下载掌阅APP，畅读海量书库
立即打开
OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
OpenCV用C++语言编写，它具有C++、Python、Java和MATLAB接口，并支持Windows、Linux、Android和Mac OS。OpenCV主要倾向于实时视觉应用，并在可用时使用MMX和SSE指令，如今也提供对于C#、Ch、Ruby、GO的支持。
OpenCV提供的视觉处理算法非常丰富，并且其部分以C语言编写，加上开源特性，如果处理得当，不需要添加新的外部支持也可以完整地编译链接生成执行程序，所以很多人用它来做算法的移植。OpenCV的代码经过适当改写，可以正常地运行在DSP系统和ARM嵌入式系统中。
OpenCV是一个开放源码的计算机视觉应用平台，由英特尔公司下属研发中心俄罗斯团队发起该项目，开源BSD证书。OpenCV的目标是实现实时计算机视觉，也就是用摄影机和计算机代替人眼对目标进行识别、跟踪以及测量等，并进一步进行图像处理。
OpenCV由于其开源特性以及强大的社区支持，发展极其迅速。OpenCV 1.0正式版本于2006年发布，可以运行在Mac OS以及Linux平台上，但是主要提供C的接口；2009年发布了OpenCV 2.0版本，其代码已显著优化，带来了全新的C++函数的接口，将OpenCV的能级无限放大，使开发者使用起来更加方便。同时，增加了新的平台支持，包括iOS和Android，通过CUDA和OpenGL实现了GPU加速；在编程语言方面，为Python和Java用户提供了接口。2014年8月，OpenCV 3.0 Alpha发布，其最重大的革新之处在于OpenCV 3.0改变了项目架构的方式。之前的OpenCV是一个相对整体的项目，各个模块都以整体的形式构建，然后组合在一起，而OpenCV 3抛弃了整体架构，使用内核+插件的架构形式，使OpenCV更加轻量化。当前，OpenCV随着工业4.0与机器人无人机的发展，已经在应用领域得到了广泛的应用，越来越多从事机器视觉与图像处理的开发者选择OpenCV作为开发工具实现应用开发。
计算机视觉市场巨大且持续增长，但这方面没有标准API，如今的计算机视觉软件大概有以下3种：
（1）研究派代码（慢，不稳定，独立，与其他库不兼容）。
（2）耗费很高的商业化工具（比如Halcon、MATLAB+Simulink）。
（3）依赖硬件的一些特别的解决方案（比如视频监控、制造控制系统、医疗设备）。
这是如今的现状，而标准的API将简化计算机视觉程序和解决方案的开发，OpenCV致力于成为这样的标准API。
OpenCV致力于真实世界的实时应用，通过优化C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP（Integrated Performance Primitive，集成性能原语）高性能多媒体函数库得到更快的处理速度。
OpenCV的应用领域非常广泛，比如人机互动、物体识别、图像分割、人脸识别、动作识别、运动跟踪、机器人、运动分析、机器视觉、结构分析、汽车安全驾驶、军工、卫星导航等。可以说学好了OpenCV，就业和职业发展前景广阔！
编写本书时，OpenCV的新版本为4.10，本书采用该版本，它发布于2024年6月，如图1-5所示。
图1-5
OpenCV最显著的优化是从4.10开始对JPEG图像的读取和解码有了77%的速度提升，超过了scikit-image、imageio、pillow。其他改进点如下：
（1）dnn模块的改进，包括：
● 改善内存消耗。
● 增加了将模型转储为与Netron工具兼容的pbtxt格式的功能。
● 支持多个新的TFlite、ONNX和OpenVINO层。
● 改进了现代Yolo探测器支持。
● 添加了CuDNN 9+和OpenVINO 2024支持。
（2）core模块的改进，包括：
● 为cv::Mat添加了CV_FP16数据类型。
● 扩展了HAL API，用于minMaxIdx、LUT、meanStdDev和其他函数。
（3）imgproc模块的改进，包括：
● 为cv::remap添加了相对位移场选项。
● 重构了findContours和EMD。
● 扩展了HAL API，用于projectPoints、equalizeHist、Otsu阈值和其他功能。
● 添加了针对现代ARMv8和ARMv9平台优化的新底层HAL库（KleidiCV）。
（4）支持CUDA 12.4+。
（5）添加了zlib-ng作为经典zlib的替代品。
（6）对Wayland、Apple VisionOS和Windows ARM64的实验性支持。
（7）OpenCV Model Zoo提供跨平台的预训练深度学习模型。其新增功能包括：
● 支持更多的模型结构，例如新的卷积架构或者神经网络架构。
● 提升模型的性能，可能通过模型优化或者使用更高效的实现方式。
● 提供更多的预处理和后处理的选项，以便用户可以更灵活地使用这些模型。
● 增加对新硬件或者新框架的支持，例如新版的TensorRT或是ONNX Runtime。