1. 课程规划与学习路径（0.5小时）

1.1 学习目标拆解

• 基础操作：图像读写、显示、像素级操作（30分钟）
• 核心功能：图像滤波、边缘检测、形态学操作（2小时）
• 进阶应用：特征检测、模板匹配、视频流处理（3小时）
• 综合实践：人脸检测项目实战（3小时）
• 工具配置：建议使用Jupyter Notebook实时调试，配合VS Code开发完整项目

1.2 资源准备清单

# 环境配置代码示例
!pip install opencv-python opencv-contrib-python numpy matplotlib
import cv2
print(cv2.__version__)  # 验证安装成功

• 硬件建议：普通PC即可（推荐CPU i5以上，内存8GB+）
• 辅助工具：Anaconda管理Python环境，Git进行版本控制

2. 核心模块精讲（6小时）

2.1 图像基础操作（1.5小时）

2.1.1 图像加载与显示

import cv2 as cv
img = cv.imread('test.jpg', cv.IMREAD_COLOR)  # 彩色加载
cv.imshow('Display Window', img)
cv.waitKey(0)  # 等待按键
cv.destroyAllWindows()

• 参数详解：IMREAD_GRAYSCALE灰度加载，IMREAD_UNCHANGED包含Alpha通道
• 常见问题：路径错误处理（建议使用绝对路径）

2.1.2 像素级操作

# 访问像素值
px = img[100,100]  # BGR格式
# 修改像素值
img[100,100] = [255,0,0]  # 改为蓝色
# ROI区域操作
roi = img[50:150, 200:300]  # 裁剪区域

2.2 图像处理技术（2小时）

2.2.1 几何变换

# 缩放
resized = cv.resize(img, (300,300), interpolation=cv.INTER_AREA)
# 旋转
(h,w) = img.shape[:2]
center = (w//2, h//2)
M = cv.getRotationMatrix2D(center, 45, 1.0)  # 旋转45度
rotated = cv.warpAffine(img, M, (w,h))

2.2.2 阈值处理

# 全局阈值
ret, thresh1 = cv.threshold(img_gray, 127, 255, cv.THRESH_BINARY)
# 自适应阈值
thresh2 = cv.adaptiveThreshold(img_gray, 255, 
                              cv.ADAPTIVE_THRESH_GAUSSIAN_C,
                              cv.THRESH_BINARY, 11, 2)

2.3 特征检测（2.5小时）

2.3.1 边缘检测

# Canny边缘检测
edges = cv.Canny(img_gray, 100, 200)
# Sobel算子
sobelx = cv.Sobel(img_gray, cv.CV_64F, 1, 0, ksize=5)

2.3.2 角点检测

# Harris角点检测
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
corners = cv.cornerHarris(gray, 2, 3, 0.04)
corners = cv.dilate(corners, None)
img[corners > 0.01*corners.max()] = [0,0,255]  # 标记红色

2.3.3 SIFT特征点

# 需要安装opencv-contrib-python
sift = cv.SIFT_create()
kp, des = sift.detectAndCompute(img_gray, None)
img_kp = cv.drawKeypoints(img, kp, None)

3. 进阶应用实践（2小时）

3.1 人脸检测系统

# 使用预训练模型
face_cascade = cv.CascadeClassifier(
    cv.data.haarcascades + 'haarcascade_frontalface_default.xml')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.1, 4)
for (x,y,w,h) in faces:
    cv.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)

3.2 视频流处理

cap = cv.VideoCapture(0)  # 0表示默认摄像头
while True:
    ret, frame = cap.read()
    if not ret:
        break
    gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
    cv.imshow('frame', gray)
    if cv.waitKey(1) == ord('q'):
        break
cap.release()
cv.destroyAllWindows()

4. 优化与调试技巧（0.5小时）

4.1 性能优化

• 图像缩放：处理前先缩小图像尺寸
• ROI操作：减少不必要的计算区域
• 多线程：使用cv2.setNumThreads()控制并行处理

4.2 常见错误处理

# 文件不存在处理
try:
    img = cv.imread('nonexistent.jpg')
    if img is None:
        raise FileNotFoundError("Image load failed")
except Exception as e:
    print(f"Error: {e}")

5. 学习资源推荐

1. 官方文档：docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
2. 实践项目：GitHub搜索”opencv-python-projects”
3. 进阶课程：Coursera《Computer Vision Basics》专项课程

6. 9小时学习路线图

时间段	学习内容	实践任务
0-0.5h	环境搭建	安装验证
0.5-2h	基础操作	图像处理脚本
2-4h	核心算法	特征检测实现
4-6h	视频处理	实时人脸检测
6-8h	项目开发	完整应用构建
8-9h	优化调试	性能提升实验

通过这个紧凑而系统的学习计划，开发者可以在9小时内掌握OpenCV-Python的核心功能，具备开发基础计算机视觉应用的能力。建议每天安排2-3小时连续学习，配合即时实践加深理解。