.cnblogs.com/freeweb/p/5794447.html
https://www.cnblogs.com/magic-girl/p/opencv-python-01.html
http://www.bubuko.com/infodetail-1830929.html
测试文件1：
#!/usr/bin/python # -*- coding:utf-8 -*- import cv2 image = cv2.imread("test.jpg") print image cv2.imwrite("test1.jpg",image)//修改图片的名字
读取并显示图像
import cv2 # 引入OpenCV模块 image = cv2.imread("logo.png", 1) # 读取一张图片，存储在image中 cv2.namedWindow("Hello, world!") # 创建一个名为"Hello,world!"的窗口
cv2.imshow("Hello, world!", image) # image在窗口中展示出来 cv2.waitKey(0) # 等待用户按下任意按键 cv2.destroyAllWindows() # 销毁所有的窗口
创建/复制图像
import cv2 import numpy as np img = cv2.imread("D:\cat.jpg")
emptyImage = np.zeros(img.shape, np.uint8) //创建一个新的图像
emptyImage2 = img.copy(); //复制原有的图像获得新的图像
emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) //获得元图像的副本，emptyImage3[...]=0是将其转成空白的黑色图像。
#emptyImage3[...]=0
在新的OpenCV-Python绑定中，图像使用NumPy数组的属性来表示图像的尺寸和通道信息。这里是以OpenCV自带的cat.jpg为示例，如果输出img.shape，将得到(500, 375, 3)。最后的3表示这是一个RGB图像。
保存图像
保存图像很简单，直接用cv2.imwrite即可。
cv2.imwrite("D:\cat.jpg", img)
第一个参数是保存的路径及文件名，第二个是图像矩阵。其中，imwrite()有个可选的第三个参数，如下：
cv2.imwrite("D:\cat.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 5])
第三个参数针对特定的格式：
对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95。 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int。下面是以不同质量存储的两幅图：
对于PNG，第三个参数表示的是压缩级别。cv2.IMWRITE_PNG_COMPRESSION，从0到9,压缩级别越高，图像尺寸越小。默认级别为3。
import cv2 import numpy as np img = cv2.imread("cat.jpg") emptyImage = np.zeros(img.shape, np.uint8) emptyImage2 = img.copy() emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #emptyImage3[...]=0 cv2.imshow("EmptyImage", emptyImage) cv2.imshow("Image", img) cv2.imshow("EmptyImage2", emptyImage2) cv2.imshow("EmptyImage3", emptyImage3) cv2.imwrite("cat2.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 5]) cv2.imwrite("cat3.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 100]) cv2.imwrite("cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0]) cv2.imwrite("cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9]) cv2.waitKey (0) cv2.destroyAllWindows()
opencv-python 提取sift特征并匹配
# -*- coding: utf-8 -*- import cv2 import numpy as np from find_obj import filter_matches,explore_match from matplotlib import pyplot as plt def getSift(): ''''' 得到并查看sift特征 ''' img_path1 = '../../data/home.jpg' img = cv2.imread(img_path1) #读取图像
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图 sift = cv2.SIFT() #创建sift的类
#在图像中找到关键点 也可以一步计算#kp, des = sift.detectAndCompute kp = sift.detect(gray,None) print type(kp),type(kp[0]) #Keypoint数据类型分析 http://www.cnblogs.com/cj695/p/4041399.html print kp[0].pt
des = sift.compute(gray,kp) #计算每个点的sift print type(kp),type(des) #des[0]为关键点的list，des[1]为特征向量的矩阵 print type(des[0]), type(des[1]) print des[0],des[1] #可以看出共有885个sift特征，每个特征为128维 print des[1].shape
#在灰度图中画出这些点 img=cv2.drawKeypoints(gray,kp) #cv2.imwrite('sift_keypoints.jpg',img) plt.imshow(img),plt.show() def matchSift(): ''''' 匹配sift特征 ''' img1 = cv2.imread('../../data/box.png', 0) # queryImage img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage sift = cv2.SIFT() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None)
# 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false) bf = cv2.BFMatcher() #返回k个最佳匹配 matches = bf.knnMatch(des1, des2, k=2) # cv2.drawMatchesKnn expects list of lists as matches. # opencv2.4.13没有drawMatchesKnn函数，需要将opencv2.4.13sourcessamplespython2下的common.py和find_obj文件放入当前目录，并导入 p1, p2, kp_pairs = filter_matches(kp1, kp2, matches) explore_match('find_obj', img1, img2, kp_pairs) # cv2 shows image cv2.waitKey() cv2.destroyAllWindows() def matchSift3(): ''''' 匹配sift特征 ''' img1 = cv2.imread('../../data/box.png', 0) # queryImage img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage sift = cv2.SIFT() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None)
# 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false) bf = cv2.BFMatcher() #返回k个最佳匹配 matches = bf.knnMatch(des1, des2, k=2) # cv2.drawMatchesKnn expects list of lists as matches. # opencv3.0有drawMatchesKnn函数 # Apply ratio test # 比值测试，首先获取与A 距离最近的点B（最近）和C（次近），只有当B/C # 小于阈值时（0.75）才被认为是匹配，因为假设匹配是一一对应的，真正的匹配的理想距离为0 good = [] for m, n in matches: if m.distance < 0.75 * n.distance: good.append([m]) img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2) cv2.drawm plt.imshow(img3), plt.show() matchSift()
logo匹配效果图.：
其中
#coding=utf-8 import cv2 import scipy as sp img1 = cv2.imread('x1.jpg',0) # queryImage img2 = cv2.imread('x2.jpg',0) # trainImage # Initiate SIFT detector sift = cv2.SIFT() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # FLANN parameters FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks=50) # or pass empty dictionary flann = cv2.FlannBasedMatcher(index_params,search_params) matches = flann.knnMatch(des1,des2,k=2) print 'matches...',len(matches) # Apply ratio test good = [] for m,n in matches: if m.distance < 0.75*n.distance: good.append(m) print 'good',len(good) # ##################################### # visualization h1, w1 = img1.shape[:2] h2, w2 = img2.shape[:2] view = sp.zeros((max(h1, h2), w1 + w2, 3), sp.uint8) view[:h1, :w1, 0] = img1 view[:h2, w1:, 0] = img2 view[:, :, 1] = view[:, :, 0] view[:, :, 2] = view[:, :, 0] for m in good: # draw the keypoints # print m.queryIdx, m.trainIdx, m.distance color = tuple([sp.random.randint(0, 255) for _ in xrange(3)]) #print 'kp1,kp2',kp1,kp2 cv2.line(view, (int(kp1[m.queryIdx].pt[0]), int(kp1[m.queryIdx].pt[1])) , (int(kp2[m.trainIdx].pt[0] + w1), int(kp2[m.trainIdx].pt[1])), color) cv2.imshow("view", view) cv2.waitKey()
另一种匹配方法：
import cv2 ImgName1 = 'home1.jpg' # 原图 ImgName2 = 'home2.jpg' # 要匹配的图 img1=cv2.imread(ImgName1,0) # 读取图片 img2=cv2.imread(ImgName2,0) sift=cv2.SIFT() kp1 = sift.detect(img1, None) kp2 = sift.detect(img2, None) des1 = sift.compute(img1, kp) des2 = sift.compute(img2, kp) if len(kp2)<20: status=-1 print "特征值点太少" featureList = [kp1,des1] for img1,kp1,des1 in featureList: #一一比对 if len(kp1)<80: # 设置阈值，特征低于80个的，阈值大一些。 thres=(-0.5)*len(kp1)+60 else: thres=th FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks=50) # or pass empty dictionary flann = cv2.FlannBasedMatcher(index_params,search_params) matches = flann.knnMatch(des1,des2,k=2) good = [] for m,n in matches: if m.distance<0.60*n.distance: # 判断特征点不能便离太远 good.append(m) total=len(matches) if(total>0): percent=len(good)*100.0/total #匹配的相似度 if percent>thres: # 当匹配度超过阀值，匹配成功 status=1 print "匹配成功"
参考：
http://blog.csdn.net/yan456jie/article/details/52312253
http://blog.csdn.net/handsomekang/article/details/41448697
opencv专栏
http://blog.csdn.net/sunny2038
https://segmentfault.com/a/1190000003742422#articleHeader1