### 使用 OpenCV 进行图像和视频的视觉处理 #### 加载与显示图像 为了开始使用 OpenCV 处理图像，首先需要安装并导入必要的库。接着可以通过 `cv2.imread()` 函数加载一张图片，并利用 `cv2.imshow()` 显示出来。 ```python import cv2 image_path = 'path_to_image.jpg' img = cv2.imread(image_path, cv2.IMREAD_COLOR) if img is not None: cv2.imshow('Image', img) cv2.waitKey(0) # Wait indefinitely until a key press occurs. else: print("Failed to load image.") ``` 这段代码展示了如何读取彩色模式下的指定路径中的文件作为输入图像[^1]。 #### 转换为灰度图 许多计算机视觉任务更倾向于在单通道（即灰度）图像上执行，因为这能减少计算复杂度。可以借助于 `cv2.cvtColor()` 方法轻松完成色彩空间转换： ```python gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('Gray Image', gray_img) cv2.waitKey(0) ``` 此部分介绍了将 RGB 彩色图像转化为灰阶形式的方法[^3]。 #### 应用滤波器 平滑化是一种常用的预处理手段，旨在去除噪声的同时保留重要特征。高斯模糊就是一个典型例子；它通过对邻近像素加权平均来达到柔化效果: ```python blurred_img = cv2.GaussianBlur(gray_img, (5, 5), 0) cv2.imshow('Blurred Image', blurred_img) cv2.waitKey(0) ``` 这里说明了创建自定义滤镜前应该先熟悉基础类型的过滤过程[^2]。 #### 面部识别 对于高级应用场景而言，比如面部检测，则可调用 Haar 特征分类器配合级联算法实现自动化定位目标对象的功能： ```python face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml") faces = face_cascade.detectMultiScale(blurred_img, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) for (x, y, w, h) in faces: cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) cv2.imshow('Detected Faces', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述脚本解释了怎样运用训练好的模型快速标记出照片里所有人脸的位置信息[^5]。 #### 视频流捕捉 除了静态图片外，实时捕获来自摄像头或其他源的数据同样简单明了。只需几行额外指令就能开启设备连接并连续获取帧画面供后续分析之用： ```python cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) cv2.imshow('Video Stream', gray_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 以上程序片段揭示了从硬件传感器采集动态影像序列的技术要点[^4]。