再读《Opencv3编程入门》（1）

自序

第一次接触图像处理已经是6年前了，6年的时间真的可以改变很多东西，故人故事渐行渐远，二维码扫描、工业测量、视线追踪、图像分割、深度学习、表面质量检测、智能驾驶；从数字图像处理到机器学习，再到深度学习，最后到各种框架的部署后处理；经历过很多个项目，很庆幸我仍然能够以从事图像处理为生计手段，现如今也只有电脑风扇的呼呼声才能使烦躁的心情得到平复。

各种技术、框架在进步，到项目落地却还是有很多基础中的基础，回头看过去，纷纷扰扰的技术，到最后也还是归结到几种基本的处理手段，越发觉得基础的重要性，因而一时兴起，想再读下浅墨大神的Opencv3著作。

第一章 邂逅opencv

opencv库如其名，open computer vision 开源的计算机视觉库，由intel发起并维护，从1.x到现在的4.x版本，几乎是入门图像处理的必学开源库。从读写图像、形态学操作、开闭运算、边缘检测等基础图像操作，到是视频流的读取、帧间的光流等特征匹配、相机镜头的标定、畸变矫正，提供了近乎完善的图像处理手段，可以方便的部署应用在各种领域。

第二章 启程前的认知准备

基于自适应均值漂移算法的彩色目标跟踪、指定时变图像中运动模式的光流、物体特征点的跟踪、harr级联的人脸检测，以及机器学习模块的支持向量机分类器。简单的几个实例，就看出了opencv强大的功能，检测、跟踪、分类，到现在也是各中应用场景中的重点研究方向，而研究手段就现在看来本质原理上也与opencv相差不大。

第三章 图形用户界面初步

图像的载入、显示、输出，cver们最常用的imread、imshow、imwrite，这大概是从业者用的最多的操作。初学者却常常忽略其背后各种数据类型的变换，单通道与多通道、uchar与float、RGB还是BGR，似乎不用在意这些数据类型，也能正常的显示、输出图像，而当涉及一些更为精细的图像处理时，才发现这些忽略这些数据类型所造成的结果的千差万别。尤其是在与其他开源库和自己开发的一些函数进行交互处理时，竟会发现小小的数据转换竟也会成为开发过程中一大拦路虎，躲在阴暗的草丛里时不时给你来一记暴击。

第四章 opencv数据结构与基本绘图

表示像素点矩阵的Mat类，拷贝构造、复制、ROI界定，快速完成图像的复制截取；基于二维矩阵的方式对不同格式图像进行存储。值得注意的是，作为矩阵的Mat类还支持一些常见的矩阵运算，转置、逆、叉乘点乘，甚至于SVD、QR分解等方式求解矩阵方程，在各种拟合、坐标转换中可以很方便的求解结果，而不需安装额外的矩阵运算库。
Point、Scalar、Size、Rect，点、颜色、尺寸、矩形框用来描述图像像素的数字属性，cvtColor函数则提供了各种色彩空间的转换规则，不同图层的特征会成为后续图像处理的一大特征工具。画点、划线、画椭圆、画多边形，以及在图像上puttext，能够很方便可视化中间处理过程的结果。