刚开始接触OpenCV是因为需要进行图像的处理，由于之前没有接触过，所以只能自己进行学习，下面将学习的过程做简单记录分享。
OpenCV专栏链接

OpenCV学习笔记

一、引言

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。它广泛应用于图像处理、人脸识别、目标检测、机器视觉等领域。学习OpenCV编程语言对于计算机视觉领域的开发人员来说非常重要。

二、基础知识

1.安装与基本操作

在开始学习OpenCV编程之前，需要先安装OpenCV库和相应的基本操作。

1.1 OpenCV安装：

pip install opencv-python
pip install opencv-contrib-python

1.2 OpenCV基本操作

1.2.1 读取图片

img = cv.imread("a.jpg")

1.2.2 显示图片

cv.imshow("img", img)

1.2.3 练习代码：

#导入cv模块
import cv2 as cv
#读取图片
img = cv.imread("a.jpg")
#显示图片
cv.imshow("read_img",img)
#等待
cv.waitKey(0)
#释放内存
cv.destroyAllWindows()

运行结果：

1.2.4 灰度转换

gray_img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

1.2.5 修改尺寸

resize_img = cv.resize(img, dsize=(200, 200)) 

1.2.6 绘制矩形

cv.rectangle(img, (x, y, x + w, y + h), color=(0, 0, 255), thickness=1)

1.2.7 绘制圆形

cv.circle(img, center=(x + w, y + h), radius=100, color=(255, 0, 0), thickness=2)

2.图像的IO操作

2.1 读取图像

cv.imread()

1：彩色图像
0 ：灰度图像
-1：alpha通道图像

2.2 显示图像

cv.imshow()/plt.imshow()

参数：

• 显示图像的窗口名称（以字符串表示）;
• 要记载的图像;

注意：要调用**cv.waitKey()**给图像绘制留下时间，否则窗口会出现无响应情况，并且图像无法显示出来。

2.3 保存图像

cv.imwrite()

参数：文件名 要保存在哪里 要保存的图像

2.4 绘制直线

cv.line(img,start,end,color,thickness)

参数：

• img：要绘制直线的图像；
• start，end: 直线的起点和终点；
• color: 线条颜色；
• thickness： 线条密度；

2.5 绘制圆形

cv.circle(img, centerpoint, r, color, thickness)

参数：

• img：要绘制圆形的图像；
• centerpoint, r: 圆心和半径；
• color: 线条颜色；
• thickness： 线条密度，为-1时生成闭合图案并填充颜色；

2.6 绘制矩形

cv.rectangle(img, leftupper, rightdown, color, thickness)

参数：

• img：要绘制的图像；
• leftupper, rightdown: 左上角和右下角的坐标；
• color: 线条颜色；
• thickness： 线条密度；

2.7 向图像中添加文字

cv.putText(img, text, startion, font, fontsize, color, thickness, cv.LINE_AA)

参数：

• img：图像；
• text: 文本数据；
• startion： 字体放置位置；
• font：字体；
• fontsize：字体大小；
• color: 字体颜色；
• thickness： 字体密度；

2.8 展示效果

#导入cv模块
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt# 1 创建一个空白的图像
img = np.zeros((512, 512, 3), np.uint8)
# 2 绘制图像
cv.line(img, (0, 0), (511, 511), (255, 0, 0), 5)
cv.rectangle(img, (384, 0), (510, 128), (0, 255, 0), 3)
cv.circle(img, (447, 63), 63, (0, 0, 255), -1)
font = cv.FONT_HERSHEY_SIMPLEX
cv.putText(img, "OpenCv", (10, 500), font, 4, (255, 255, 255), 2, cv.LINE_AA)
plt.imshow(img[:, :, ::-1])
plt.show()

效果如下：

1.图像的加法

使用cv.add()函数将两幅图像相加（或者简单通过Numpy操作添加两个图像），两个图像应该具有相同的大小和类型，或者第二个图像可以是标量值。
区别：

• cv.add()–>饱和操作
• Numpy–>模运算

2.图像的混合

两个图像的权重不同
图像混合的计算公式如下：

g(x)=(1-α) f0(x)+α f1(x)

通过修改α的值（0–>1）实现炫酷的组合图。
函数cv.addWeighted()可以按下面的公式进行混合操作：

dst= α img1+β img2+Y

3.图像几何变换

3.1 图像缩放

cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2,INTER_LINEAR)

参数：

• src：输入图像。
• dsize：绝对尺寸，直接指定调整后图像的大小。
• fx,fy：相对尺寸。
• interpolation：插值方法。

插值	含义
INTER_LINEAR	双线性插值
INTER_NEAREST	最近邻插值
INTER_AREA	像素区域重采样
INTER_CUBIC	双三次插值

3.2 图像平移

cv.warpAffine(img, M, dsize)

参数：

• img：图像。
• M：2X3的移动矩阵。
• dsize：输出图像的大小。

注意：

• 将M设置为np.float32类型的Numpy数组。
• 输出图像的大小，应该是（宽度，高度）的形式，width:列数，height：行数。

4.图像旋转

在OpenCV中图像旋转首先根据旋转角度和旋转中心获取旋转矩阵，然后根据旋转矩阵进行变换，即可实现任意角度和任意中心的旋转效果。
API：

cv2.getRotationMatrix2D(center, angle, scale)

5.图像平滑

5.1 图像噪声

由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。

5.1.1 椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素,或是两者皆有。
椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

5.1.2高斯噪声

高斯噪声是指噪声密度函数服从高斯分布的一类噪声。

5.2 图像平滑简介

图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。
根据滤波器的不同可分为均值滤波，高斯滤波，中值滤波，双边滤波。

5.2.1 均值滤波

采用均值滤波模板对图像噪声进行滤除。令Pay表示中心在(x，y)点，尺寸为mxn的矩形子图像窗口的坐标组。均值滤波器可表示为：
由一个归一化卷积框完成的。它只是用卷积框覆盖区域所有像素的平均值来代替中心元素。
API:

cv.blur(src, ksize, anchor, borderType )

参数：

• src：输入图像
• ksize：卷积核的大小
• anchor：默认值(-1，-1)，表示核中心
• borderType ：边界类型

示例：

import numpy as np
import cv2 as  cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1图像读取
img = cv. imread('./images/d1.jpg')
# 2均值滤波
blur = cv.blur(img, (5, 5))
# 3图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title('均值波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果：

5.2.2 高斯滤波

二维高斯是构建高斯滤波器的基础.
API:

cv2.GaussianBlur(src, ksize,sigmaX,sigmay, borderType )

参数：

• src：输入图像
• ksize：高斯卷积核的大小，注意：卷积核的宽度和高度都应为奇数，且可以不同
• sigmaX：水平方向的标准差
• sigmaY：垂直方向的标准差，默认值为0，表示与sigmaX相同
• borderType ：填充边界类型

示例：

import numpy as np
import cv2 as  cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1图像读取
img = cv.imread('./images/d2.jpg')
# 2高斯滤波
blur = cv.GaussianBlur(img, (3, 3), 1)
# 3图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title("原图")
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title("高斯滤波后结果")
plt.xticks([]), plt.yticks([])
plt.show()

运行结果：

5.2.3 中值滤波

中值滤波是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。
中值滤波对椒盐噪声(salt-and-pepper noise)来说尤其有用，因为它不依赖于邻域内那些与典型值差别很大的值。
API:

cv.medianBlur(src, ksize)

参数：

• src：输入图像
• ksize：卷积核的大小

示例：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1图像读取
img = cv.imread('./images/d3.jpg.jpg')# 2中值速波
blur = cv.medianBlur(img, 5)
# 3图像展示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title("原图")
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur[:, :, ::-1]), plt.title("中值滤波后结果")
plt.xticks([]), plt.yticks([])
plt.show()

运行结果：

6.边缘检测

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显，图像属性中的显著变化通常反映了属性的重要事件和变化。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。

• 基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。

• 基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，代表算法是Laplacian算子。

7.Sobel检测算子

Sobeli边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，sobel边缘却是首选，sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。

sobel边缘检测的API是：

Sobel_x_or_y = cv2.Sobel(src,ddepth,dx,dy,dst,ksize,scale,delta,borderType)

参数：

• src:传入的图像。
• ddepth:图像的深度。
• dx和dy:指求导的阶数，0表示这个方向上没有求导，取值为0、1。
• ksize:是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。注意：如果ksize:=-1,就演变成为3x3的Scharr算子。
• scale:缩放导数的比例常数，默认情况为没有伸缩系数。
• borderType:图像边界的模式，默认值为cv2.BORDER_DEFAULT。

Sobel算子是在两个方向计算的，最后还需要用cv2.addWeighted()函数将其组合起来。

Scale_abs = cv2.convertScaleAbs(x)#格式转换
result = cv2.addWeighted(src1,alpha,src2,beta)#图像混合

示例：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1读取图像
img = cv.imread('./images/ma.jpg',0)# 2计算Sobel卷积结果
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)# 3将数据进行转换
# convert转换 scale缩放
Scale_absX = cv.convertScaleAbs(x)
Scale_absY = cv.convertScaleAbs(y)# 4结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)# 5图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img, cmap=plt.cm.gray), plt.title("原图")
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(result, cmap=plt.cm.gray), plt.title("Sobel滤波后结果")
plt.xticks([]), plt.yticks([])
plt.show()

结果显示：

8.Laplacian算子

Laplacian是利用二阶导数来检测边缘。
АРI:

laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

参数：

• src:需要处理的图像，
• ddepth：图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于原图像的深度；
• ksize：算子的大小，即卷积核的大小，必须为1,3,5,7。

示例：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1读取图像
img = cv.imread('./images/ma.jpg', 0)# 2laplacian转换
result = cv.Laplacian(img, cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)# 3图像展示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img, cmap=plt.cm.gray), plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(Scale_abs, cmap=plt.cm.gray), plt.title('Laplacian检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

结果显示：

9.Canny边缘检测

Canny边缘检测算法是一种非常流行的边缘检测算法，是John F.Canny于1986年提出的，被认为是最优的边缘检测算法。
API:

canny = cv2.Canny(image, threshold1, threshold2)

参数：

• image:灰度图
• threshold1:minval,较小的阈值将间断的边缘连接起来
• threshold2:maxval,较大的阈值检测图像中明显的边缘

示例：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1读取图像
img = cv.imread('./images/ma.jpg', 0)# 2Canny边缘检测
lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold)# 3图像展示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img, cmap=plt.cm.gray), plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(canny, cmap=plt.cm.gray), plt.title('Canny检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

结果显示如下：

10.模板匹配

10.1 模板匹配

模板匹配：在给定的模板中查找最相似的区域
实现流程：

• 准备两幅图像
  （1）原图
  （2）模板图
• 滑动模板块和原图像进行比对
• 对于每个像素位置。将计算结果存在矩阵中，输入图像大小（WH）,模板图像大小(wh),则输出矩阵的大小为(W-w+1,H-h+1)
• 查找最大值所在位置——最匹配的

10.2 实现

OpenCV中的方法实现模板匹配。
API:

res = cv.matchTemplate(img, template,method)

参数：

• img：要进行模板匹配的图像
• Template：模板
• method：实现模板匹配的算法，主要有：
  （1）平方差匹配(CV_TM_SQDIFF)：利用模板与图像之间的平方差进行匹配，最好的匹配是O，匹配越差，匹配的值越大。
  （2）相关匹配（CV_TM_CCORR）：利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。
  （3）利用相关系数匹配（CV_TM_CCOEFF)：利用模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。
  完成匹配后，使用cv.minMaxLoc0方法查找最大值所在的位置即可。如果使用平方差作为比较方法，则最小值位置是最佳匹配位置。

10.3 示例：

（1）原图：
（2）模板图：

（3）代码如下：

import cv2 as cv
import matplotlib.pyplot as plt# 解决中文显示问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1图像和模板读取
img = cv.imread('images/wulin.jpg')
template = cv.imread('images/wulinmoban.jpg')# 2模板匹配
# 2.1模板匹配
res = cv.matchTemplate(img, template, cv.TM_CCORR)
# 2.2返回图像中最匹配的位置，确定左上角的坐标，并将匹配位置绘制在图像上
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
# 使用平方差时最小值为最佳匹配位置
# top_left = min_loc
top_left = max_loc
h, w = template.shape[:2]
bottom_right = (top_left[0] + w, top_left[1] + h)
cv.rectangle(img, top_left, bottom_right, (0, 255, 0), 2)
# 3图像显示
plt.imshow(img[:, :, ::-1])
plt.title('匹配结果'),plt.xticks([]),plt.yticks([])
plt.show()

（4）运行结果：

11.霍夫变换

11.1 霍夫线检测

11.1.1 API：

cv.HoughLines(img, rho, theta, threshold)

参数：

• img：检测的图像，要求是二值化的图像，所以在调用霍夫变换之前首先要进行二值化，或者进行Canny边缘检测
• rho、theta:精确度
• threshold:阈值，只有累加器中的值高于该阈值时才被认为是直线。

11.1.2 示例:

import numpy as np
import random
import cv2 as cv
import matplotlib.pyplot as plt
#1.加载图片，转为二值图
img = cv.imread('images/rili.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150)
#2.霍夫直线变换
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 150)
#3.将检测的线绘制在图像上（注意是极坐标噢）
for line in lines:rho, theta = line[0]a = np.cos(theta)b = np.sin(theta)x0=a * rhoy0=b * rhox1 = int(x0+1000*(-b))y1 = int(y0+1000*a)x2 = int(x0-1000*(-b))y2 = int(y0-1000*a)cv.line(img, (x1, y1), (x2, y2), (0, 255, 0))
#4.图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.imshow(img[:, :, ::-1]), plt.title('霍夫变换线检测')
plt.xticks([]), plt.yticks([])
plt.show()

11.2 霍夫圆检测

在OpenCV中检测图像中的圆环使用的是API是：

v.HoughCircles(image, method, dp, minDist, paraml=100, param2=100, minRadius=0,maxRadius=0

参数：

• image：输入图像，应输入灰度图像
• method:使用霍夫变换圆检测的算法，它的参数是CV_HOUGH_GRADIENT
• dp：霍夫空间的分辨率，dp=1时表示霍夫空间与输入图像空间的大小一致，dp=2时霍夫空间是输入图像空间的一半，以此类推minDist为圆心之间的最小距离，如果检测到的两个圆心之间距离小于该值，则认为它们是同一个圆心
• param1：边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半。
• param2：检测圆心和确定半径时所共有的阈值minRadius和maxRadius为所检测到的圆半径的最小值和最大值

返回：

• circles：输出圆向量，包括三个浮点型的元素一一圆心横坐标，圆心纵坐标和圆半径

11.3 总结：

1.模板匹配
原理：在给定的图片中查找和模板最相似的区域
API：利用cv.matchTemplate0进行模板匹配，然后使用cv.minMaxLoc0搜索最匹配的位置。
2.霍夫线检测
原理：将要检测的内容转换到霍夫空间中，利用累加器统计最优解，将检测结果表示处理
API: cv2.HoughLines
注意：该方法输入是的二值化图像，在进行检测前要将图像进行二值化处理
3.霍夫圆检测
方法：霍夫梯度法

12.视频读写

12.1 从文件中读取视频并播放

  在OpenCV中我们要获取一个视频，需要创建一个VideoCapture对象，指定你要读取的视频文件：

12.1.1 创建读取视频的对象

cap = cv.VideoCapture(filepath)

参数：

• filepath:视频文件路径

12.1.2 视频的属性信息

（1）获取视频的某些属性

retval = cap.get(propId)

参数：

• propld：从0到18的数字，每个数字表示视频的属性

  常用属性有：

flags	意义
cv2.CAP_PROP_POS_MSEC	视频文件的当前位置（ms）
cv2.CAP_PROP_POS_FRAMES	从0开始索引帧，帧位置
cv2.CAP_PROP_POS_AVI_RATIO	视频文件的相对位置（0表示开始，1表示结束）
cv2.CAP_PROP_FRAME_WIDTH	视频流的帧宽度
cv2.CAP_PROP_FRAME_HEIGHT	视频流的帧高度
cv2.CAP_PROP_FPS	帧率
cv2.CAP_PROP_FOURCC	编解码器四字符代码
cv2.CAP_PROP_FRAME_COUNT	视频文件的帧

（2）修改视频的属性信息

cap.set(propId, value)

参数：

• proid:属性的索引，与上面的表格相对应。
• value:修改后的属性值

（3）判断图像是否读取成功

isornot = cap.isOpened()

• 若读取成功则返回true,否则返回False

（4）获取视频的一帧图像

ret, frame = cap.read()

参数：

• ret:若获取成功返回True,获取失败，返回False
• Frame：获取到的某一帧的图像

  调用cv.imshow0显示图像，在显示图像时使用cv.waitkey0设置适当的持续时间，如果太低视频会播放的非常快，如果太高就会播放的非常慢，通常情况下我们设置25ms就可以了。

  最后，调用cap.realease0将视频释放掉。

示例：

import numpy as np
import cv2 as cv
#1.获取视频对象
cap = cv.VideoCapture('路径')
#2.判断是否读取成功
while(cap.isOpened()):
#3.获取每一帧图像ret, frame = cap.read()
#4.获取成功显示图像if ret == True:cv.imshow('frame',frame)
#5.每一帧间隔为25msif cv.waitKey(25)& 0xFF == ord('q'):break
#6.释放视频对象
cap.release()
cv.destoryAllwindows()

12.2 保存视频

  在OpenCV中我们保存视频使用的是VedioWriter对象，在其中指定输出文件的名称，如下所示：

创建视频写入的对象

out = cv2.VideoWriter(filename,fourcc, fps, frameSize)

参数：

• filename：视频保存的位置
• fourcc：指定视频编解码器的4字节代码
• fps：帧率
• frameSize:帧大小
• 设置视频的编解码器，如下所示：

retval = cv2.Videowriter_fourcc( c1, c2, c3, c4 )

参数：

• c1,c2,c3,c4：是视频编解码器的4字节代码。
    常用的有：
    在Windows中：DIVX(.avi)
    在OS中：MJPG(.mp4)，DIVX(.avi)，X264(.mkv)。

• 利用cap.read0获取视频中的每一帧图像，并使用out.write(将某一帧图像写入视频中。

• 使用cap.release0和out.release(释放资源。
  示例：

import cv2 as cv
import numpy as np
#1.读取视频
cap = cv.VideoCapture("路径")
#2.获取图像的属性（宽和高，），并将其转换为整数
frame_width = int(cap.get(3))
frame_height = int(cap.get(4))
#3.创建保存视频的对象，设置编码格式，帧率，图像的宽高等
out = cv.Videowriter('outpy.avi',cv.Videowriter_fourcc('M','J','P','G'), 10,(frame_width,frame_height))
while(True):#4.获取视频中的每一帧图像ret, frame = cap.read()if ret == True:#5.将每一帧图像写入到输出文件中out.write(frame)else:break
#6.释放资源
cap.release()
out.release()
cv.destroyAllWindows()

13.字符画效果

13.1 代码：

from PIL import Image
ascii_char = list('"$%_&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\|()1{}[]?-/+@<>i!;:,\^`.')
def get_char(r, b, g, alpha=256):if alpha == 0:return ' 'gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b)unit = 256 / len(ascii_char)return ascii_char[int(gray//unit)]
def main():im = Image.open('A.jpg')WIDTH, HEIGHT = 100, 60im = im.resize((WIDTH, HEIGHT))txt = ""for i in range(HEIGHT):for j in range(WIDTH):txt += get_char(*im.getpixel((j, i)))txt += '\n'fo = open("A.txt","w")fo.write(txt)fo.close()
main()

13.2 原图

13.3 字符画效果

三、总结与展望

学习OpenCV编程语言对于计算机视觉领域的开发人员来说非常重要。通过掌握OpenCV的基础知识、函数和控制流程、面向对象编程等技术，可以更好地应用于图像处理、人脸识别、目标检测、机器视觉等领域。未来，随着计算机视觉技术的不断发展，OpenCV将会发挥更加重要的作用。