opencv在CV, ML, DIP等領域處於什麼地位？

01-03

在工業界和學術界，opencv在計算機視覺，機器學習/模式識別，圖像處理等領域處於何種地位？

硬體廠商重要的跑分工具，廣大大學生畢業的好幫手，CV創業必備的軟體庫

最快（之一）最好用的矩陣運算庫+最順手最全的常用圖像處理演算法庫+功能齊全且夠用的ml演算法庫+方便使用的cuda

而且依託於c++天生的高性能和python的易用性，已經成為工業界事實的標準以及在學術界Matlab最致命的競爭對手。

樓下匿名用戶說的，「自動化所模式識別的博士們：你做的太爛了，跟opencv一個水平。」opencv里實現的都是經典的圖像處理演算法，有相當一部分是八九十年代就發出來的paper。這個博士嘲笑的是，你做出來的research居然又把古人的輪子重造了一遍，連opencv都實現過一遍了。如果這個博士真的是嘲笑opencv本身項目的代碼質量的話，喝喝，那我對自動化所又有了新的認識……

OpenCV通常是做原型開發的一個工具。大部分時候只是用來做Image/Video IO, Image Processing. 在圖像處理方面OpenCV還是做得很好的，這得益於早期C版本的鋪墊。OpenCV的一些Vision相關的高級演算法實現基本都不是最好的，也就是說你都可以找到更好的實現，比如決策樹，比如svm，比如攝像頭標定……等等。

我盤裡面現在還有最早的OpenCV的源代碼。

那個時候OpenCV還是純C寫的，沒事的時候就看OpenCV源代碼學習圖像處理演算法。

OpenCV早期的C版本是寫得我認為很好的。到了2.x，主要都是C++了，整體質量感覺下降了很多。

我工作之餘寫代碼還是會用OpenCV的IO層代碼，確實方便。真正做項目的時候，有時候連顏色空間轉換，resize這樣的功能都需要自己手寫或者定製。

我覺得OpenCV現在並不是一個適用於產品開發的庫。質量比較高的庫，比如VLFeat，比如Leptonica，這些庫都十分清晰容易讀。結構和邏輯都清晰一些。

因為OpenCV的關注度高，每年會有很多新的演算法加進去，這可能是我現在唯一關注OpenCV的原因了。

其實不能說什麼地位，基本就是工具，而且CV業界中被使用最多的工具之一，使用得多不一定是他有多好，而是他的功能足夠豐富和強大，加上開發維護的人員都不少，所以能保證一定的可靠性。

因為很多基礎的演算法都封裝成了函數的形式，所以確實適合快速做演算法驗證和測試，但是如果要用在實際應用中，還是有很多可以優化和調整地方。

因為傳統穩定的演算法現在並沒有太多的更新，所以opencv的開發開始走向更多的功能性，例如移植到移動設備上，做GPU函數介面等等。

OpenCV裡面機器學習的庫其實並不是很強大，所以如果真的要做圖片的機器學習，一般不會直用OpenCV的ml庫。

在Deep Learning方面，DL在CV中的地位眾所周知，但是OpenCV在DL方面的顯然追不上其他的DL工具，例如Caffe，但是在一個應用中，結合OpenCV和其他DL工具一起使用，也是常用的方式。

現在用得最多的OpenCV模塊其實就是core,imgproc,imgcodecs,highgui,videoio這幾個，而個人最欣賞的還是Mat的這個類的設計，這個類誕生於OpenCV2.x,貫穿整個OpenCV乃至今後的發展，在圖形演算法中，即使大家不用OpenCV的函數介面，還是應該會沿用他的IO模塊和Mat數據結構的。

最後，必須吐槽，因為OpenCV越來越臃腫，所以在國內下載真的是越拉越麻煩。

最後順一則廣播：

我司組織了一個計算機視覺的開發者交流微信群，目標是彙集【計算機視覺，圖像處理，3D圖像，視頻處理，深度學習，機器學習】的開發者，一起分享開發經驗，共同探討技術，有興趣入群的可以加我微信（WeChat: LaurenLuoYun，二維碼如下），請註明「姓名-公司/學校-技術方向-加群」(純交流的無需添加「加群」)，謝謝。

在Vision方面，想快速試驗新演算法真的很麻煩！比如我看的論文裡面很少用C寫的，OpenCV基礎上的代碼。可能因為研究人員時間比較多，寧願自己寫也不願意學OpenCV。

OpenCV學習曲線有些陡峭。我覺得第三方的尤其煩，很多文檔不完善，更新也跟其他開源項目比比較慢，可靠性不是很高。不懂C的連package都裝不上去因為直接用pip不夠(跟各種其他庫的更新不相容)，文檔又欠缺。現在很多學數學或者物理或者工程的研究人員寧願自己寫openCV的基本功能，因為不願意兼職做dev ops跟OpenCV打交道。

對這些人，我很難說OpenCV好用。他們要是用OpenCV就會很慢，著急的時候寧願用MATLAB，看得我很頭疼，跑也跑不完。。。

我用過OpenCV的python package跟iOS package，最後真的圖像處理部分幾乎都是我重新寫的，有些還很慢，只是用了些不痛不癢的功能，比如I/O跟基本的矩陣變換處理視頻。這些不痛不癢的功能，Objective C跟python都有更native，整合更好的解決方案（儘管有些是在OpenCV基礎上寫的，但是程序員不需要直接跟OpenCV打交道）。有時候就是想神速地弄出一些新的、複雜的演算法的prototype，用OpenCV還要跟其class打交道，煩，沒耐心。

贊同立黨的說法，然後補充一下。opencv是越來越強大了，各種平台的支持也比較多了，就演算法而言，種類足夠多，但是就實用性來說，比起商業演算法庫差的多，在機器視覺領域，想用opencv做東西要做大量的另外的演算法來補充，比如定位，亞像素。在cv領域我想也差不多是這樣吧。然後在演算法優化方面確實有點厲害了，可以看看源碼里，sse和avx優化都有，簡單的演算法速度還可以，稍微複雜點的速度差距就挺大。這點比起商業演算法庫的話差自動多線程並行，多核並行，和自動的內存管理。在機器學習方面的話不太熟悉，但是據說以前鐵道上的檢測就是拿opencv里的各種特徵加svm做的，當然現在很多人都去搞caffe了。在很多細分的方向上都干不過商業演算法庫，但是opencv已經很優秀了，有太多論文源碼都是基於opencv的，感謝intel吧！

3年前用OPENCV的模板匹配庫做了個非常酷的應用

每次用opencv都只用一些io，圖像處理之類的，其他的基本上不看，裡面有最新的演算法啥的其實沒法直接用於工程啊，還是得自己寫，不過可以參考下

opencv的基礎模塊，比如core、imgproc還是不錯的工具，但不一定對特定功能最好，高級一點的應用模塊性能和精度都不咋滴。個人感覺，勿噴。

cv方面感覺工業屆用的opencv比較多吧，學術界用matlab比較多