用 OpenCV 開啟電腦視覺的世界：基礎介紹與應用（使用Python）

所謂電腦視覺

電腦視覺算不算是一種AI？答案是對，電腦視覺就是AI的其中一項應用。我們可以把「電腦視覺」想像成「讓電腦學會用眼睛看懂世界」。就像人類用眼睛看東西並理解這些東西的樣子，電腦視覺是讓電腦學會「看」影像或影片，並從中「理解」裡面有哪些內容。然而，讓電腦跟人腦一樣得理解圖片內容，就是其最大的困難點。

以底下這張照片中，電腦能夠讀懂圖片中的物件並準確分類。

舉個例子，當一個人看到以下這兩張圖片時，會很直覺的認為左邊的是玩具車，而右邊的是普通的汽車，原因就在於他的大小以及跟周邊物體的對比。電腦視覺所要模擬的，就是這種思考方式，因此能準確的判斷圖片中一個物體。

雖然聽起來挺容易理解電腦視覺在做的事，但其中也與深度學習有著強烈的關聯，有相當多要研究的地方，若往下研究會發現這是一個很深的坑啊～，所以隨著現在人工智慧、深度學習等技術的興起，影像辨識的強度、準確度以及速度都大幅提升，應用的領域也越來越廣。雖然這是一個聽起來很困難的事，但是網路上提供了五花八門的學習影像辨識函式庫，可以利用引用別人已經寫好的函式來做專案，這樣就可以大大降低入門的門檻，這次就來介紹其中最著名的函式庫OpenCV。

什麼是OpenCV？

在要開始認識OpenCV之前，要先知道CV指的是電腦視覺（Computer Vision），因此他的全名便是Open Source Computer Vision Library，開源的電腦視覺，由 Intel 發起並開源，它在學術研究和商業應用中都非常流行。OpenCV 支援多種程式語言，包括 Python、C++、Java 等，並且可以在多個作業系統上運行，如 Windows、Linux 和 macOS。

OpenCV的功能十分強大，提供了基本的影像操作（濾波、邊緣檢測、直方圖均衡化）、物件檢測、影像分割、特徵提取，甚至內建了一些基本的機器學習演算法，例如支援向量機（SVM）、K-means 分群等，以及深度學習模型加載，可以直接使用訓練好的模型進行推理。

這些都還需要很多時間的學習，先看看就好～ 不過有興趣的話也歡迎繼續閱讀下去，下一段中會介紹他的基礎的操作方式

OpenCV的運作方式

OpenCV的使用方式可以大致分為三個步驟

1. 讀取影像或影片（讓電腦「看到」東西）
   首先，OpenCV 需要從某個來源（例如相機或影像檔案）「看到」影像。電腦本身不是真的有眼睛，它看到的是一堆數字，但這些數字代表影像中的顏色和亮度。OpenCV 將影像或影片讀入程式，這樣影像內容就能進一步進行處理。
2. 處理影像（讓電腦「理解」影像）
   接著，OpenCV 會對影像進行一些處理，這一步就是讓電腦「理解」影像內容。例如：
3. • 轉換顏色：可以把彩色影像轉成黑白，這樣可以幫助簡化資料，讓處理速度變快。
   • 去除雜訊：影像可能有雜訊或模糊點，OpenCV 可以用一些技術把影像弄得更清晰。
   • 找邊緣：電腦可以找出物體的輪廓，就像我們在畫畫時會先畫出物體的外形。這對於辨識物體很有幫助。
   • 物體辨識：利用一些訓練好的資料庫，OpenCV 可以「判斷」影像中有哪些東西，比如人臉、車輛、文字等。
3. 顯示或輸出結果（讓電腦“展示”結果）
   處理完影像後，OpenCV 可以把結果「顯示」出來。這可能是顯示一張標註過的影像，或者儲存成新的檔案。比如，我們可以把檢測到的臉部用方框框起來，然後顯示在畫面上

自己寫寫看簡單的影像辨識！

我們將會使用OpenCV裡的 Haar Cascades 人臉辨識分類器

首先要先在終端機打下以下指令，下載所需的opencv函式庫

pip install opencv-python

接著就可以開始寫程式了～

import cv2 
# Step 1 img = cv2.imread('Nicolas.jpeg') 
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

Step 1.

import cv2 引入opencv後便可以開始撰寫其他內容。

img = cv2.imread(圖片名稱) 這裡是要將一張自己所下載好的圖片給cv2讀取（提醒：圖片中要有人的「正臉」之後才能看出效果）

💡補充：
cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') :
cv2.CascadeClassifier： 這是OpenCV中用來做物體檢測的分類器。它可以用來檢測像是人臉、眼睛等特徵。
cv2.data.haarcascades： 這是OpenCV中存放預訓練的Haar分類器模型的位置。Haar特徵分類器是一種常用的物體檢測方法。
'haarcascade_frontalface_default.xml'：這是Haar分類器模型的名稱，它專門用來檢測正面人臉。這個XML檔案包含了識別人臉所需的特徵數據。

定義一個名為face_cascade的變數，用來當成是cv2.CascadeClassifier偵測正面人臉的工具。

face_casade = .... 

#接著上面的程式碼繼續寫 

#Step 2. 
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 

faces = face_cascade.detectMultiScale(gray, 1.1, 4) 

for (x, y, w, h) in faces: 
	cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

Step 2.

我們要先透過cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)把影像轉換成灰階，並用gray變數存起來。

之所以在做影像辨識時要將圖片轉成灰階，是由於將圖片轉換成灰階可以簡化影像處理的過程，提高運算效率，並在某些情況下提高辨識的準確度。舉個例子，在人臉辨識中，我們通常會將彩色人臉圖像轉換為灰階圖，因為人臉的主要特徵，如眼睛、鼻子、嘴巴等，在灰階圖中仍然清晰可見。而彩色資訊，如膚色等，對於人臉辨識來說並不重要，反而可能引入不必要的雜訊。

💡💡補充：
face_cascade.detectMultiScale(灰階圖片, 縮放比例, 檢測次數)

1.1 這是 scaleFactor 參數，用來設定每次圖像尺寸縮放的比例（這個參數是用來處理圖片中不同大小的人臉）：
值越接近 1，檢測會越精確，但運算時間會增加
。例如 1.1 表示每次將圖片縮小 10%
。如果設為 1.2 則每次縮小 20%

4 這是 minNeighbors 參數，表示每個候選區域至少要檢測到幾次才算是真的人臉：
。值越大，誤判率越低，但可能會漏掉一些人臉
。值越小，可以檢測到更多人臉，但可能會有更多誤判
。一般建議值在 3-6 之間

我們可以透過這行簡單的程式，套用「正臉」臉部辨識的函式，faces = face_cascade.detectMultiScale(gray, 1.1, 4)，而face所會得到的資料是一個多維矩陣的格式，每個矩陣中包含(x, y, w, h)，分別代表每個所判定到的人臉的在圖片中的位子以及大小。

有了資料之後，便可以開始把辨識到的人臉框起來（將資料視覺化），可以透過一個for迴圈讀取faces中的每個矩陣，並用其中的(x, y, w, h)資料透過cv2.rectengle函式在圖片中畫出一個矩形的框框，
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

for (x, y, w, h) in faces: 
	... #接著上面的程式碼繼續寫 
	
	#Step 3. 
	cv2.imshow('img',img) 
	cv2.waitKey(0) 
	cv2.destroyAllWindows()

Step 3.

💡 補充：cv2.imshow(窗口名稱, 圖片)

最後，我們只需要透過cv2.imshow()指令上畫面顯示出來即可。

恭喜你完成了第一個OpenCV的程式！這就是一個最簡單使用OpenCV中內建的函式的其中一種方式，寫完後也可以嘗試更改看看face_cascade.detectMultiScale(gray, 1.1, 4) 中的參數，或是更換成其他圖片，並看看差異在哪裡～

完整程式碼

import cv2 

# 讀取圖片 
img = cv2.imread('Nicolas.jpeg') 

cv2.imshow('orig img',img) 

# 使用「正臉」的人臉辨識系統 
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') 

#將圖片轉換成灰階 
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 

#讀取圖片中的所有人臉 
faces = face_cascade.detectMultiScale(gray, 1.1, 4) 

#在畫面中畫出框框 
for (x, y, w, h) in faces: 
	cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) 

# 顯示最後結果（圖片） 
cv2.imshow('img',img) 
cv2.waitKey(0) 
cv2.destroyAllWindows()

結論

OpenCV 是一個厲害且普遍的開源電腦視覺函式庫，特別適合想要入門影像處理的程式開發者。它最常用於 Python 程式語言，提供了豐富的工具和函式來處理圖片與視訊。初學者可以從基本的圖片操作開始，例如讀取、顯示和儲存圖片，這些都只需要幾行簡單的程式碼就能完成。進階一點的功能包括調整圖片大小、裁剪、旋轉、模糊化等基本影像處理，這些都是建立更複雜應用的基礎，在往下研究的話，也能透過tensorflow等套件自己訓練模型。若對於此OpenCV影像辨識的領域有興趣，上網自學也是一個很好的方式，由於它是很熱門的套件，所以網路上的資源是相當多，相信你可以玩出一些新花樣！。

進階思考

除了OpenCV這種影像辨識的套件還有其他類似的套件嗎？有的，而且也不少，以下我整理了一不同難度的套件，之後有感興趣的話也歡迎研究看看！

• 入門學習：
• • OpenCV + Pillow：基礎影像處理
  • TensorFlow/Keras：深度學習入門
• 專案開發：
• • 網頁應用：MediaPipe
  • 行動應用：TensorFlow Lite
  • 研究專案：PyTorch
  • 即時處理：Dlib
• 特定應用：
• • 人臉辨識：Dlib + OpenCV
  • 物件偵測：Detectron2
  • 姿態估計：MediaPipe
  • 圖片處理：Pillow + Scikit-image