一、课程设计理念：9小时分层学习体系

本课程采用”3+3+3”时间分配模式：前3小时掌握基础环境搭建与核心概念，中间3小时学习图像处理核心算法，最后3小时完成综合项目实战。这种设计符合认知规律，通过”概念-实践-应用”的螺旋式上升帮助学习者建立完整知识体系。

1.1 环境配置（0.5小时）

• 安装Anaconda并创建Python 3.8虚拟环境
• 使用pip install opencv-python opencv-contrib-python安装OpenCV
• 验证安装：import cv2; print(cv2.__version__)
• 推荐开发工具：VS Code + Jupyter Notebook

1.2 核心概念速览（2.5小时）

• 图像表示：NumPy数组结构（高度×宽度×通道）
• 颜色空间转换：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
• 坐标系原点：左上角(0,0)，x向右，y向下
• ROI操作：img[100:200, 50:150]提取子区域

二、核心功能模块解析（3小时）

2.1 图像读写与显示

# 读取图像（支持jpg/png/bmp等格式）
img = cv2.imread('image.jpg')
# 显示窗口（可指定窗口名称）
cv2.imshow('Display Window', img)
cv2.waitKey(0)  # 等待按键
cv2.destroyAllWindows()
# 保存图像
cv2.imwrite('output.png', img)

关键参数说明：imread()的flags参数（cv2.IMREAD_COLOR/cv2.IMREAD_GRAYSCALE/cv2.IMREAD_UNCHANGED）

2.2 图像几何变换

• 缩放：cv2.resize(img, (new_width, new_height))
• 旋转：

  (h, w) = img.shape[:2]
  center = (w//2, h//2)
  M = cv2.getRotationMatrix2D(center, 45, 1.0)  # 45度旋转
  rotated = cv2.warpAffine(img, M, (w, h))

• 仿射变换：通过三点对应实现透视矫正

2.3 图像算术运算

# 加法（像素值相加后截断）
add_img = cv2.add(img1, img2)
# 加权叠加（图像融合）
blend = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)
# 位运算（掩模操作）
mask = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)[1]
result = cv2.bitwise_and(img, img, mask=mask)

三、图像处理核心技术（3小时）

3.1 阈值处理

• 简单阈值：

  ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

• 自适应阈值：

  thresh2 = cv2.adaptiveThreshold(gray, 255, 
                               cv2.ADAPTIVE_THRESH_MEAN_C,
                               cv2.THRESH_BINARY, 11, 2)

• Otsu阈值：自动计算最佳阈值

3.2 边缘检测

• Canny算法三步曲：

  # 1. 高斯模糊降噪
  blurred = cv2.GaussianBlur(img, (5,5), 0)
  # 2. 计算梯度
  edges = cv2.Canny(blurred, 50, 150)
  # 3. 非极大值抑制和双阈值检测

  参数调优建议：低阈值:高阈值≈1:2或1:3

3.3 轮廓检测

# 查找轮廓（RETR_TREE获取完整层级）
contours, hierarchy = cv2.findContours(thresh_img, 
                                     cv2.RETR_TREE,
                                     cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓（绿色，线宽2）
cv2.drawContours(img, contours, -1, (0,255,0), 2)
# 轮廓特征计算
cnt = contours[0]
area = cv2.contourArea(cnt)
perimeter = cv2.arcLength(cnt, True)

四、综合项目实战（3小时）

4.1 人脸检测系统

# 加载预训练模型
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 检测人脸
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.1, 4)
# 绘制检测框
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

优化技巧：多尺度检测、ROI区域优化

4.2 文档扫描应用

1. 预处理：灰度化+高斯模糊
2. 边缘检测：Canny算法
3. 轮廓查找：筛选四边形
4. 透视变换：获取正视图

   def perspective_transform(img, pts):
    # 排序四个顶点（左上/右上/右下/左下）
    rect = order_points(pts)
    (tl, tr, br, bl) = rect
    # 计算新图像尺寸
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))
    # 类似计算高度...
    # 构建透视变换矩阵
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")
    M = cv2.getPerspectiveTransform(rect, dst)
    return cv2.warpPerspective(img, M, (maxWidth, maxHeight))

4.3 实时视频处理

cap = cv2.VideoCapture(0)  # 0表示默认摄像头
while True:
    ret, frame = cap.read()
    if not ret: break
    # 处理帧（例如人脸检测）
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    # 显示结果
    cv2.imshow('Real-time', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

性能优化：降低分辨率、ROI处理、多线程

五、学习资源与进阶建议

1. 官方文档：docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
2. 推荐书籍：《Learning OpenCV 4 Computer Vision with Python》
3. 实践平台：Kaggle图像处理竞赛、LeetCode计算机视觉专题
4. 进阶方向：
   • 深度学习集成（YOLO、Mask R-CNN）
   • 3D视觉重建
   • 实时视频分析系统开发

本课程通过9小时系统学习，使学习者能够掌握OpenCV(Python)的核心功能，具备独立开发基础计算机视觉应用的能力。建议学习者在完成课程后，选择1-2个实际项目进行深入实践，以巩固所学知识。