OpenCV 学习阶段报告

学习进度：基本掌握 OpenCV 的环境搭建与图像基础、视频与图像处理基础、形态学基础、高级图像处理等课程

 课时1：python和opencv配置安装

核心：环境搭建是第一步，确保 Python + OpenCV 正常运行。

笔记：

安装 Python（推荐 3.8+）

使用  pip install opencv-python （基础版）或  opencv-contrib-python （含扩展模块）

验证安装： import cv2; print(cv2.__version__) 

可选：安装 Jupyter Notebook / PyCharm / VSCode

课时2：NoteBook和IDE环境

核心：熟悉开发环境，提高调试与演示效率。

笔记：

Jupyter Notebook 适合教学/演示，支持代码分块运行

IDE（PyCharm/VSCode）适合大型项目，支持调试、自动补全、版本控制

环境配置：设置解释器、安装插件（如 Python 插件、OpenCV 插件）

课时3：计算机眼中的图像.mp4

核心：图像在计算机中的本质——矩阵（像素值）。

笔记：

图像 = 二维数组（灰度图）或三维数组（彩色图 BGR）

像素值范围 0~255（8位图像）

通道顺序：OpenCV 默认 BGR，不是 RGB

图像属性：shape, dtype, size

课时4：视频的读取与处理.mp4

核心：OpenCV 处理视频的方式。

笔记：

视频文件本质是一系列连续的图像帧。

使用  cv2.VideoCapture()  打开视频。

 cap.read() ：返回  (ret, frame) ，其中  ret  是是否成功读取， frame  是当前帧图像。

 cap.release() ：释放视频资源。

 cv2.waitKey() ：控制帧间延迟，避免画面卡死

课时5：ROI区域.mp4

核心：Region of Interest，用于聚焦图像的特定部分。

笔记：

ROI 是一个矩形区域，通过切片操作获取： img[y1:y2, x1:x2] 。

常用于图像裁剪、局部处理、加速计算。

修改 ROI 会影响原图。

课时6：边界填充和数据计算.mp4

核心：图像边缘填充与基本数据统计。

笔记：

填充方式： cv2.copyMakeBorder() ，支持常数、反射、镜像、边缘复制等模式。

常用参数： top, bottom, left, right （填充尺寸）、 borderType （填充类型）、 value （常数值）。

数据统计： cv2.mean() 、 cv2.meanStdDev()  可计算图像或 ROI 的均值和标准差。

课时7：图像阈值和图像平滑处理.mp4

核心：图像二值化与图像平滑。

笔记：

阈值处理： cv2.threshold(src, thresh, maxval, type) ，常用类型：

 cv2.THRESH_BINARY ：大于阈值设为 maxval，否则 0。

 cv2.THRESH_BINARY_INV ：反向。

 cv2.THRESH_OTSU ：自动确定阈值。

平滑处理目的：减少噪声，使图像更平滑。

平滑方法：

均值滤波： cv2.blur() 

高斯滤波： cv2.GaussianBlur() 

中值滤波： cv2.medianBlur() （对椒盐噪声效果最好）

课时8：高斯与中值滤波.mp4

核心：深入讲解高斯滤波与中值滤波的原理与区别。

笔记：

高斯滤波：基于高斯函数加权平均，中心像素权重最大，边缘递减。适合高斯噪声。

参数： ksize （核大小，必须为奇数）、 sigmaX （X方向标准差）。

中值滤波：取邻域像素的中值作为中心像素值。适合椒盐噪声。

参数： ksize （核大小，必须为奇数）。

两者对比：

高斯滤波：保留边缘细节稍差，但整体平滑自然。

中值滤波：边缘保留较好，但计算量稍大。

课时9：腐蚀和膨胀操作.mp4

核心：形态学操作的基础——腐蚀与膨胀。

笔记：

腐蚀（Erosion）：用结构元素“腐蚀”掉图像中较亮的区域，使前景变小。

函数： cv2.erode() 

参数： kernel （结构元素，常用  np.ones((3,3), np.uint8) ）、 iterations （迭代次数）。

膨胀（Dilation）：与腐蚀相反，使前景变大。

函数： cv2.dilate() 

参数同上。

结构元素（Kernel）：决定操作的范围和形状，常用矩形、椭圆、十字形。

课时10：开运算和闭运算 梯度帽和黑帽.mp4

核心：形态学操作（Morphological Operations）。

笔记：

开运算 = 腐蚀 → 膨胀，用于去噪、分离小物体

闭运算 = 膨胀 → 腐蚀，用于填补小空洞

梯度帽（Top Hat）= 原图 - 开运算，突出亮细节

黑帽（Black Hat）= 闭运算 - 原图，突出暗细节

课时11：Sobel算子.mp4

核心：一阶微分算子，用于边缘检测。

笔记：

Sobel 计算 x/y 方向梯度，输出为两个矩阵

常用核：Gx = [[-1,0,1],[-2,0,2],[-1,0,1]], Gy 类似

合并梯度：G = √(Gx² + Gy²) 或 |Gx| + |Gy|

阈值化后可得边缘图

课时12：梯度计算方法.mp4

核心：更广义的梯度计算，包括 Scharr、Laplacian 等。

笔记：

梯度 = 强度变化率，反映边缘方向

Sobel 对噪声敏感，Scharr 更精确（尤其对小核）

Laplacian 是二阶微分，对噪声更敏感，但能检测所有方向边缘