opencv（opencv和opencv的区别）

本文目录

• opencv和opencv的区别
• OpenCV是什么
• opencv常用函数
• opencv进阶1
• opencv是什么
• 如何安装opencv
• “opencv”是什么
• opencv是干什么的
• 有哪些学习OpenCV的建议
• 对于初学者，用C++还是python开发opencv程序

opencv和opencv的区别

你好，你是想问openmv和opencv的区别是什么吗？openmv和opencv的区别是：1、openmv是一个开源，低成本，功能强大的机器视觉模块。opencv是一个跨平台的计算机视觉库。2、openmv的主要操作对象是模块，其可以通过UART，I2C，SPI，AsyncSerial以及GPIO等控制其他的硬件。opencv是一个跨平台的计算机视觉库，主要操作对象是图像，opencv可用于开发实时的图像处理、计算机视觉以及模式识别程序。

OpenCV是什么

OpenCV是一个用于图像处理、分析、机器视觉方面的开源函数库.无论你是做科学研究，还是商业应用，opencv都可以作为你理想的工具库，因为，对于这两者，它完全是免费的。该库采用C及C++语言编写，可以在windows, linux, mac OSX系统上面运行。该库的所有代码都经过优化，计算效率很高，因为，它更专注于设计成为一种用于实时系统的开源库。opencv采用C语言进行优化，而且，在多核机器上面，其运行速度会更快。它的一个目标是提供友好的机器视觉接口函数，从而使得复杂的机器视觉产品可以加速面世。该库包含了横跨工业产品检测、医学图像处理、安防、用户界面、摄像头标定、三维成像、机器视觉等领域的超过500个接口函数。同时，由于计算机视觉与机器学习密不可分，该库也包含了比较常用的一些机器学习算法。或许，很多人知道，图像识别、机器视觉在安防领域有所应用。但，很少有人知道，在航拍图片、街道图片（例如google street view）中，要严重依赖于机器视觉的摄像头标定、图像融合等技术。近年来，在入侵检测、特定目标跟踪、目标检测、人脸检测、人脸识别、人脸跟踪等领域，opencv可谓大显身手，而这些，仅仅是其应用的冰山一角。如今，来自世界各地的各大公司、科研机构的研究人员，共同维护支持着opencv的开源库开发。这些公司和机构包括：微软，IBM，索尼、西门子、google、intel、斯坦福、MIT、CMU、剑桥。。。。

opencv常用函数

原文链接： https://blog.csdn.net/amosllc/java/article/details/88553664 1、cvLoadImage：将图像文件加载至内存； 2、cvNamedWindow：在屏幕上创建一个窗口； 3、cvShowImage：在一个已创建好的窗口中显示图像； 4、cvWaitKey：使程序暂停，等待用户触发一个按键操作； 5、cvReleaseImage：释放图像文件所分配的内存； 6、cvDestroyWindow：销毁显示图像文件的窗口； 7、cvCreateFileCapture：通过参数设置确定要读入的AVI文件； 8、cvQueryFrame：用来将下一帧视频文件载入内存； 9、cvReleaseCapture：释放CvCapture结构开辟的内存空间； 10、cvCreateTrackbar：创建一个滚动条； 11、cvSetCaptureProperty：设置CvCapture对象的各种属性； 12、cvGetCaptureProperty：查询CvCapture对象的各种属性； 13、cvGetSize：当前图像结构的大小； 14、cvSmooth：对图像进行平滑处理； 15、cvPyrDown：图像金字塔，降采样，图像缩小为原来四分之一； 16、cvCanny：Canny边缘检测； 17、cvCreateCameraCapture：从摄像设备中读入数据； 18、cvCreateVideoWriter：创建一个写入设备以便逐帧将视频流写入视频文件； 19、cvWriteFrame：逐帧将视频流写入文件； 20、cvReleaseVideoWriter：释放CvVideoWriter结构开辟的内存空间； 21、CV_MAT_ELEM：从矩阵中得到一个元素； 22、cvAbs：计算数组中所有元素的绝对值； 23、cvAbsDiff：计算两个数组差值的绝对值； 24、cvAbsDiffS：计算数组和标量差值的绝对值； 25、cvAdd：两个数组的元素级的加运算； 26、cvAddS：一个数组和一个标量的元素级的相加运算； 27、cvAddWeighted：两个数组的元素级的加权相加运算(alpha运算)； 28、cvAvg：计算数组中所有元素的平均值； 29、cvAvgSdv：计算数组中所有元素的绝对值和标准差； 30、cvCalcCovarMatrix：计算一组n维空间向量的协方差； 31、cvCmp：对两个数组中的所有元素运用设置的比较操作； 32、cvCmpS：对数组和标量运用设置的比较操作； 33、cvConvertScale：用可选的缩放值转换数组元素类型； 34、cvCopy：把数组中的值复制到另一个数组中； 35、cvCountNonZero：计算数组中非0值的个数； 36、cvCrossProduct：计算两个三维向量的向量积(叉积)； 37、cvCvtColor：将数组的通道从一个颜色空间转换另外一个颜色空间； 38、cvDet：计算方阵的行列式； 39、cvDiv：用另外一个数组对一个数组进行元素级的除法运算； 40、cvDotProduct：计算两个向量的点积； 41、cvEigenVV：计算方阵的特征值和特征向量； 42、cvFlip：围绕选定轴翻转； 43、cvGEMM：矩阵乘法； 44、cvGetCol：从一个数组的列中复制元素； 45、cvGetCols：从数据的相邻的多列中复制元素； 46、cvGetDiag：复制数组中对角线上的所有元素； 47、cvGetDims：返回数组的维数； 48、cvGetDimSize：返回一个数组的所有维的大小； 49、cvGetRow：从一个数组的行中复制元素值； 50、cvGetRows：从一个数组的多个相邻的行中复制元素值； 51、cvGetSize：得到二维的数组的尺寸，以CvSize返回； 52、cvGetSubRect：从一个数组的子区域复制元素值； 53、cvInRange：检查一个数组的元素是否在另外两个数组中的值的范围内； 54、cvInRangeS：检查一个数组的元素的值是否在另外两个标量的范围内； 55、cvInvert：求矩阵的逆； 56、cvMahalonobis：计算两个向量间的马氏距离； 57、cvMax：在两个数组中进行元素级的取最大值操作； 58、cvMaxS：在一个数组和一个标量中进行元素级的取最大值操作； 59、cvMerge：把几个单通道图像合并为一个多通道图像； 60、cvMin：在两个数组中进行元素级的取最小值操作； 61、cvMinS：在一个数组和一个标量中进行元素级的取最小值操作； 62、cvMinMaxLoc：寻找数组中的最大最小值； 63、cvMul：计算两个数组的元素级的乘积(点乘)； 64、cvNot：按位对数组中的每一个元素求反； 65、cvNormalize：将数组中元素进行归一化； 66、cvOr：对两个数组进行按位或操作； 67、cvOrs：在数组与标量之间进行按位或操作； 68、cvReduce：通过给定的操作符将二维数组简为向量； 69、cvRepeat：以平铺的方式进行数组复制； 70、cvSet：用给定值初始化数组； 71、cvSetZero：将数组中所有元素初始化为0； 72、cvSetIdentity：将数组中对角线上的元素设为1，其他置0； 73、cvSolve：求出线性方程组的解； 74、cvSplit：将多通道数组分割成多个单通道数组； 75、cvSub：两个数组元素级的相减； 76、cvSubS：元素级的从数组中减去标量； 77、cvSubRS：元素级的从标量中减去数组； 78、cvSum：对数组中的所有元素求和； 79、cvSVD：二维矩阵的奇异值分解； 80、cvSVBkSb：奇异值回代计算； 81、cvTrace：计算矩阵迹； 82、cvTranspose：矩阵的转置运算； 83、cvXor：对两个数组进行按位异或操作； 84、cvXorS：在数组和标量之间进行按位异或操作； 85、cvZero：将所有数组中的元素置为0； 86、cvConvertScaleAbs：计算可选的缩放值的绝对值之后再转换数组元素的类型； 87、cvNorm：计算数组的绝对范数， 绝对差分范数或者相对差分范数； 88、cvAnd：对两个数组进行按位与操作； 89、cvAndS：在数组和标量之间进行按位与操作； 90、cvScale：是cvConvertScale的一个宏，可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种； 91、cvT：是函数cvTranspose的缩写； 92、cvLine：画直线； 93、cvRectangle：画矩形； 94、cvCircle：画圆； 95、cvEllipse：画椭圆； 96、cvEllipseBox：使用外接矩形描述椭圆； 97、cvFillPoly、cvFillConvexPoly、cvPolyLine：画多边形； 98、cvPutText：在图像上输出一些文本； 99、cvInitFont：采用一组参数配置一些用于屏幕输出的基本个特定字体； 100、cvSave：矩阵保存； 101、cvLoad：矩阵读取； 102、cvOpenFileStorage：为读/写打开存储文件； 103、cvReleaseFileStorage：释放存储的数据； 104、cvStartWriteStruct：开始写入新的数据结构； 105、cvEndWriteStruct：结束写入数据结构； 106、cvWriteInt：写入整数型； 107、cvWriteReal：写入浮点型； 108、cvWriteString：写入字符型； 109、cvWriteComment：写一个XML或YAML的注释字串； 110、cvWrite：写一个对象； 111、cvWriteRawData：写入多个数值； 112、cvWriteFileNode：将文件节点写入另一个文件存储器； 113、cvGetRootFileNode：获取存储器最顶层的节点； 114、cvGetFileNodeByName：在映图或存储器中找到相应节点； 115、cvGetHashedKey：为名称返回一个惟一的指针； 116、cvGetFileNode：在映图或文件存储器中找到节点； 117、cvGetFileNodeName：返回文件的节点名； 118、cvReadInt：读取一个无名称的整数型； 119、cvReadIntByName：读取一个有名称的整数型； 120、cvReadReal：读取一个无名称的浮点型； 121、cvReadRealByName：读取一个有名称的浮点型； 122、cvReadString：从文件节点中寻找字符串； 123、cvReadStringByName：找到一个有名称的文件节点并返回它； 124、cvRead：将对象解码并返回它的指针； 125、cvReadByName：找到对象并解码； 126、cvReadRawData：读取多个数值； 127、cvStartReadRawData：初始化文件节点序列的读取； 128、cvReadRawDataSlice：读取文件节点的内容； 129、cvGetModuleInfo：检查IPP库是否已经正常安装并且检验运行是否正常； 130、cvResizeWindow：用来调整窗口的大小； 131、cvSaveImage：保存图像； 132、cvMoveWindow：将窗口移动到其左上角为x,y的位置； 133、cvDestroyAllWindow：用来关闭所有窗口并释放窗口相关的内存空间； 134、cvGetTrackbarPos：读取滑动条的值； 135、cvSetTrackbarPos：设置滑动条的值； 136、cvGrabFrame：用于快速将视频帧读入内存； 137、cvRetrieveFrame：对读入帧做所有必须的处理； 138、cvConvertImage：用于在常用的不同图像格式之间转换； 139、cvErode：形态腐蚀； 140、cvDilate：形态学膨胀； 141、cvMorphologyEx：更通用的形态学函数； 142、cvFloodFill：漫水填充算法，用来进一步控制哪些区域将被填充颜色； 143、cvResize：放大或缩小图像； 144、cvPyrUp：图像金字塔，将现有的图像在每个维度上都放大两倍； 145、cvPyrSegmentation：利用金字塔实现图像分割； 146、cvThreshold：图像阈值化； 147、cvAcc：可以将8位整数类型图像累加为浮点图像； 148、cvAdaptiveThreshold：图像自适应阈值； 149、cvFilter2D：图像卷积； 150、cvCopyMakeBorder：将特定的图像轻微变大，然后以各种方式自动填充图像边界； 151、cvSobel：图像边缘检测，Sobel算子； 152、cvLaplace：拉普拉斯变换、图像边缘检测； 153、cvHoughLines2：霍夫直线变换； 154、cvHoughCircles：霍夫圆变换； 155、cvRemap：图像重映射，校正标定图像，图像插值； 156、cvWarpAffine：稠密仿射变换； 157、cvGetQuadrangleSubPix：仿射变换； 158、cvGetAffineTransform：仿射映射矩阵的计算； 159、cvCloneImage：将整个IplImage结构复制到新的IplImage中； 160、cv2DRotationMatrix：仿射映射矩阵的计算； 161、cvTransform：稀疏仿射变换； 162、cvWarpPerspective：密集透视变换(单应性)； 163、cvGetPerspectiveTransform：计算透视映射矩阵； 164、cvPerspectiveTransform：稀疏透视变换； 165、cvCartToPolar：将数值从笛卡尔空间到极坐标(极性空间)进行映射； 166、cvPolarToCart：将数值从极性空间到笛卡尔空间进行映射； 167、cvLogPolar：对数极坐标变换； 168、cvDFT：离散傅里叶变换； 169、cvMulSpectrums：频谱乘法； 170、cvDCT：离散余弦变换； 171、cvIntegral：计算积分图像； 172、cvDistTransform：图像的距离变换； 173、cvEqualizeHist：直方图均衡化； 174、cvCreateHist：创建一新直方图； 175、cvMakeHistHeaderForArray：根据已给出的数据创建直方图； 176、cvNormalizeHist：归一化直方图； 177、cvThreshHist：直方图阈值函数； 178、cvCalcHist：从图像中自动计算直方图； 179、cvCompareHist：用于对比两个直方图的相似度； 180、cvCalcEMD2：陆地移动距离(EMD)算法； 181、cvCalcBackProject：反向投影； 182、cvCalcBackProjectPatch：图块的方向投影； 183、cvMatchTemplate：模板匹配； 184、cvCreateMemStorage：用于创建一个内存存储器； 185、cvCreateSeq：创建序列； 186、cvSeqInvert：将序列进行逆序操作； 187、cvCvtSeqToArray：复制序列的全部或部分到一个连续内存数组中； 188、cvFindContours：从二值图像中寻找轮廓； 189、cvDrawContours：绘制轮廓； 190、cvApproxPoly：使用多边形逼近一个轮廓； 191、cvContourPerimeter：轮廓长度； 192、cvContoursMoments：计算轮廓矩； 193、cvMoments：计算Hu不变矩； 194、cvMatchShapes：使用矩进行匹配； 195、cvInitLineIterator：对任意直线上的像素进行采样； 196、cvSampleLine：对直线采样； 197、cvAbsDiff：帧差； 198、cvWatershed：分水岭算法； 199、cvInpaint：修补图像； 200、cvGoodFeaturesToTrack：寻找角点； 201、cvFindCornerSubPix：用于发现亚像素精度的角点位置； 202、cvCalcOpticalFlowLK：实现非金字塔的Lucas-Kanade稠密光流算法； 203、cvMeanShift：mean-shift跟踪算法； 204、cvCamShift：camshift跟踪算法； 205、cvCreateKalman：创建Kalman滤波器； 206、cvCreateConDensation：创建condensation滤波器； 207、cvConvertPointsHomogenious：对齐次坐标进行转换； 208、cvFindChessboardCorners：定位棋盘角点； 209、cvFindHomography：计算单应性矩阵； 210、cvRodrigues2：罗德里格斯变换； 211、cvFitLine：直线拟合算法； 212、cvCalcCovarMatrix：计算协方差矩阵； 213、cvInvert：计算协方差矩阵的逆矩阵； 214、cvMahalanobis：计算Mahalanobis距离； 215、cvKMeans2：K均值； 216、cvCloneMat：根据一个已有的矩阵创建一个新矩阵； 217、cvPreCornerDetect：计算用于角点检测的特征图； 218、cvGetImage：CvMat图像数据格式转换成IplImage图像数据格式； 219、cvMatMul：两矩阵相乘；

opencv进阶1

在Opencv中人脸识别是基于Haar特征+Adaboost级联分类器来实现人脸识别的!

要理解这节内容,我们首先要明白什么是特征?

特征其实就是某个区域的像素点经过运算之后得到的结果! 例如haar特征其实就是用下图列出的模板在图像中滑动,计算白色区域覆盖的像素之和减去黑色区域覆盖的像素之和,运算出来的结果就是haar特征值!

Haar特征一般和Adaboost分类器结合在一起进行目标识别!

这里需要运动机器学习的知识! 不过值得庆幸的是Opencv已经为我们训练好了数据,并且已经提取出了人脸的特征,在opencv的源码中有相应的xml特征文件. 并且我们只需要调用opencv提供好的API即可快速完成人脸识别的功能!

核心api为:

实现步骤:

HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。

这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）

用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；

饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

结论:

注意: 在opencv中,H、S、V值范围分别是；

这里我们列出部分hsv空间的颜色值, 表中将部分紫色归为红色

.jpg)

注意,这仅仅只能做一个比较粗糙的判定,按照我们人的正常思维,在傍晚临界点我们也无法判定当前是属于晚上还是白天!

在一张图片中,如果某个物体的颜色为纯色,那么我们就可以使用颜色过滤inRange的方式很方便的来提取这个物体.

下面我们有一张网球的图片,并且网球的颜色为一定范围内的绿色,在这张图片中我们找不到其它颜色也为绿色的图片,所以我们可以考虑使用绿色来提取它!

图片的颜色空间默认为BGR颜色空间,如果我们想找到提取纯绿色的话,我们可能需要写(0,255,0)这样的内容,假设我们想表示一定范围的绿色就会很麻烦!

所以我们考虑将它转成HSV颜色空间,绿色的色调H的范围我们很容易知道,剩下的就是框定颜色的饱和度H和亮度V就可以啦!

实现步骤:

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0 或 255，也就是将整个图像呈现出明显的黑白效果的过程。

在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。

我们使用一个全局值作为阈值。但是在所有情况下这可能都不太好，例如，如果图像在不同区域具有不同的照明条件。在这种情况下，自适应阈值阈值可以帮助。这里，算法基于其周围的小区域确定像素的阈值。因此，我们为同一图像的不同区域获得不同的阈值，这为具有不同照明的图像提供了更好的结果。

除上述参数外，方法cv.adaptiveThreshold还有三个输入参数：

该 adaptiveMethod 决定阈值是如何计算的：

该 BLOCKSIZE 确定附近区域的大小和 Ç 是从平均值或附近的像素的加权和中减去一个常数。

采用日本人大津提出的算法,又称作最大类间方差法,被认为是图像分割中阈值选取的最佳算法,采用这种算法的好处是执行效率高!

《img src="./img2/otsu.jpg" width="500" /》

如果我们把图像看作信号，那么噪声就是干扰信号。我们在采集图像时可能因为各种各样的干扰而引入图像噪声。在计算机中,图像就是一个矩阵, 给原始图像增加噪声, 我们只需要让像素点加上一定灰度即可. f(x, y) = I(x, y) + noise

常见的噪声有椒盐噪声（salt and pepper noise），为什么叫椒盐噪声？因为图像的像素点由于噪声影响随机变成了黑点（dark spot）或白点（white spot）。这里的“椒”不是我们常见的红辣椒或青辣椒，而是外国的“胡椒”（香料的一种）。我们知道，胡椒是黑色的，盐是白色的，所以才取了这么个形象的名字.

接下来我们来生成10%的椒噪声和盐噪声:

我们还要注意，opencv的图像矩阵类型是uint8，低于0和高于255的值并不截断，而是使用了模操作。即200+60=260 % 256 = 4。所以我们需要先将原始图像矩阵和噪声图像矩阵都转成浮点数类型进行相加操作，然后再转回来。

opencv是什么

OpenCV是一个用于图像处理、分析、机器视觉方面的开源函数库.无论你是做科学研究，还是商业应用，opencv都可以作为你理想的工具库，因为，对于这两者，它完全是免费的。该库采用C及C++语言编写，可以在windows, linux, mac OSX系统上面运行。该库的所有代码都经过优化，计算效率很高，因为，它更专注于设计成为一种用于实时系统的开源库。opencv采用C语言进行优化，而且，在多核机器上面，其运行速度会更快。它的一个目标是提供友好的机器视觉接口函数，从而使得复杂的机器视觉产品可以加速面世。该库包含了横跨工业产品检测、医学图像处理、安防、用户界面、摄像头标定、三维成像、机器视觉等领域的超过500个接口函数。同时，由于计算机视觉与机器学习密不可分，该库也包含了比较常用的一些机器学习算法。或许，很多人知道，图像识别、机器视觉在安防领域有所应用。但，很少有人知道，在航拍图片、街道图片（例如google street view）中，要严重依赖于机器视觉的摄像头标定、图像融合等技术。近年来，在入侵检测、特定目标跟踪、目标检测、人脸检测、人脸识别、人脸跟踪等领域，opencv可谓大显身手，而这些，仅仅是其应用的冰山一角。如今，来自世界各地的各大公司、科研机构的研究人员，共同维护支持着opencv的开源库开发。这些公司和机构包括：微软，IBM，索尼、西门子、google、intel、斯坦福、MIT、CMU、剑桥。。。。

如何安装opencv

OpenCV配置教程

1.打开opencv(计算机视觉库) v3.2.0官方版解压下载的压缩包，找到“opencv-3.2.0-vc14.exe”，双击运行，然后将它安装的指定的目录，小编将它安装到D:\opencv中，如下图所示。2.正在安装中，请耐心等待。3.安装完毕之后准备将opencv配置到电脑中，打开控制面板—系统和安全—系统—高级系统设置—环境变量，找到用户变量中的“PATH”，将下面3个路径添加进去，注意每个路径要有分号隔开，之后点击确定即可，如下图所示。D:\opencv\opencv\build\x86\vc9\bin;D:\opencv\opencv\build\x86\mingw\bin;D:\opencv\opencv\build\common\tbb\ia32\vc9;

“opencv”是什么

OpenCV是一个用于图像处理、分析、机器视觉方面的开源函数库.无论你是做科学研究，还是商业应用，opencv都可以作为你理想的工具库，因为，对于这两者，它完全是免费的。该库采用C及C++语言编写，可以在windows, linux, mac OSX系统上面运行。该库的所有代码都经过优化，计算效率很高，因为，它更专注于设计成为一种用于实时系统的开源库。opencv采用C语言进行优化，而且，在多核机器上面，其运行速度会更快。它的一个目标是提供友好的机器视觉接口函数，从而使得复杂的机器视觉产品可以加速面世。该库包含了横跨工业产品检测、医学图像处理、安防、用户界面、摄像头标定、三维成像、机器视觉等领域的超过500个接口函数。同时，由于计算机视觉与机器学习密不可分，该库也包含了比较常用的一些机器学习算法。或许，很多人知道，图像识别、机器视觉在安防领域有所应用。但，很少有人知道，在航拍图片、街道图片（例如google street view）中，要严重依赖于机器视觉的摄像头标定、图像融合等技术。近年来，在入侵检测、特定目标跟踪、目标检测、人脸检测、人脸识别、人脸跟踪等领域，opencv可谓大显身手，而这些，仅仅是其应用的冰山一角。如今，来自世界各地的各大公司、科研机构的研究人员，共同维护支持着opencv的开源库开发。这些公司和机构包括：微软，IBM，索尼、西门子、google、intel、斯坦福、MIT、CMU、剑桥。。。。

opencv 是 Intel 的图像处理库，实现 图像的基本处理 ，如 膨胀，二值化处理，如果要学习，可以到《a href="一些基本的资料可以参考：=》源代码及文档下载：SOURCEFORGE.NET《a href="http://sourceforge.net/projects/opencvlibrary/"》http://sourceforge.net/projects/opencvlibrary/《/a》=》INTEL的OPENCV主页：《a href="http://www.intel.com/research/mrl/research/opencv/"》http://www.intel.com/research/mrl/research/opencv/《/a》=》YAHOO OPENCV 的邮件列表：《a href="http://groups.yahoo.com/group/OpenCV/"》http://groups.yahoo.com/group/OpenCV/《/a》=》CMU（卡耐基-梅隆大学）的计算机视觉主页：《a href="http://www-2.cs.cmu.edu/afs/cs/project/cil/ftp/html/vision.html"》http://www-2.cs.cmu.edu/afs/cs/project/cil/ftp/html/vision.html《/a》=》OPENCV 更为详细的介绍《a href="http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/index.htm"》http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/index.htm《/a》=》OPENCV 的常用问题与解答《a href="http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/faq.htm"》http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/faq.htm《/a》=》OPENCV 的安装指南《a href="http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/install"》http://www.assuredigit.com//incoming/sourcecode/opencv/chinese_docs/install《/a》=》更多的最新资料，请访问《a href="http://blog.csdn.net/hunnish"》http://blog.csdn.net/hunnish《/a》

opencv是干什么的

OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库，支持与计算机视觉和机器学习相关的众多算法，并且正在日益扩展。

OpenCV基于C++实现，同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API，结合了OpenCV C++ API和Python语言的最佳特性。

作用：

OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。OpenCV在计算机视觉的发展中发挥了重要的作用，使成千上万的人能够在视觉上做更多的工作。OpenCV允许学生，研究人员，专业人员和创业者高效地实施项目，并通过向他们提供可在多种平台上优化的计算机视觉架构。

有哪些学习OpenCV的建议

1.首先确定自己要应用方向。OpenCV可应用于很多领域，比如OCR，人脸识别，图像拼接等，每个应用领域的算法集合是有一定差异的。

2.确定了应用方向后，需要去查找相关的理论论文，毕竟OpenCV只是工具，要解决实际问题，还是需要有理论的基础支撑的。建议用google查询外文文献，整体上来说外文文献在理论研究的细致性上还是更好。

3.有了理论基础后可以构思自己的算法处理模型，建议用OpenCV python版本来快速验证算法原型，算法原型确认后再根据应用的平台使用C++或java的版本去转化。

4.在github上查找相关算法的开源工程，跟着开源工程做一遍，甚至对其代码进行调优，可以更深刻的掌握算法。

总的来说，OpenCV是很好的工具，但要转化成真正有竞争力的解决方案，需要有扎实的理论基础和编程能力。本人也是自学OpenCV做了仪表图像识别，望与题主共勉！

对于初学者，用C++还是python开发opencv程序

作为初学者，要学到能使用c++语言通过opencv开发应用的程度，除非你是天赋异禀，才智卓绝之辈，否则那必然是一个漫长的过程，python就不一样了，语法简单，开发环境配置简单，opencv调用也简单，照着网上的例子，做个像模像样的功能性程序不算太难，用哪种语言开发的关键在于：1.你的应用环境要求2.你对程序效率要求。