OpenCV 3计算机视觉：Python语言实现（原书第2版）

出版者:机械工业出版社

作者:Joe Minichino

页数:181

译者:刘波

出版时间:2016-6

价格:49

装帧:平装

isbn号码:9787111539759

丛书系列:华章程序员书库

具体描述

OpenCV 3是一种先进的计算机视觉库，可以用于各种图像和视频处理操作，通过OpenCV 3 能很容易地实现一些有前景且功能先进的应用（比如：人脸识别或目标跟踪等）。理解与计算机视觉相关的算法、模型以及OpenCV 3 API背后的基本概念，有助于开发现实世界中的各种应用程序（比如：安全和监视领域的工具）。

本书将从图像处理的基本操作出发，带你开启先进计算机视觉概念的探索之旅。计算机视觉是一个快速发展的学科，在现实生活中，它的应用增长得非常快，因此写作本书的目的是为了帮助计算机视觉领域的新手和想要了解全新的OpenCV 3.0.0的计算机视觉专家。

本书的主要内容

第1章介绍如何在不同平台下安装基于Python的OpenCV，并给出一些常见问题的解决方法。

第2章介绍了OpenCV的I/O功能，并讨论与项目相关的概念，以及如何针对该项目进行面向对象设计。

第3章介绍一些图像变换方法，例如在图像中检测肤色、锐化图像、标记主体轮廓，以及使用线段检测器检测人行横道等。

第4章介绍如何利用深度摄像头的数据来识别前景和背景区域，这样就可以限制针对前景或背景的效果。

第5章介绍一些OpenCV的人脸检测功能和相关的数据文件，这些文件定义了跟踪目标的特定类型。

第6章介绍如何用OpenCV来检测图像特征，并利用这些特征来匹配和搜索图像。

第7章介绍目标检测和目标识别的概念，这是计算机视觉中最常见的问题之一。

第8章对目标跟踪进行深入探讨，目标跟踪是对摄像机中的图像或视频中移动的物体进行定位的过程。

第9章介绍基于OpenCV的人工神经网络，并介绍其在现实生活中的应用。

阅读前的准备工作

本书第1章会指导读者安装所有必要软件，你只需准备一台较新的计算机。另外，强烈推荐为计算机安装摄像头，但这并不是必备的。

本书的读者对象

本书针对具有一定Python工作经验的程序员以及想要利用OpenCV库研究计算机视觉课题的读者。本书不要求读者具有计算机视觉或OpenCV经验，但要具有编程经验。

本书体例

本书有很多用来区分不同信息的文本格式，下面给出一些这类格式的样例，并解释它们的含义。

代码块的格式如下：

为了提醒读者注意代码块中的特殊部分，会将相关行或相关项设置为粗体：

.　　命令行的输入或输出的格式为：

注意：警告或重要注释以这样的形式出现。

提示：提示和技巧以这样的形式出现。

下载示例代码

读者可登录华章网站（www.hzbook.com）本书页面，下载本书示例代码。

作者简介

Joe Minichino　是Hoolux Medical从事计算机视觉的工程师，他利用业余时间开发了NoSQL数据库LokiJS。他也是重金属歌手/作曲家。他是一个充满激情的程序员，对编程语言和技术非常好奇，并一直在使用它们。在Hoolux，Joe领导了针对医疗行业的Android计算机视觉广告平台的开发。

他出生在意大利瓦雷泽市的Lombardy，并在那里长大，在米兰Universitá Statale受过哲学教育，最近11年Joe在爱尔兰的Cork度过，在这里他成为Cork技术研究所的一名计算机科学研究生。

我非常感谢我的合作伙伴Rowena，她总是鼓励我，也感谢两个小女儿给我灵感。非常感谢这本书的合作者和编辑，尤其是Joe Howse、Adrian Roesbrock、Brandon Castellano、OpenCV社区，以及Packt出版社中那些为本书付出劳动的人。

Joseph Howse　生活在加拿大。在冬天，他留着胡子，而他的四只猫留着厚皮毛。他喜欢每天给猫梳毛。有时猫还会抓他的胡子。

自2012年以来，他一直在为Packt出版社写作，他的著作包括《OpenCV for Secret Agents》《OpenCV Blueprints》《Android Application Programming with OpenCV 3》《OpenCV Computer Vision with Python》以及《Python Game Programming by Example》。

当他不写书或打理萌宠时，他会提供咨询和培训，并通过他的公司（Nummist Media公司（http://nummist.com））进行软件开发服务。

刘波　博士，重庆工商大学计算机科学与信息工程学院教师，主要从事机器学习理论、计算机视觉和最优化技术研究，同时对Hadoop和Spark平台上的大数据分析感兴趣，也对Linux编程和Oracle数据库感兴趣。

苗贝贝　硕士，北京工商大学计算机与信息工程学院研究生，主要从事机器学习理论、时间序列动力学特征分析及应用的研究，对基于Python的计算机视觉分析有浓厚的兴趣。

史斌　2015年本科毕业于电子科技大学计算机学院，目前就职于成都知数科技有限公司，主要从事数据爬取、数据处理、平台运维等工作，熟悉Python、Linux shell，同时热爱计算机视觉编程，熟悉Python下的OpenCV编程。

目录信息

译者序
前言
作者简介
审校者简介
译者简介
第1章　安装OpenCV 1
1.1　选择和使用合适的安装工具 2
1.1.1　在Windows上安装 2
1.1.2　在OS X系统中安装 6
1.1.3　在Ubuntu及其衍生版本中安装 11
1.1.4　在其他类Unix系统中安装 12
1.2　安装Contrib模块 13
1.3　运行示例 13
1.4　查找文档、帮助及更新 14
1.5　总结 15
第2章　处理文件、摄像头和图形用户界面 16
2.1　基本I/O脚本 16
2.1.1　读/写图像文件 16
2.1.2　图像与原始字节之间的转换 19
2.1.3　使用numpy.array访问图像数据 20
2.1.4　视频文件的读/写 22
2.1.5　捕获摄像头的帧 23
2.1.6　在窗口显示图像 24
2.1.7　在窗口显示摄像头帧 25
2.2　Cameo项目（人脸跟踪和图像处理） 26
2.3　Cameo—面向对象的设计 27
2.3.1　使用managers. CaptureManager提取视频流 27
2.3.2　使用managers.WindowManager抽象窗口和键盘 32
2.3.3　cameo.Cameo的强大实现 33
2.4　总结 34
第3章　使用OpenCV 3处理图像 36
3.1　不同色彩空间的转换 36
3.2　傅里叶变换 37
3.2.1　高通滤波器 37
3.2.2　低通滤波器 39
3.3　创建模块 39
3.4　边缘检测 40
3.5　用定制内核做卷积 41
3.6　修改应用 43
3.7　Canny边缘检测 44
3.8　轮廓检测 45
3.9　边界框、最小矩形区域和最小闭圆的轮廓 46
3.10　凸轮廓与Douglas-Peucker算法 48
3.11　直线和圆检测 50
3.11.1　直线检测 50
3.11.2　圆检测 51
3.12　检测其他形状 52
3.13　总结 52
第4章　深度估计与分割 53
4.1　创建模块 53
4.2　捕获深度摄像头的帧 54
4.3　从视差图得到掩模 56
4.4　对复制操作执行掩模 57
4.5　使用普通摄像头进行深度估计 59
4.6　使用分水岭和GrabCut算法进行物体分割 63
4.6.1　用GrabCut进行前景检测的例子 64
4.6.2　使用分水岭算法进行图像分割 66
4.7　总结 69
第5章　人脸检测和识别 70
5.1　Haar级联的概念 70
5.2　获取Haar级联数据 71
5.3　使用OpenCV进行人脸检测 72
5.3.1　静态图像中的人脸检测 72
5.3.2　视频中的人脸检测 74
5.3.3　人脸识别 76
5.4　总结 82
第6章　图像检索以及基于图像描述符的搜索 83
6.1　特征检测算法 83
6.1.1　特征定义 84
6.1.2　使用DoG和SIFT进行特征提取与描述 86
6.1.3　使用快速Hessian算法和SURF来提取和检测特征 89
6.1.4　基于ORB的特征检测和特征匹配 91
6.1.5　ORB特征匹配 93
6.1.6　K-最近邻匹配 95
6.1.7　FLANN匹配 96
6.1.8　FLANN的单应性匹配 99
6.1.9　基于文身取证的应用程序示例 102
6.2　总结 105
第7章　目标检测与识别 106
7.1　目标检测与识别技术 106
7.1.1　HOG描述符 107
7.1.2　检测人 112
7.1.3　创建和训练目标检测器 113
7.2　汽车检测 116
7.2.1　代码的功能 118
7.2.2　SVM和滑动窗口 122
7.3　总结 134
第8章　目标跟踪 135
8.1　检测移动的目标 135
8.2　背景分割器：KNN、MOG2和GMG 138
8.2.1　均值漂移和CAMShift 142
8.2.2　彩色直方图 144
8.2.3　返回代码 146
8.3　CAMShift 147
8.4　卡尔曼滤波器 149
8.4.1　预测和更新 149
8.4.2　范例 150
8.4.3　一个基于行人跟踪的例子 153
8.4.4　Pedestrian类 154
8.4.5　主程序 157
8.5　总结 159
第9章　基于OpenCV的神经网络简介 160
9.1　人工神经网络 160
9.2　人工神经网络的结构 161
9.2.1　网络层级示例 162
9.2.2　学习算法 163
9.3　OpenCV中的ANN 164
9.3.1　基于ANN的动物分类 166
9.3.2　训练周期 169
9.4　用人工神经网络进行手写数字识别 170
9.4.1　MNIST—手写数字数据库 170
9.4.2　定制训练数据 170
9.4.3　初始参数 171
9.4.4　迭代次数 171
9.4.5　其他参数 171
9.4.6　迷你库 172
9.4.7　主文件 175
9.5　可能的改进和潜在的应用 180
9.5.1　改进 180
9.5.2　应用 181
9.6　总结 181
· · · · · · (收起)

读后感

3.6节中的对cameo.py的修改中，突然出现了filters.BGRPortraCurveFilter()让人措手不及。。。前面并没有写这个函数，后面也没有，查看原书英文版发现原书就是这样，坑啊，然后找来第一版，终于把坑补上了，废话不说，贴代码： 先把utils.py改为： import cv2,numpy,scipy.int...

3.6节中的对cameo.py的修改中，突然出现了filters.BGRPortraCurveFilter()让人措手不及。。。前面并没有写这个函数，后面也没有，查看原书英文版发现原书就是这样，坑啊，然后找来第一版，终于把坑补上了，废话不说，贴代码： 先把utils.py改为： import cv2,numpy,scipy.int...

3.6节中的对cameo.py的修改中，突然出现了filters.BGRPortraCurveFilter()让人措手不及。。。前面并没有写这个函数，后面也没有，查看原书英文版发现原书就是这样，坑啊，然后找来第一版，终于把坑补上了，废话不说，贴代码： 先把utils.py改为： import cv2,numpy,scipy.int...

3.6节中的对cameo.py的修改中，突然出现了filters.BGRPortraCurveFilter()让人措手不及。。。前面并没有写这个函数，后面也没有，查看原书英文版发现原书就是这样，坑啊，然后找来第一版，终于把坑补上了，废话不说，贴代码： 先把utils.py改为： import cv2,numpy,scipy.int...

3.6节中的对cameo.py的修改中，突然出现了filters.BGRPortraCurveFilter()让人措手不及。。。前面并没有写这个函数，后面也没有，查看原书英文版发现原书就是这样，坑啊，然后找来第一版，终于把坑补上了，废话不说，贴代码： 先把utils.py改为： import cv2,numpy,scipy.int...

用户评价

作为一名在业余时间学习计算机视觉的爱好者，我深知理论知识与实际操作之间存在的鸿沟。这本《OpenCV 3计算机视觉：Python语言实现（原书第2版）》恰好弥合了这一差距。我尤其欣赏作者在解释复杂概念时的耐心和细致。例如，在讲解相机标定这一相对复杂的课题时，作者并没有直接给出枯燥的数学公式，而是从相机成像模型、畸变原理出发，逐步引入标定过程，并给出清晰的Python代码实现。 我尝试按照书中的步骤，利用自己拍摄的棋盘格图片进行相机标定，并成功获得了相机的内参矩阵和畸变系数。这个过程不仅让我对相机成像有了更深刻的理解，也让我对OpenCV的强大功能有了更直观的认识。书中对人脸识别、目标跟踪等热门应用的技术讲解，也让我看到了将所学知识应用到实际项目中的希望。

在我看来，一本好的技术书籍，不仅仅是知识的传递，更是一种学习方法的启迪。这本书给我最大的感受就是，它教会了我如何“学以致用”。作者在讲解每一个算法或者技术时，都会结合具体的应用场景，例如在讲解人脸检测时，就直接给出了如何利用Haar级联分类器和LBP特征进行人脸识别的完整代码。这让我明白，学习技术不是为了记忆那些枯燥的算法名词，而是为了能够运用这些技术去解决实际问题。 此外，书中对参数的讲解也非常细致。很多时候，我们学习一个算法，往往只知道它的基本原理，但不知道如何调整参数才能获得最佳效果。这本书中，作者会针对每一个重要的参数进行详细的解释，并给出一些调参的建议，这对于我们这些初学者来说，无疑是宝贵的经验。我尝试着去调整书中某些算法的参数，观察输出结果的变化，这个过程让我对算法的理解更加深刻。

坦白说，在拿到这本书之前，我曾担心它会过于晦涩难懂，尤其是涉及到一些底层的图像处理算法时。但这本书的表现完全超出了我的预期。作者用非常清晰、逻辑性强的语言，将复杂的计算机视觉概念和OpenCV的实现方法有机地结合在一起。我喜欢它循序渐进的教学方式，从最基础的图像操作，如读取、显示、像素操作，到更高级的特征提取、对象检测、图像分割，每一步都讲解得非常透彻。 更重要的是，书中提供的代码示例都非常贴近实际应用，并且都有详尽的注释，这让我这个初学者能够轻松地理解代码的每一行含义，并在此基础上进行修改和实验。我印象特别深刻的是，在讲解边缘检测时，书中不仅介绍了Sobel、Laplacian等算子，还详细阐述了Canny边缘检测算法的四个步骤，并通过具体的代码演示了如何一步步实现。这让我对边缘检测有了更深入的理解，也学会了如何根据实际需求调整参数以获得最佳效果。

我最欣赏这本书的一点是，它始终贯穿着“实战”的思想。作者并非仅仅罗列OpenCV的API，而是通过一系列精心设计的案例，将这些API串联起来，解决实际的计算机视觉问题。例如，在讲解图像修复时，书中不仅介绍了修复算法的原理，还提供了如何使用这些算法去除图像噪声、修复损坏区域的代码。这些案例都具有很高的参考价值，可以直接应用于我自己的项目中。 此外，书中对不同算法的性能分析和对比也非常到位。作者会针对同一类任务，介绍几种不同的算法，并分析它们在精度、速度、鲁棒性等方面的优劣。这对于我来说，非常有帮助，因为我不再是盲目地选择算法，而是能够根据实际需求，做出更明智的决策。通过这本书，我感觉自己对OpenCV的理解不再停留在表面，而是真正进入了“实战”的层面。

对于我这种习惯于边学边练的学习者来说，一本好的技术书籍，代码示例的质量至关重要。这本《OpenCV 3计算机视觉：Python语言实现（原书第2版）》在这方面无疑是令人满意的。书中提供的代码不仅清晰、规范，而且可以直接在常见的Python环境中运行，无需进行复杂的配置。我尤其欣赏作者在代码注释方面的用心，每一个关键步骤、每一个参数的含义都得到了详细的解释，这使得我在阅读代码时，能够快速理解其逻辑，并在此基础上进行修改和扩展。 而且，书中不仅仅提供了基础的图像处理操作，还包含了更复杂的应用场景，比如图像修复、风格迁移等。我尝试了书中关于图像修复的示例，通过简单的几行代码，就可以将一张有瑕疵的图片变得完好如初，这种效果让我感到非常惊艳。这让我深刻体会到，OpenCV并非只是一个工具库，而是一个能够帮助我实现创意、解决实际问题的强大平台。这本书就像是一位经验丰富的导师，它不仅指明了前进的方向，还为我提供了可靠的工具和方法。

对于我这样一个对图像处理充满热情，但又缺乏系统性学习机会的读者来说，这本《OpenCV 3计算机视觉：Python语言实现（原书第2版）》无疑是一份宝贵的财富。它并非一本死板的参考手册，而更像是一位循循善诱的导师，一步步地引导我走进计算机视觉的奇妙世界。我喜欢书中那种“先看懂，再动手”的学习模式。作者在讲解每一个算法时，都会先用清晰易懂的语言阐述其原理，再辅以精心设计的代码示例，让我能够既理解“是什么”，也知道“怎么做”。 尤其是关于图像纹理分析和边缘检测的部分，我一直觉得这些内容比较抽象。但是，这本书通过对Sobel算子、Canny算子等算法的深入剖析，并结合实际的图像处理效果展示，让我对这些技术有了更直观的认识。我尝试着将书中的代码应用到自己的照片上，对不同参数进行调整，观察边缘检测和纹理分析的效果，这个过程不仅有趣，也让我收获颇丰。

在我看来，一本能够真正激发读者学习兴趣的书籍，其内容的重要性不亚于其表面的装帧。这本书在内容上的扎实程度，绝对是令人称道的。作者并没有止步于OpenCV的基础功能，而是深入探讨了诸如相机标定、立体视觉、图像融合等更高级的主题。我一直对三维视觉方面的内容非常感兴趣，但很多资料都过于理论化，难以入手。这本书中的相机标定章节，通过详细的步骤和直观的示例，让我明白了如何通过标定来校正相机的畸变，以及如何获取图像的内参和外参。 更令我欣喜的是，书中还涉及到了一些机器学习算法在计算机视觉中的应用，比如 SVM 和 K-Means 在图像分割和聚类中的运用。这让我意识到，OpenCV并非一个孤立的技术栈，而是可以与其他先进的算法和技术相结合，产生更强大的威力。通过这本书，我感觉自己打开了一个全新的学习维度，看到了计算机视觉更广阔的可能性。

作为一名在计算机视觉领域摸索了近两年的爱好者，我一直对OpenCV这个强大的库充满好奇，尤其是它在Python中的应用。市面上关于OpenCV的书籍不少，但真正能够深入浅出、兼顾理论与实践的却不多。当我拿到这本《OpenCV 3计算机视觉：Python语言实现（原书第2版）》时，内心是既期待又有些许担忧的。期待的是能够通过这本书系统地学习OpenCV，实现那些我一直以来构思的图像处理和计算机视觉项目；担忧的是，对于我这样非科班出身，但又对技术有着执着追求的读者来说，能否跟得上书中的节奏，是否会遇到过多的理论门槛而望而却步。 然而，在我翻开第一页的那一刻，我的担忧便被一种踏实感所取代。作者并非仅仅罗列API，而是以一种清晰的逻辑，从计算机视觉的基础概念入手，循序渐进地引导读者进入OpenCV的世界。无论是图像的读取、显示、像素操作，还是更复杂的特征提取、对象识别，每一个章节都像是为我量身打造的指引。书中的代码示例丰富且具有代表性，并非那种“hello world”式的简单展示，而是直接指向了实际应用中的常见问题和解决方案。我特别喜欢书中对每一个算法原理的解释，它们并非冗长晦涩的数学推导，而是用通俗易懂的语言，配合形象的比喻，让我能够迅速抓住核心思想。这一点对于我这样对数学公式有些“恐惧症”的读者来说，简直是福音。

从一个纯粹的书籍内容角度来说，这本书的组织结构非常合理。它从最基础的图像操作讲起，逐步深入到更复杂的图像分析和理解。每一个章节的内容都围绕着一个核心主题展开，逻辑清晰，过渡自然。作者在讲解过程中，会适当地引入相关的理论知识，但不会过于冗长，而是点到为止，确保读者能够理解核心概念，而不至于被理论所淹没。 我特别喜欢书中关于图像特征提取和描述的部分。SIFT、SURF、ORB等算法的讲解，都非常到位。作者不仅解释了这些算法的工作原理，还分析了它们各自的优缺点，以及在不同场景下的适用性。通过书中的示例代码，我可以直观地看到这些算法是如何从图像中提取出有意义的信息的，这对于我理解图像识别和物体匹配等高级应用至关重要。

说实话，学习编程技术，尤其是像OpenCV这样涉及底层算法的库，最怕的就是照猫画虎，只知其然而不知其所以然。这本书在这方面做得非常出色。它不仅教会了我如何使用OpenCV的函数，更重要的是，它让我理解了这些函数背后所蕴含的计算机视觉原理。例如，在讲解SIFT和SURF特征点提取时，作者并没有仅仅给出代码，而是详细阐述了它们如何从图像中找到关键点，如何描述这些关键点的局部特征，以及这些特征点在图像匹配和物体识别中的重要作用。这种深度解析，让我感觉自己不再只是一个调包侠，而是真正理解了CV的“内功心法”。 更让我惊喜的是，书中还涉及了目标跟踪、三维重建等一些进阶内容。我一直对实时目标跟踪非常感兴趣，尝试过一些零散的资料，但始终不得要领。这本书中对各种跟踪算法的介绍，从KCF到CSRT，都进行了详实的对比和分析，并且给出了可以直接运行的Python代码。我按照书中的步骤，成功实现了一个简单的视频目标跟踪程序，那种成就感是难以言喻的。这让我对未来进一步深入学习计算机视觉，甚至将其应用到自己的项目中充满了信心。

很实用

很全面，深入浅出。 适合有一定编程基础的童鞋

关于python-opencv的书不多，这本算比较良心了

用的python2.7

关于python-opencv的书不多，这本算比较良心了