OpenCV в Python: зачем нужен и как использовать для работы с изображениями

Библиотека OpenCV уже давно стала золотым стандартом в мире компьютерного зрения. Эта мощная, открытая и, что немаловажно, бесплатная библиотека позволяет разработчикам научить компьютеры «видеть» и анализировать изображения почти так же, как это делают люди. От распознавания лиц в социальных сетях до автономных транспортных средств – OpenCV используется везде, где машине нужно интерпретировать визуальную информацию.

В этой статье мы разберемся с основами OpenCV в Python – от установки и простейших операций с изображениями до сложных алгоритмов распознавания объектов. Материал будет полезен как новичкам в компьютерном зрении, так и опытным разработчикам, желающим структурировать свои знания и узнать о новых возможностях библиотеки.

Что такое OpenCV?

OpenCV (Open Source Computer Vision Library) – это библиотека с открытым исходным кодом, предназначенная для решения задач компьютерного зрения и машинного обучения. Она предлагает впечатляющий набор из более 2500 алгоритмов – от базовых функций обработки изображений до продвинутых методов распознавания объектов и анализа движения.

Изначально библиотека была разработана Intel в 1999 году, но затем превратилась в независимый проект с активным сообществом разработчиков. Сегодня её используют технологические гиганты вроде Google, Microsoft, IBM и Sony – что, согласитесь, неплохая рекомендация для технологии. Хотя основной код написан на C++, OpenCV имеет интерфейсы для Python, Java, MATLAB и других языков, причем Python-интерфейс является одним из самых популярных благодаря своей простоте и эффективности.

Почему же именно OpenCV, а не какая-нибудь другая модная библиотека? Ну, тут всё достаточно прозрачно и логично (как на чисто вымытом окне, через которое ведется компьютерное зрение – каламбур так себе, но мы работаем над этим):

В общем, если вам нужно научить компьютер понимать визуальную информацию – OpenCV это, как говорится, no-brainer, особенно если вы предпочитаете Python. И вам не придется продавать почку для оплаты лицензии, что в наши непростые времена является существенным плюсом.

Где используется OpenCV?

Ключевые сферы применения

Вы, возможно, думаете: «Ну хорошо, библиотека для компьютерного зрения – звучит круто, но зачем мне это в реальной жизни?» И тут я вас удивлю – вы взаимодействуете с результатами работы OpenCV практически каждый день, просто не подозреваете об этом. Компьютерное зрение уже давно вышло за пределы лабораторий и научных статей, и теперь буквально окружает нас повсюду, как надоедливые родственники на семейном празднике.

• Распознавание объектов и лиц – вспомните, как Facebook (или Meta, если вы уже привыкли к ребрендингу) предлагает отметить друзей на фотографиях, а ваш смартфон разблокируется, увидев ваше заспанное лицо. Или как камеры видеонаблюдения в торговом центре отслеживают перемещения посетителей. Все это – OpenCV в действии, хотя, возможно, и с некоторыми проприетарными модификациями.
• Медицинские технологии – здесь компьютерное зрение помогает выявлять аномалии на рентгеновских снимках, МРТ и КТ с точностью, иногда превосходящей опытных врачей. Представьте себе: алгоритм, который никогда не устает, не отвлекается на личные проблемы и видит то, что человеческий глаз может пропустить. Не уверен, стоит ли радоваться или беспокоиться по этому поводу, но технология определенно впечатляет.
• Промышленная автоматизация – системы контроля качества на производстве, сортировка продукции, считывание штрих-кодов и QR-кодов, и всё это быстрее и точнее, чем могли бы делать человеческие операторы (которые, к тому же, имеют обыкновение требовать перерывы, отпуска и прочие неудобные для бизнеса вещи).
• Автономные системы – беспилотные автомобили используют компьютерное зрение для навигации, распознавания дорожных знаков и предотвращения столкновений. Дроны применяют его для облета препятствий и картографирования местности. Роботы-пылесосы – чтобы не падать с лестницы и не поедать ваши носки (хотя тут, судя по отзывам, еще есть над чем работать).
• Анализ видео и изображений – улучшение качества изображения, стабилизация видео, распознавание текста (OCR), поиск похожих изображений. Когда вы ищете в Google по картинке или переводите фото документа в текст – это тоже компьютерное зрение.
• Развлекательные технологии – фильтры в Instagram и Snapchat, реалистичные эффекты в видеоиграх, технологии дополненной реальности. Все эти кроличьи ушки и радужные рвоты – тоже заслуга алгоритмов компьютерного зрения (спасибо или проклинайте их, в зависимости от того, сколько таких фото в вашей ленте).

Список можно продолжать долго, но суть ясна – компьютерное зрение уже глубоко интегрировано в современный мир. И OpenCV играет в этом не последнюю роль, предоставляя разработчикам инструменты для создания всех этих технологий, без необходимости изобретать велосипед с нуля (или скорее «глаз с нуля», если следовать нашей метафоре).

Установка OpenCV в Python

Установка через pip

Установка OpenCV в Python проста, как две строчки кода. В отличие от некоторых других библиотек, которые заставляют вас танцевать с бубном вокруг зависимостей и компиляторов, тут всё гораздо цивилизованнее. Открываете терминал или командную строку и вводите заветное заклинание:

pip install opencv-python

И вуаля! Базовая версия OpenCV установлена. Но если вы из тех, кто считает, что «базовый» – это скучно и недостаточно, и вам нужны все дополнительные модули (а там есть на что посмотреть – от 3D-реконструкции до text-to-speech), то выбирайте расширенную версию:

pip install opencv-contrib-python

Между прочим, стоит отметить разницу между этими двумя пакетами. opencv-python содержит только основные модули, которых достаточно для большинства задач (и занимает меньше места на диске – что немаловажно, если вы работаете на древнем ноутбуке, который начинает кашлять при установке любой библиотеки размером больше 100 МБ). А opencv-contrib-python включает все дополнительные модули, экспериментальные алгоритмы и новейшие разработки. Выбор за вами – быть минималистом или максималистом.

На изображении показан симулированный вывод командной строки Windows, демонстрирующий процесс установки библиотеки OpenCV в Python. Первая команда устанавливает базовую версию opencv-python, вторая — расширенную opencv-contrib-python, включающую дополнительные модули. Зеленый текст на черном фоне имитирует внешний вид терминала, что помогает новичкам заранее понять, как должен выглядеть процесс установки при успешном выполнении

Проверка работоспособности

Чтобы убедиться, что установка прошла успешно (и не придется через полчаса отлаживать непонятные ошибки), выполните простую проверку:

import cv2

print(cv2.__version__)

Если вы видите номер версии вместо красного сообщения об ошибке – поздравляю, вы только что сделали первый шаг в мир компьютерного зрения! Если же видите ошибку… ну, добро пожаловать в реальный мир разработки, где 90% времени уходит на устранение проблем, а не на написание кода.

Основные функции OpenCV (базовые операции)

Чтение, отображение и сохранение изображений

Итак, вы установили OpenCV и теперь сидите, глядя на пустой редактор кода, и думаете: «И что же мне с этим делать?» Начнем с базовых операций – чтения, отображения и сохранения изображений, без которых в компьютерном зрении вы далеко не уедете (примерно как автомобиль без колес – технически это всё ещё автомобиль, но пользы от него немного).

Загрузка изображения выполняется с помощью функции cv2.imread:

import cv2

# Путь может быть относительным или абсолютным - главное, чтобы файл существовал

image = cv2.imread('путь/к/изображению.jpg')

Казалось бы, что может быть проще? Но OpenCV умудряется внести хаос даже в этот простой процесс. Дело в том, что библиотека читает изображения в формате BGR (синий-зеленый-красный), а не в привычном RGB (красный-зеленый-синий). Почему? История умалчивает. Возможно, разработчики решили, что компьютерное зрение должно видеть мир иначе, чем люди – в конце концов, это же не человеческое зрение!

Теперь, когда у нас есть изображение, давайте покажем его миру (или хотя бы себе):

cv2.imshow('Название окна', image)

cv2.waitKey(0)  # Ждем нажатия любой клавиши

cv2.destroyAllWindows()  # Закрываем все окна OpenCV

Функция waitKey(0) – это не просто декоративный элемент. Без нее изображение мелькнет на экране и тут же исчезнет, оставив вас в недоумении – было ли что-то или показалось? Если вместо 0 указать число, например 1000, изображение будет отображаться указанное количество миллисекунд.

Сохранение изображения – это как чтение, только наоборот:

cv2.imwrite('новое_изображение.jpg', image)

Работа с цветами и преобразование изображений

Как я уже упоминал, OpenCV использует формат BGR вместо RGB, что может привести к интересным результатам, если вы не знаете об этом (например, все ваши красные объекты вдруг станут синими, и наоборот). Если вы хотите работать в RGB, можно конвертировать изображение:

rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

Преобразование в оттенки серого – классическая операция в обработке изображений (и часто первый шаг перед более сложными алгоритмами):

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

Бинаризация (преобразование в черно-белое изображение) – еще одна фундаментальная операция:

_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

Здесь 127 – пороговое значение (всё, что темнее, станет черным, всё, что светлее – белым), 255 – максимальное значение для пикселей. Загадочный символ _ в начале игнорирует первое возвращаемое значение – порог, который был использован для бинаризации (в данном случае мы его сами задали, поэтому он нам не интересен).

Операции с изображениями

Изменение размера изображения – частая операция, особенно если вы работаете с моделями машинного обучения, которые требуют входных данных определенного размера:

# Уменьшаем изображение вдвое

resized_image = cv2.resize(image, (image.shape[1]//2, image.shape[0]//2))

# Или задаем конкретный размер

resized_image = cv2.resize(image, (300, 200))

Обрезка изображения в OpenCV выполняется через синтаксис срезов NumPy:

# Обрезаем центральную часть изображения

cropped_image = image[100:300, 200:400]

Поворот требует чуть больше кода – нужно создать матрицу поворота:

rows, cols = image.shape[:2]

M = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1)  # поворот на 90 градусов вокруг центра

rotated_image = cv2.warpAffine(image, M, (cols, rows))

Размытие – полезная операция для уменьшения шума и деталей:

blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

Параметр (5, 5) определяет размер ядра размытия – чем больше числа, тем сильнее эффект размытия. Числа должны быть нечетными, иначе ядро не будет иметь четко определенного центра, и OpenCV выразит свое недовольство ошибкой.

Рисование на изображении

OpenCV позволяет рисовать на изображениях различные примитивы – линии, прямоугольники, круги и даже текст:

# Создаем копию изображения, чтобы не испортить оригинал

canvas = image.copy()

# Рисуем линию

cv2.line(canvas, (0, 0), (200, 200), (0, 0, 255), 5)  # красная линия толщиной 5 пикселей

# Рисуем прямоугольник

cv2.rectangle(canvas, (300, 100), (500, 300), (255, 0, 0), 3)  # синий прямоугольник

# Добавляем текст

cv2.putText(canvas, "Hello, OpenCV!", (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

Обратите внимание на формат цвета – он в BGR! Поэтому (0, 0, 255) – это красный, а не синий. Это та самая особенность OpenCV, о которой я уже упоминал и которая может привести к неожиданным результатам, если вы о ней забудете.

Это базовые операции, которые помогут вам начать работу с OpenCV. Они простые, но мощные – комбинируя их, вы уже можете создавать вполне функциональные приложения для обработки изображений. Но мы только начали – дальше будет еще интереснее!

Расширенные возможности OpenCV

Обнаружение контуров

Если базовые операции с изображениями – это азбука компьютерного зрения, то обнаружение контуров – это уже первые полноценные фразы. Контуры – это границы объектов на изображении, и их выделение – ключевой шаг для распознавания форм и объектов.

Процесс обычно начинается с преобразования изображения в оттенки серого и применения бинаризации или детектора краев. Затем на этой основе находятся контуры:

import cv2

import numpy as np

# Загружаем изображение и преобразуем в оттенки серого

image = cv2.imread('objects.jpg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Применяем размытие для уменьшения шума

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Бинаризация изображения

_, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)

# Находим контуры

contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# Рисуем найденные контуры на оригинальном изображении

cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

Функция findContours возвращает список контуров – каждый из которых представляет собой набор точек, образующих замкнутую форму. Флаг cv2.RETR_EXTERNAL указывает, что мы ищем только внешние контуры (игнорируя «дырки» внутри объектов), а cv2.CHAIN_APPROX_SIMPLE говорит о том, что мы хотим упрощенное представление контуров (например, прямоугольник будет представлен всего четырьмя точками, а не всеми точками периметра).

Можно также отфильтровать контуры по размеру, чтобы избавиться от шумов:

filtered_contours = []

for contour in contours:

   area = cv2.contourArea(contour)

    if area > 500:  # Минимальная площадь контура в пикселях

        filtered_contours.append(contour)

Распознавание лиц

Распознавание лиц – одна из самых популярных задач компьютерного зрения, и OpenCV предоставляет для этого готовые инструменты, в частности, каскады Хаара – алгоритм, разработанный ещё в 2001 году, но до сих пор актуальный благодаря своей скорости и простоте.

import cv2

# Загружаем предобученный каскад для распознавания лиц

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# Загружаем изображение и преобразуем в оттенки серого

image = cv2.imread('group_photo.jpg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Находим лица

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# Рисуем прямоугольники вокруг найденных лиц

for (x, y, w, h) in faces:

    cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

Метод detectMultiScale принимает несколько параметров, которые влияют на точность и скорость распознавания:

• scaleFactor – определяет, насколько уменьшается размер изображения при каждом масштабе (значение 1.1 означает уменьшение на 10%).
• minNeighbors – определяет, сколько «соседей» должен иметь каждый кандидат в лица, чтобы считаться лицом. Увеличение этого параметра снижает количество ложных срабатываний, но может пропустить некоторые лица.
• minSize – минимальный размер лица, которое мы хотим найти.

Каскады Хаара есть не только для лиц, но и для глаз, улыбок и других объектов. Однако, стоит отметить, что этот метод не самый современный и может давать сбои при сложном освещении, поворотах головы или частичном перекрытии лица.

Работа с видео

OpenCV позволяет обрабатывать не только статичные изображения, но и видеопотоки – будь то видеофайлы или изображение с камеры:

import cv2

# Открываем видеофайл или камеру (0 - обычно веб-камера)

cap = cv2.VideoCapture('video.mp4')  # или cap = cv2.VideoCapture(0)

while True:

    # Считываем кадр

    ret, frame = cap.read()

   

    # Проверяем, успешно ли считан кадр

    if not ret:

        break

   

    # Здесь можно обрабатывать кадр, например, находить лица

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.1, 5)

   

    for (x, y, w, h) in faces:

        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

   

    # Отображаем результат

    cv2.imshow('Video', frame)

   

    # Выход при нажатии клавиши 'q'

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

# Освобождаем ресурсы

cap.release()

cv2.destroyAllWindows()

Для отслеживания движущихся объектов можно использовать разные подходы. Один из простейших – вычитание фона:

# Создаем вычитатель фона

background_subtractor = cv2.createBackgroundSubtractorMOG2()

while True:

    ret, frame = cap.read()

    if not ret:

        break

   

    # Применяем вычитание фона

    foreground_mask = background_subtractor.apply(frame)

   

    # Находим контуры движущихся объектов

    contours, _ = cv2.findContours(foreground_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

   

    # Рисуем рамки вокруг движущихся объектов

    for contour in contours:

        if cv2.contourArea(contour) > 500:  # Фильтруем мелкие шумы

            (x, y, w, h) = cv2.boundingRect(contour)

            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

   

    cv2.imshow('Motion Detection', frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

Это лишь верхушка айсберга расширенных возможностей OpenCV. Библиотека предлагает множество других алгоритмов – от сопоставления шаблонов и выделения особых точек до оптического потока и 3D-реконструкции. Выбор конкретных инструментов зависит от специфики вашей задачи и доступных вычислительных ресурсов.

OpenCV и машинное обучение

Хотя OpenCV и сам по себе довольно мощный инструмент, настоящая магия начинается, когда вы объединяете его с современными алгоритмами машинного обучения. Это как взять старый добрый нож (весьма острый и полезный инструмент) и модернизировать его до лазерного меча – функциональность та же, но возможности и эффектность просто космические.

Иллюстрация демонстрирует, как нейросеть YOLO определяет и выделяет объекты на изображении. Каждый объект обведён прямоугольником и снабжён подписью с названием класса и уровнем уверенности модели.

В современном компьютерном зрении нейронные сети доминируют практически во всех задачах – от классификации изображений до семантической сегментации. И OpenCV не остался в стороне от этого тренда, предлагая модуль dnn (Deep Neural Networks), который позволяет использовать предварительно обученные нейросети.

Приведу пример использования модели YOLO (You Only Look Once) – одной из самых популярных нейросетей для обнаружения объектов. YOLO настолько быстра, что может работать в режиме реального времени даже на среднестатистическом ноутбуке (хотя, конечно, с GPU всё работает гораздо шустрее).

import cv2

import numpy as np

# Загружаем YOLO

net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")

layer_names = net.getLayerNames()

output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# Загружаем классы объектов

with open("coco.names", "r") as f:

    classes = [line.strip() for line in f.readlines()]

# Загружаем изображение

image = cv2.imread("room.jpg")

height, width, channels = image.shape

# Предобработка изображения

blob = cv2.dnn.blobFromImage(image, 0.00392, (416, 416), (0, 0, 0), True, crop=False)

net.setInput(blob)

outs = net.forward(output_layers)

# Информация для отображения

class_ids = []

confidences = []

boxes = []

# Обработка результатов

for out in outs:

    for detection in out:

        scores = detection[5:]

        class_id = np.argmax(scores)

        confidence = scores[class_id]

        if confidence > 0.5:  # Порог уверенности

            # Координаты объекта

            center_x = int(detection[0] * width)

            center_y = int(detection[1] * height)

            w = int(detection[2] * width)

            h = int(detection[3] * height)

           

            # Координаты прямоугольника

            x = int(center_x - w / 2)

            y = int(center_y - h / 2)

           

            boxes.append([x, y, w, h])

            confidences.append(float(confidence))

            class_ids.append(class_id)

# Подавление не-максимумов (чтобы убрать дублирующие рамки)

indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# Рисуем рамки и подписи

for i in range(len(boxes)):

    if i in indexes:

        x, y, w, h = boxes[i]

        label = str(classes[class_ids[i]])

        confidence = confidences[i]

        color = (0, 255, 0)  # Зеленый цвет для рамки

        cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)

        cv2.putText(image, f"{label} {confidence:.2f}", (x, y - 10),

                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

# Отображаем результат

cv2.imshow("Object Detection", image)

cv2.waitKey(0)

cv2.destroyAllWindows()

Интеграция с TensorFlow или PyTorch – еще один мощный подход. Вы можете использовать OpenCV для предобработки изображений и потоковой передачи кадров, а затем передавать их в модель, обученную в одном из этих фреймворков:

import cv2

import numpy as np

import tensorflow as tf

# Загружаем предобученную модель (например, MobileNet)

model = tf.keras.applications.MobileNetV2(weights='imagenet')

# Функция для предсказания

def predict_image(img):

    # Предобработка для MobileNet

    img = cv2.resize(img, (224, 224))

    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # OpenCV использует BGR, TensorFlow - RGB

    img = img / 255.0  # Нормализация

    img = np.expand_dims(img, axis=0)  # Добавляем размерность батча

   

    # Предсказание

    predictions = model.predict(img)

    return tf.keras.applications.mobilenet_v2.decode_predictions(predictions, top=3)[0]

# Захват видео с камеры

cap = cv2.VideoCapture(0)

while True:

    ret, frame = cap.read()

    if not ret:

        break

   

    # Получаем предсказания

    results = predict_image(frame)

   

    # Отображаем результаты на кадре

    y = 30

    for i, (_, label, prob) in enumerate(results):

        text = f"{label}: {prob*100:.2f}%"

        cv2.putText(frame, text, (10, y + i*30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)

   

    cv2.imshow("Classification", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

cap.release()

cv2.destroyAllWindows()

OpenCV также может использоваться для сегментации изображений с помощью сетей, таких как Mask R-CNN или U-Net. Это позволяет не просто находить объекты, но и точно выделять их границы:

# Пример загрузки и использования Mask R-CNN

net = cv2.dnn.readNetFromTensorflow('mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb',

                                    'mask_rcnn_inception_v2_coco_2018_01_28/mask_rcnn_inception_v2_coco_2018_01_28.pbtxt')

# Настройки сети

blob = cv2.dnn.blobFromImage(image, swapRB=True)

net.setInput(blob)

# Получаем маски и ограничивающие рамки

boxes, masks = net.forward(['detection_out_final', 'detection_masks'])

# Далее следует обработка результатов и визуализация

# ...

Машинное обучение и компьютерное зрение – идеальная пара, как кофе и утро понедельника. OpenCV в этой паре играет роль связующего звена между сырыми данными и интеллектуальными алгоритмами, обеспечивая удобный интерфейс для работы с изображениями и видео. Конечно, для серьезных современных задач OpenCV часто используется в сочетании с более специализированными библиотеками, но его место в экосистеме компьютерного зрения остается прочным.

Заключение

Вот мы и пробежались по основным возможностям OpenCV для Python – от простейших операций вроде открытия изображения до интеграции с нейронными сетями для решения сложных задач компьютерного зрения. И хотя эта статья лишь верхушка айсберга (на самом деле, скорее снежинка на вершине айсберга, учитывая колоссальные возможности библиотеки), надеюсь, она дала вам представление о том, что можно сделать с помощью OpenCV.

Компьютерное зрение – одна из тех областей ИИ, которая уже сейчас глубоко интегрирована в нашу повседневную жизнь, и её влияние будет только расти. От автомобилей, которые сами находят дорогу, до телефонов, распознающих наши лица – всё это результат работы алгоритмов, схожих с теми, о которых мы говорили в этой статье.

Если вы только начинаете свой путь в компьютерном зрении – не пытайтесь охватить всё сразу. Начните с простого проекта, например, с распознавания объектов определенного типа или с создания фильтра для изображений. Постепенно усложняйте задачи, изучайте новые алгоритмы и методы. И помните – практика намного важнее теории. Можно прочитать тысячи статей об OpenCV, но без реальных проектов, без ошибок и их исправления, без экспериментов и неудач настоящего понимания не придет.

А если вы уже опытный разработчик – возможно, эта статья напомнила вам о каких-то функциях или подходах, которые вы давно не использовали. В мире, где все гонятся за новейшими нейросетями, иногда полезно вспомнить о классических методах, которые порой могут быть более эффективными для конкретной задачи.

Удачи вам в изучении и применении OpenCV! Пусть ваши алгоритмы будут быстрыми, а результаты – точными.

Если вы хотите глубже погрузиться в Python и освоить не только OpenCV, но и другие ключевые инструменты программирования, рекомендуем обратить внимание на подборку курсов по Python на сайте Kurshub. Там собраны актуальные обучающие программы по самым разным направлениям — от основ синтаксиса до работы с нейросетями и компьютерным зрением.