opencv文档（opencv文档Python）

本篇文章给大家谈谈opencv文档，以及opencv文档Python对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、opencv读取pdf文件
• 2、OpenCV 基础功能简介
• 3、opencv docs适用于
• 4、Opencv中数据结构Mat的相关属性
• 5、opencv 的文档可以在哪里下载？

opencv读取pdf文件

不能读前搏取。opencv的软件只慧伏祥能读取文字类的文件文档，pdf文件是图片文档组合的，不能进行读取。opencv是一个基于Apache2.0许可（开源）发行的跨平台厅孝计算机视觉和机器学习软件库。

[img]

OpenCV 基础功能简介

OpenCV(开源计算机视觉库 http：//opencv.org ) 是一个开源的BSD许可库，包含数百种计算机视觉算法。由于功能强大,几乎所有用到的复杂的图片分析处理都会用到,所以有必要了解下它具体都有什么功能,方便我们使用。

官方文档： OpenCV 教程 — OpenCV 2.3.2 documentation

Core functionality ：基础数据模块，包含一些发杂数据结构和基本函数方法，主要包含如下的内容：

OpenCV基本数据结构（Basic Structures）；

基本的C语言数据结构和操作（Basic C Structures and Operations）；

动态数据结构（Dynamic Structures）；

数组操作相关函数（Operations on Arrays）；

绘图功能（Drawing Functions）；

XML和YAML语法的支持（XML/YAML Persistence）；

XML和YAML语法的支持的C语言接口（XML/YAML Persistence (C API)）；

聚类（Clustering）橡氏升；

辅助功能与系统函数和宏（Utility and System Functions and Macros）；

与OpenGL的互操作（OpenGL interoperability）；

Image processing ：图梁老像处核余理模块，包括线性和非线性图像滤波，几何图像变换（调整大小，仿射和透视扭曲，基于通用表的重新映射），颜色空间转换，直方图等。imgproc，是Image Processing的简写。图像处理模块，主要包含以下内容：

线性和非线性的图像滤波（Image Filtering）；

图像的几何变换（Geometric Image Transformations）；

图像的其他变换（Miscellaneous Image Transformations）；

直方图（Histograms）；

结构分析和形状描述（Structural Analysis and Shape Descriptors）；

运动分析和目标跟踪（Motion Analysis and Object Tracking）；

特征检测（Feature Detection）；

目标检测（Object Detection）；

是High-level GUI and Media I/O的简写。高层用户界面模块和媒体输入/输出模块，主要包含以下内容：

用户界面（User Interface）；

图片和视频的读写（Reading and Writing Images and Video）；

QT新功能（Qt New Functions）；

2D Features Framework的简写。二维特征框架模块，主要包含以下内容：

人脸识别

VR和AR

特征的检测和描述（Feature Detection and Description）；

特征检测器的通用接口（Common Interfaces of Feature Detectors）；

描述符提取器的通用接口（Common Interfaces of Descriptor Extractors）；

描述符匹配器的通用接口（Common Interfaces of Descriptor Matchers）；

通用描述符匹配器通用接口（Common Interfaces of Generic Descriptor Matchers）；

关键点和匹配结果的绘制功能（Drawing Function of Keypoints and Matches）；

目标分类（Object Categorization）；

Clustering and Search in Multi-Dimensional Spaces，多维空间聚类和搜索模块，主要包含以下内容：

快速近视最近邻搜索（Fast Approximate Nearest Neighbor Search）；

聚类（Clustering）；

是Video Analysis的简写。视频分析模块，主要包含以下内容：

运动分析和目标跟踪（Motion Analysis and Object Tracking），视频相关的，上面提到的是图片相关的；

是Camera Calibration and 3D Reconstruction的简写。这个模块主要是相机校准和三维重建相关的内容，包括基本的多视角几何算法、单个立体摄像头标定、物体姿态估计、立体相似性算法，3D信息的重建等

机器学习库：统计模型、随机树、神经网络等等…

检测预定义类的对象和实例（例如，面部，眼睛，马克杯，人，汽车等）。

视频分析模块，包括运动估计，背景减法和对象跟踪算法。

图像修复和图像去噪两部分

opencv docs适用于

适用于快速下载技术文档。

opencv介绍OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、闹正MATLAB等语言的接口，实现了图像处理和计绝弯猛算机视觉方面的很多通用算法。

OpenCV用C++语言编写，它的主要接口并桥也是C++语言，但是依然保留了大量的C语言接口。

该库也有大量的Python、JavaandMATLAB/OCTAVE（版本2、5）的接口。这些语言的API接口函数可以通过在线文档获得。如今也提供对于C#、Ch、Ruby，GO的支持。所有新的开发和算法都是用C++接口。

Opencv中数据结构Mat的相关属性

搬运自本人 CSDN 博客： 《Opencv中数据结构Mat的相关属性》

以上摘自OpenCV 2.4.9的官方文档opencv2refman.pdf。

以前虽然能够比较熟练的使用OpenCV，但是最近感觉其实笔者自己对OpenCV的最底层数据结构Mat与IplImage都不怎么熟悉…… 由于笔者比较反感总是需要管理内存的IplImage，所以对Mat数据结构做一下学习工作还是有必要的。

官方说明文档opencv2refman.pdf中，写出了Mat的定义如下：

下面笔者将从几个方面总结Mat数据结构的主要组成。

参考网址：

《OpenCV中对Mat里面depth,dims,channels,step,data,elemSize和数据地址计算的理解 》

《OpenCV Mat的常见属性》

《OpenCV学世拿早习笔记（四十）——再谈OpenCV数据结构Mat详解》

参考文档：

《opencv2refman.pdf》

如上面的Mat定义源码，Mat类中有很多重要的数据类型成员。

下面进行简单的列举。

把这四个数据成员放在一起，是因为这四个数据成员相互之间有关系。

数据的存储一直都是个值得关注的问题，所以数据元素存储的位数和范围就十分重要了。depth就体现了每一个像素的位数，即深度。

Mat中包含的图像深度如下所示：

另外还需要注意：大部分OpenCV的函数支持的数据深度只有8位和32位，所以尽量使用CV_64F。

channels表示了矩阵拥有的通道数量，这个比较容易理解：

type表示矩阵中元素的类型(depth)与矩阵的通道个数(channels)，可以理解成上面的depth与channels的综合说明。type是一系列预定义的常量，命名规则如下：

codeCV_+位数+数据类型+通敏简道数/code

具体有如下值：

表格中，行代表了通道数量channels，列代表了图像深度depth。

例如CV_8UC3，可以拆分为：

注：type一般是在创建Mat对象时设定，若要去搜雀的Mat的元素类型，可以不使用type，使用depth。

elemSize表示了矩阵中每一个元素的数据大小，单位是字节。公式如下：

codeelemSize = channels * depth / 8/code

例如type == CV_16SC3，则elemSize = 3 * 16 / 8 = 6 Bytes。

elemSize1表示了矩阵元素的一个通道占用的数据大小，单位是字节。公式如下：

codeelemSize = depth / 8/code

例如type == CV_16SC3，则elemSize1 = 16 / 8 = 2 Bytes。

使用OpenCV处理图像时，最普遍的处理方式便是遍历图像，即访问所有的图像像素点。但有的算法还需要访问目标像素的邻域，所以这时候就需要了解访问Mat数据元素地址的方式。

假设有矩阵M，则数据元素的地址计算公式如下：

$$ addr(M_{i_{0}, i_{1}, ... i_{m-1}}) = M.data + M.step[0] * i_{0} + M.step[1] * i_{1} + ... + M.step[M.dims - 1] * i_{M_{dims-1}} $$

如果是二维数组，则上述公式就简化成：

$$ addr(M_{i,j}) = M.data + M.step[0] * i + M.step[1] * j $$

注：式中m = M.dims，即矩阵的维度。

假设存在一个二维矩阵如下图所示：

上面是一个3 × 4的矩阵。此时我们按照数据类型为CV_8U, CV_8UC3的情况，分别对其进行讨论。

首先假设其数据类型为CV_8U，也就是单通道的uchar类型，则可以得出上面的数据成员情况分别为：

若假设其数据类型为CV_8UC3，也就是三通道的uchar类型，则可以得出上面的数据成员情况分别为：

假设存在一个三维矩阵如下图所示：

上面是一个3 × 4 × 6的矩阵。假设其数据类型为CV_16SC4，此时对其进行讨论。

关于OpenCV地址访问方法及效率的部分，请见笔者的博文 《OpenCV像素点邻域遍历效率比较，以及访问像素点的几种方法 》 。

opencv 的文档可以在哪里下载？

这是穗数OpenVC官方中埋敏文网站，从入门到猜液首精通，各种例程文件和安装方法及下载等等...

关于opencv文档和opencv文档Python的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。