简单介绍
OpenCV 是一个图像和视频处理库，具有 C++、C、Python 和 Java 中的绑定。OpenCV用于各种图像和视频分析，如面部识别和检测，车牌读取，照片编辑，高级机器人视觉，光学字符识别等等。
在边缘检测的情况下，黑色对应于像素值（0，0，0），白线对应于（255，255，255）。视频中的每个图片和帧都分解成这样的像素，我们可以推断出，就像边缘检测一样，边缘是基于白色像素与黑色像素的比较。然后，如果我们想看到带有标记边缘的原始图像，我们会记下白色像素的所有坐标位置，然后在原始源源图像或视频上标记这些位置。
您将能够完成上述所有操作，并能够训练您的机器识别所需的任何对象。就像我最初说的，第一步通常是转换为灰度。在此之前，我们需要加载图像。因此，让我们来做吧！在整个教程中，我非常鼓励您使用自己的数据进行游戏。如果你有一个网络摄像头，一定要使用它，否则找到一个你认为会很有趣的图像。如果您遇到问题，下面是手表的图片：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('watch.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('image',img)
cv2.waitKey(0)
cv2.destroyAllWindows() 首先，我们正在导入一些东西，我让你们都安装的这三个模块。接下来，我们将img定义为cv2.read（图像文件，parms）。默认值为 IMREAD_COLOR，即没有任何 Alpha 通道的颜色。如果您不熟悉，alpha 是不透明程度（与透明度相反）。如果需要保留 Alpha 通道，也可以使用 IMREAD_UNCHANGED。很多时候，您将在彩色版本中阅读，然后将其转换为灰色。如果您没有网络摄像头，这将是您将在本教程中使用的主要方法，即加载图像。
您应该熟悉这两个选项，以便了解该人在做什么。对于第二个参数，可以使用 -1、0 或 1。颜色为 1，灰度为 0，未更改为 -1。因此，对于灰度，人们可以做img = cv2.imread('watch.jpg', 0)加载后，我们使用cv2.imshow（标题，图像）来显示图像。从这里开始，我们使用 cv2.waitKey（0） 来等待，直到按下任何键。一旦完成，我们使用cv2.destroyAllWindows（）来关闭所有内容。
如前所述，您还可以使用Matplotlib显示图像，以下是一些有关如何执行此操作的代码：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('watch.jpg',cv2.IMREAD_GRAYSCALE)
plt.imshow(img, cmap = 'gray', interpolation = 'bicubic')
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.plot([200,300,400],[100,200,300],'c', linewidth=5)
plt.show()请注意，您可以绘制线条，就像使用像素位置作为坐标的任何其他 Matplotlib 图一样，可以在此处绘制线条。但是，如果您希望在图像上绘制，则不需要Matplotlib。OpenCV为此提供了很好的方法。完成修改后，您可以保存，如下所示：
cv2.imwrite('watchgray.png',img)
使用OpenCV的真实世界项目和工具
让我们来看看一些现实世界中OpenCV的例子，这些例子被用来让你了解这个令人难以置信的工具可以用来的不同应用。
从图像中提取和删除水平或垂直线
这种用于删除水平或垂直线的图像处理技术具有大量实际用例。使用一些cv2函数，如侵蚀和扩张，我们可以识别和删除图像中任何大小的水平和垂直线。您将看到这与1D和2D条形码扫描软件一起用于产品标签阅读器。
边缘检测项目
对于希望使用openCV快速获得结果的人来说，在图像中查找对象的边缘可能是一个具有挑战性和令人兴奋的项目。检测边缘对于预测物体的大小或您与所看到的物体之间的距离非常有用。您还可以在视频源中包含此库，以自动将对象移近或移远目标。
库存管理和自动化产品列表
在上面链接的那篇文章中，作为示例显示的产品使用对象检测和条形码读取功能，在拍摄和上传产品照片时自动在网站上列出自定义产品。计算机视觉可以计算出图像中显示的产品，并自动构建标题和描述，并处理运营在线零售商所需的所有后端管理。
捕获数据和构建数据集
使用OpenCV中的对象检测库等工具，您可以构建数据捕获服务，从正常业务运营中提取数据，并可以转换为高投资回报率数据集。企业可以从面部识别工具中学习客户满意度，用户使用热图在网站登录页面上关注的内容等等。
