采用cv2重写的《Python科学计算》中的实例程序
读者可以在下面的页面中搜索“opencv”，并根据Python版本下载对应的安装程序。
非官方的Windows系统Python扩展库
安装完毕之后，运行下面的程序，测试是否安装正确。
import sys
try:
filename = sys.argv[1]
except:
filename = "lena.jpg"
img = cv2.imread( filename )
cv2.namedWindow("demo1")
cv2.imshow("demo1", img)
cv2.waitKey(0)
本章所介绍的代码均采用如下载入方式：
>>> from cv2 import cv
cv2扩展库是针对OpenCV 2.x API创建的，它直接采用NumPy的数组对象表示图像，因此和PyOpenCV相比，不再需要在数组和Mat对象之间相互转换了。
为了兼容OpenCV 1.x API，在cv下提供了原来的OpenCV 1.x API的扩展库。如果读者发现cv2下缺少某个功能，可以使用cv下提供的函数。
cv2下的函数直接对NumPy的数组进行操作，而cv则对两种表示图像的cvmat和iplimage对象进行操作。如果需要混用这两套API中的函数，就需要在它们之间进行转换，下面让我们看一个在这些类型之间转换的例子。
>>> iplimage = cv.LoadImage("lena.jpg")
>>> cvmat = cv.LoadImageM("lena.jpg")
首先通过cv2.imread()读入的图像使用NumPy数组表示，而通过cv.LoadImage()读入的图像为iplimage对象，通过cv.LoadImage()读入的是cvmat对象。
(
>>> iplimage
>>> cvmat
下表列出了在这三种对象之间转换的方法：
| 类型转换 | 方法 |
|---|---|
| array→cvmat | cv.fromarray(array) |
| cvmat→array | np.asarray(cvmat) |
| cvmat→iplimage | cv.GetImage(cvmat) |
| iplimage→cvmat | iplimage[:]，或cv.GetMat(iplimage) |
如果需要在array和iplimage之间转换，可以通过cvmat作为桥梁，例如：
>>> np.all(array == array2)
True
由于iplimage类型需要其数据保存在连续的内存空间之中，因此使用切片获得的数组需要复制之后才能转换为iplimage：
>>> cv.GetImage(cv.fromarray(array[::2,::2,:].copy()))
在《Python科学计算》的OpenCV实例所用到的函数中，只有pyrSegmentation()不在cv2中，因此使用了cv下的PyrSegmentation()，并在恰当的地方进行图像类型的转换。
opencv_pyrSegmentation.py
使用cv.PyrSegmentation()进行图像分割
由于OpenCV 1.x API已经逐渐被淘汰，后续的章节将只详细介绍cv2的使用方法。
cv2中的函数名与PyOpenCV的相同，部分常量名有所不同。但是cv2中的函数所需的参数类型尽量使用数组或者一些Python的标准数据类型。因此cv2中没有Mat、Point、Size、Vec等各种数据类型，而是用列表、元组或数组表示这些数据类型。因此使用cv2中的函数比PyOpenCV更加便捷，然而你需要清楚cv2的数据类型转换规则，这样才能将正确的数据专递给函数。
为了了解cv2所做的数据转换工作，需要我们分析cv2的源程序。下载OpenCV的源程序，解压之后，可以在“opencvmodulespythonsrc2”路径下找到cv2相关的源程序。cv2中各个包装函数是通过cv2.py自动生成的：在命令行中切到“src2目录下，并运行命令“cv2.py . ”，将在当前目录下生成OpenCV的包装函数。如果执行提示失败，可在此目录下创建一个空的“opencv_extra_api.hpp”文件之后再试。
所有的包装函数都在自动生成的“pyopencv_generated_funcs.h”中定义。而这些包装函数会调用“cv2.cpp”中的众多pyopencv_to()和pyopencv_from()函数，实现Python和OpenCV的各种类型转换工作。若不能确定包装函数使用何种Python数据类型，可以查看包装函数的内容，例如下面是运行cv2.line()时所调用的C语言函数。
pyopencv_generated_funcs.h, cv2.cpp
在这两个文件中定义了cv2的包装函数和各种类型转换函数
{
PyObject* pyobj_img = NULL;
Mat img;
PyObject* pyobj_pt1 = NULL;
Point pt1;
PyObject* pyobj_pt2 = NULL;
Point pt2;
PyObject* pyobj_color = NULL;
Scalar color;
int thickness=1;
int lineType=8;
int shift=0;
const char* keywords[] = { "img", "pt1", "pt2", "color", "thickness","lineType", "shift", NULL };
if( PyArg_ParseTupleAndKeywords(args, kw, "OOOO|iii:line", (char**)keywords,&pyobj_img, &pyobj_pt1,
&pyobj_pt2, &pyobj_color, &thickness, &lineType, &shift) &&
pyopencv_to(pyobj_img, img) &&
pyopencv_to(pyobj_pt1, pt1) &&
pyopencv_to(pyobj_pt2, pt2) &&
pyopencv_to(pyobj_color, color) )
{
ERRWRAP2( cv::line(img, pt1, pt2, color, thickness, lineType, shift));
Py_RETURN_NONE;
}
return NULL;
}
OpenCV中的line()所需的4个参数类型为：Mat、Point、Point和Scalar，程序中使用4个pyopencv_to()将Python的数据转换为这些类型。pyopencv_to()有众多重载函数，例如上述的类型转换实际上会调用如下三个函数：
static inline bool pyopencv_to(PyObject* obj, Point& p, const char* name = "
static bool pyopencv_to(PyObject *o, Scalar& s, const char *name = "
其中Mat对应的pyopencv_to()将数组转换为Mat对象，其代码实现比较复杂，暂时忽略。我们看看Point的转换函数：
{
if(!obj || obj == Py_None)
return true;
if(PyComplex_CheckExact(obj))
{
Py_complex c = PyComplex_AsCComplex(obj);
p.x = saturate_cast<int>(c.real);
p.y = saturate_cast<int>(c.imag);
return true;
}
return PyArg_ParseTuple(obj, "ii", &p.x, &p.y) > 0;
}
稍微分析一下此程序可知，它可以将Python的复数和元组转换为Point对象。例如100+200j或者(100,200)。
Scalar对应的函数为：
{
if(!o || o == Py_None)
return true;
if (PySequence_Check(o)) {
PyObject *fi = PySequence_Fast(o, name);
if (fi == NULL)
return false;
if (4 < PySequence_Fast_GET_SIZE(fi))
{
failmsg("Scalar value for argument '%s' is longer than 4", name);
return false;
}
for (Py_ssize_t i = 0; i < PySequence_Fast_GET_SIZE(fi); i++) {
PyObject *item = PySequence_Fast_GET_ITEM(fi, i);
if (PyFloat_Check(item) || PyInt_Check(item)) {
s[(int)i] = PyFloat_AsDouble(item);
} else {
failmsg("Scalar value for argument '%s' is not numeric", name);
return false;
}
}
Py_DECREF(fi);
} else {
if (PyFloat_Check(o) || PyInt_Check(o)) {
s[0] = PyFloat_AsDouble(o);
} else {
failmsg("Scalar value for argument '%s' is not numeric", name);
return false;
}
}
return true;
}
可以看出这个函数能将长度小于等于4的序列，整数、浮点数转换为Scalar类型。对于整数和浮点数，它将保存进Scalar对象的第0个元素。
如果读者不清楚某个函数所需的参数类型，可以仿照上述方法从“pyopencv_generated_funcs.h”中的包装函数和对应的pyopencv_to()转换函数找到答案。
在PyOpenCV中为了保存处理结果，我们需要创建一个空的Mat对象，并将其传递给处理函数。处理函数会为此Mat对象添加处理结果。在cv2中一切变得简单了，处理结果可以通过函数的返回值获得。如果需要让处理结果保存到指定的数组之中，也可以将数组传递给dst参数。下面看一个例子，我们希望调用blur()对图像进行模糊处理，从blur()的文档我们可以看到如下参数调用说明：
blur()的说明文档
blur(InputArray src, OutputArray dst, Size ksize,
Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT )
Python:
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst
可以看到在C++中ksize是一个Size对象，Size和Point类似，因此Python中只需要传递一个元组即可。dst参数是可选参数，下面我们用代码测试一下：
>>>
>>> img2 = cv2.blur(img, (5,5))
>>>
>>> img3 = np.empty_like(img) # 先分配一个相同大小的数组
>>> img4 = cv2.blur(img, (5,5), dst=img3) # 然后通过dst参数指定保存结果数组
>>>
>>> np.all(img2==img3)
True
>>> img3 is img4 # 当指定dst参数时，返回值和dst参数是同一个对象
True
下面列出一些我在将书中的实例程序移植到cv2下时总结的类型转换，读者可以参照本节的内容分析移植之后的程序。
下面通过几个例子说明参数的传递方法。
在PyOpenCV的实例中，计算直方图统计的calcHist()参数十分复杂，而由于cv2的自动类型转换功能，calcHist()的用法变得简单多了。cv2中calcHist()的帮助文档如下：
由于在C++中，同样的函数名可以对应多种参数的函数实现，因此我们需要确定cv2中所调用的C++函数类型，下面是“pyopencv_generated_funcs.h”中对calcHist()进行包装的函数。
{
PyObject* pyobj_images = NULL;
vector_Mat images;
PyObject* pyobj_channels = NULL;
vector_int channels;
PyObject* pyobj_mask = NULL;
Mat mask;
PyObject* pyobj_hist = NULL;
Mat hist;
PyObject* pyobj_histSize = NULL;
vector_int histSize;
PyObject* pyobj_ranges = NULL;
vector_float ranges;
bool accumulate=false;
...
}
通过这些参数类型，可以在OpenCV源程序中找到其对应的C++函数：
InputArray mask, OutputArray hist,
const vector<int>& histSize,
const vector<float>& ranges,
bool accumulate );
可以看出images参数对应vector_Mat类型、channels参数vector_int类型、mask对应Mat类型、histSize对应vector_int类型、ranges对应vector_float类型。而可选hist参数则用来指定输出结果的数组。
这些vector_*类型在“cv2.cpp”中定义：
typedef vector<int> vector_int;
typedef vector<float> vector_float;
typedef vector<double> vector_double;
typedef vector<Point> vector_Point;
typedef vector<Point2f> vector_Point2f;
typedef vector<Vec2f> vector_Vec2f;
typedef vector<Vec3f> vector_Vec3f;
typedef vector<Vec4f> vector_Vec4f;
typedef vector<Vec6f> vector_Vec6f;
typedef vector<Vec4i> vector_Vec4i;
typedef vector<Rect> vector_Rect;
typedef vector<KeyPoint> vector_KeyPoint;
typedef vector<Mat> vector_Mat;
typedef vector<vector<Point> > vector_vector_Point;
typedef vector<vector<Point2f> > vector_vector_Point2f;
typedef vector<vector<Point3f> > vector_vector_Point3f;
由此可知这些都是vector
import numpy as np
img = cv2.imread("lena.jpg")
result = cv2.calcHist([img],
channels = (0,1),
mask = None,
histSize = (30, 20),
ranges = (0, 256, 0, 256))
hist, _x, _y = np.histogram2d(img[:,:,0].flatten(), img[:,:,1].flatten(),
bins=(30,20), range=[(0,256),(0,256)])
print np.all(hist == result)
请注意由于ranges对应vector