作者|Lazar Gugleta
编译|Flin
来源|towardsdatascience
计算机视觉和计算机图形学现在非常流行，因为它们与人工智能有着广泛的联系，它们的主要共同点是使用同一个OpenCV库，以便像人类一样对数字图像或视频（CV）或生成图像（CG）有高层次理解。
这就是为什么今天我们要看一看在计算机科学领域里，对于同样的库，有哪些函数是你最能从中受益的!
在讨论OpenCV的强大功能之前，让我们先看看计算机视觉、计算机图形学和OpenCV的定义，以便更好地理解我们在这里所做的工作。
计算机视觉
计算机视觉是一个跨学科的领域，涉及如何使计算机获得对数字图像或视频的高层次理解。从工程的角度来看，它试图使人类视觉系统能够完成的任务自动化，也就是说，它希望像人类一样“看懂”世界。
计算机图形学
计算机图形学是计算机科学中的一个分支，它研究如何借助计算机生成图像。如今，计算机图形学是数字摄影、电影、视频游戏、手机和计算机显示等许多专业应用领域的核心技术。
OpenCV
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。OpenCV的建立是为了为计算机视觉应用提供一个通用的基础设施，并加速机器感知在商业产品中的应用。
该图书馆提供处理和分析图像内容的工具，包括识别数字照片中的对象（如人的脸和图形、文本等）、跟踪对象的运动、转换图像、应用机器学习方法以及识别各种图像中的公共元素。
一旦我们解决了这个问题，我们可以从我个人选择的十大函数开始。（使用Python编写函数）
imread/imshow
这个函数必须放在首位，因为要用一张图片开始你的项目，此函数是必不可少的。从函数名可以猜到，它加载了BGR（Blue-Green-Red）格式的图像。
import cv2
import matplotlib.pyplot as plot
image = cv2.imread('data.png') #load image
plot.imshow(image) #show image
cvtColor
加载图像后，还可以使用cvtColor中的不同标志将其转换为不同的配色方案。
cv2.cvtColor(image,cv2.COLOR_BGR2RGB)下面是cvtColor的一些其他标志：COLOR_BGR2GRAY、COLOR_BGR2HSV和COLOR_BGR2YUV等。
这是双向的，例如，COLOR_YUV2BGR也是可能的。
resize
有时你只需要一个不同于原来大小的图像，所以resize就是你需要的函数。
cv2.resize(image, dimension, interpolation = cv2.INTER_AREA)它获取原始图像，并按尺寸创建一个新图像。尺寸定义为：
dimension = (width, height)插值是一种重采样图片的方法，在我的例子中，它使用基于INTER_AREA的区域间重采样，还有更多类似的方法
- INTER_NEAREST: 最近邻插值
- INTER_LINEAR: 双线性插值
- INTER_CUBIC: 4×4像素邻域上的双三次插值
INTER_LANCZOS4: 8×8邻域上的Lanczos插值
split/merge
每张图片有3个通道，如果我们想把它们分割成不同的图片，我们可以使用分割函数来实现。
(channel_b, channel_g, channel_r) = cv2.split(img)如果图像是BGR格式，它会将每个通道分成你定义的三个变量。
如果你已经分割通道,但希望将它们合并到一起，你可以使用merge。
cv2.merge(channel_b, channel_g, channel_r)
vconcat / hconcat
使用vconcat()，hconcat()垂直和水平连接（合并）图像。
v表示垂直，h表示水平。
cv2.vconcat([image1, image2])
cv2.hconcat([image1, image2])
ones/zeros
如果要在三维图像（矩阵）中都填充1或0（因为矩阵要求彩色图像具有3个维度）。
size = 200, 200, 3
m = np.zeros(size, dtype=np.uint8)
n = np.ones(size, dtype=np.uint8)作为一个附加函数，我想在这里添加一个东西，那就是转置函数。
transpose
如果我们有一个要转置的已定义矩阵mat，我们所要做的就是直接对mat使用这个函数：
import numpy as np
mat = np.array([[1, 2, 3], [4, 5, 6]])
mat_transpose = mat.transpose()
print(mat_tranpose)得到输出：
[[1 4]
[2 5]
[3 6]]
#original input
[[1, 2, 3]
[4, 5, 6]]下一个步骤
这主要是为初学者准备的，但是下节课我们将介绍OpenCV更高级的特性。
原文链接：https://towardsdatascience.co...
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/
