本书针的读者是高校学生，科研工作者，图像处理爱好者。
对于这些人群，他们往往是带着具体的问题，在苦苦寻找解决方案。
为了一个小问题就让他们去学习C++这么深奥的语言几乎是不可能的。
而Python的悄然兴起给他们带来的希望，如果说C++是tex的话，那Python的易用性相当于word。
他们可以很快的看懂本书的所有代码，并可以学着使用它们来解决自己的问题，同时也能拓展自己的视野。
别人经常说Python不够快，但是对于上面的这些读者，我相信这不是问题，现在我们日常使用的PC机已经无比强大了，而且绝大多数情况下不会用到实时处理，更不会在嵌入式设备上使用。
因此这不是问题。
本书目录：目录I走进OpenCV101关于OpenCV-Python教程102在Windows上安装OpenCV-Python113在Fedora上安装OpenCV-Python12IIOpenCV中的Gui特性134图片134.1读入图像4.2显示图像4.3保存图像4.4总结一下5视频5.1用摄像头捕获视频5.2从文件中播放视频5.3保存视频6OpenCV中的绘图函数6.1画线6.2画矩形6.3画圆6.4画椭圆6.5画多边形6.6在图片上添加文字7把鼠标当画笔7.1简单演示7.2高级一点的示例8用滑动条做调色板8.1代码示例III核心操作9图像的基础操作9.1获取并修改像素值9.2获取图像属性9.3图像ROI9.4拆分及合并图像通道9.5为图像扩边（填充）10图像上的算术运算10.1图像加法10.2图像混合10.3按位运算11程序性能检测及优化11.1使用OpenCV检测程序效率11.2OpenCV中的默认优化11.3在IPython中检测程序效率11.4更多IPython的魔法命令11.5效率优化技术12OpenCV中的数学工具IVOpenCV中的图像处理13颜色空间转换5413.1转换颜色空间13.2物体跟踪13.3怎样找到要跟踪对象的HSV值？14几何变换14.1扩展缩放14.2平移14.3旋转14.4仿射变换14.5透视变换15图像阈值15.1简单阈值15.2自适应阈值15.3Otsu’s二值化15.4Otsu’s二值化是如何工作的？16图像平滑16.1平均16.2高斯模糊16.3中值模糊16.4双边滤波17形态学转换17.1腐蚀17.2膨胀17.3开运算17.4闭运算17.5形态学梯度17.6礼帽17.7黑帽17.8形态学操作之间的关系18图像梯度18.1Sobel算子和Scharr算子8718.2Laplacian算子19Canny边缘检测19.1原理19.1.1噪声去除19.1.2计算图像梯度19.1.3非极大值抑制19.1.4滞后阈值19.2OpenCV中的Canny边界检测20图像金字塔9420.1原理21OpenCV中的轮廓22直方图23图像变换24模板匹配25Hough直线变换26Hough圆环变换27分水岭算法图像分割28使用GrabCut算法进行交互式前景提取29理解图像特征30Harris角点检测31Shi-Tomasi角点检测&适合于跟踪的图像特征32介绍SIFT(Scale-InvariantFeatureTransform)33介绍SURF(Speeded-UpRobustFeatures)34角点检测的FAST算法35BRIEF(BinaryRobustIndependentElementaryFeatures)36.1OpenCV中的ORB算法37特征匹配38使用特征匹配和单应性查找对象39Meanshift和Camshift40.3OpenCV中的Lucas-Kanade光流41背景减除23841.1基础42摄像机标定43姿势估计44对极几何（EpipolarGeometry）45立体图像中的深度地图25945.1基础46K近邻（k-NearestNeighbour）47支持向量机48K值聚类49图像去噪50图像修补51使用Haar分类器进行面部检测

各标定步骤实现方法1计算标靶平面与图像平面之间的映射矩阵计算标靶平面与图像平面之间的映射矩阵，计算映射矩阵时不考虑摄像机的成像模型，只是根据平面标靶坐标点和对应的图像坐标点的数据，利用最小二乘方法计算得到[[ix]].2求解摄像机参数矩阵由计算得到的标靶平面和图像平面的映射矩阵得到与摄像机内部参数相关的基本方程关系，求解方程得到摄像机内部参数，考虑镜头的畸变模型，将上述解方程获得的内部参数作为初值，进行非线性优化搜索，从而计算出所有参数的准确值[[x]].3求解左右两摄像机之间的相对位置关系设双目视觉系统左右摄像机的外部参数分别为Rl,Tl,与Rr,Tr,，即Rl,Tl表示左摄像机与世界坐标系的相对位置，Rr,Tr表示右摄像机与世界坐标系的相对位置[[xi]]。
因此，对于空间任意一点，如果在世界坐标系、左摄像机坐标系和右摄像机坐标系中的坐标分别为Xw,,Xl,Xr，则有:Xl=RlXw+Tl;Xr=RrXw+Tr.因此，两台摄像机之间的相对几何关系可以由下式表示R=RrRl-1;T=Tr-RrRl-1Tl在实际标定过程中，由标定靶对两台摄像机同时进行摄像标定，以分别获得两台摄像机的内、外参数，从而不仅可以标定出摄像机的内部参数，还可以同时标定出双目视觉系统的结构参数[xii]。
由单摄像机标定过程可以知道，标定靶每变换一个位置就可以得到一组摄像机外参数:Rr,Tr,与Rl,Tl，因此，由公式R=RrRl-1;T=Tr-RrRl-1Tl，可以得到一组结构参数R和T

利用opencv2代码实现DLT方法的摄像机标定

MFC+OPENCV开发摄像机标定程序，可控制摄像机的打开关闭，截取符合标定要求的靶标图像，并将标定结果显示在editbox中，包含内外参数，畸变参数。

拥有摄像机标定的程序，matlab编写，很好的，对于图像视觉的研究者很有用处。

一种很简便的摄像机标定程序，基于MATLAB编写

关于Tsai算法的C++源代码。
摄像机标定最经典的算法。

本文首先介绍了摄像机标定原理及图像预处理算法。
其次详细阐述了基于纹理特征的道路检测算法，主要包括Gabor滤波器纹理提取，道路消失点估计和道路区域分割。

自己用matlab编写的张正友标定法，经过多次优化可以得到比较好的效果，内附详细说明文档。

文运用相机标定模型确定了相机像平面的像坐标，利用本质矩阵标定双目相机，快速找出了相机的相对位置关系；
利用MATAB软件和图像处理进行编程求解；
通过对图像的预处理和灰度质心法对模型进行了验证，得出模型的精度。
针对问题一，根据数码相机的特点，提出了一个新的标定方法，建立相机标定模型，确定了靶标上圆的圆心在该相机像平面的像坐标，为问题二的计算提供了一个好的算法。
针对问题二，我们利用问题一建立的模型和方法运用MATLAB编程精确的计算了靶标上五个圆的圆心在像平面上的像坐标。
针对问题三，我们引入了灰度质心法及像差模型对前述问题的模型的稳定性和坐标值精度进行检验后，发现两种模型的中心坐标值的误差值在[0~3]个像素区间内，说明前述模型的计算结果的精度很高，通过像差模型得出其径向畸变系数趋于无穷小，认为前述模型有很好的稳定性。
针对问题四，我们提出了一种改进的的立体摄像机标定方法，通过双目匹配点，线性地求解本质矩阵，快速找出摄像机的相对位置关系。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。