Χρησεις

• Υπολογισμοί με βάση τη θέση της κάμερας
• Αναγνώριση προσώπου
• Αναγνώριση κινήσεων
• Human–computer interaction (HCI)
• Κινητά ρομπότ
• Ταυτοποίηση Αντικειμένων
• Στερεοσκοπική οπτική
• Παρακολούθηση κίνησης
• Επαυξημένη πραγματικότητα

Λόγο των δυνατοτήτων του, το OpenCV υποστηρίζεται σχεδόν σε όλες τις διαθέσιμες πλατφόρμες

Desktop

• Linux
• Mac OS X
• Windows
• FreeBSD
• OpenBSD

Mobile

• Android
• iOS
• Windows
• Blackberry 10
• Maemo

Find track boundaries

Read QR Codes

Find objects…

and people

Examples

Basics

Imports

import cv2                                  # OpenCV functions
import cv2.cv as cv                          # Older OpenCV functions
from sensor_msgs.msg import Image, CameraInfo # ROS related
from cv_bridge import CvBridge, CvBridgeError  # Bridge from ROS to OpenCV
import numpy as np                              # Math library for image processing
                

Create window

self.cv_window_name = self.node_name2
cv.NamedWindow(self.cv_window_name, cv.CV_WINDOW_NORMAL)
cv.MoveWindow(self.cv_window_name, 25, 75)
                

Create a subscriber

self.image_sub = rospy.Subscriber("/camera/rgb/image_color", 
                      Image, self.image_callback)
                

From ROS Obj to OpenCV Obj

def image_callback(self, ros_image):
    # Use cv_bridge() to convert the ROS image to OpenCV format 
    try:
        frame = self.bridge.imgmsg_to_cv(ros_image, "bgr8") 
    except CvBridgeError, e:
        print e
                

Convert to Numpy array

frame = np.array(frame, dtype=np.uint8)
                

Proccess image

def process_image(self, frame):
    # Convert to greyscale
    grey = cv2.cvtColor(frame, cv.CV_BGR2GRAY)

    # Blur the image
    grey = cv2.blur(grey, (7, 7))4

     # Compute edges using the Canny edge filter
    edges = cv2.Canny(grey, 15.0, 30.0)

    return edges
                

Whole Demo