無論你是做科學研究，還是商業應用，opencv都可以作爲你理想的工具庫，因爲，對於這兩者，它完全是免費的。
該庫採用C及C++語言編寫，可以在windows, linux, mac OSX系統上面運行。該庫的所有代碼都經過優化，計算效率很高，因爲，它更專注於設計成爲一種用於實時系統的開源庫。opencv採用C語言進行優化，而且，在多核機器上面，其運行速度會更快。它的一個目標是提供友好的機器視覺接口函數，從而使得複雜的機器視覺產品可以加速面世。該庫包含了橫跨工業產品檢測、醫學圖像處理、安防、用戶界面、攝像頭標定、三維成像、機器視覺等領域的超過500個接口函數。
同時，由於計算機視覺與機器學習密不可分，該庫也包含了比較常用的一些機器學習算法。或許，很多人知道，圖像識別、機器視覺在安防領域有所應用。但，很少有人知道，在航拍圖片、街道圖片（例如google street view）中，要嚴重依賴於機器視覺的攝像頭標定、圖像融合等技術。
近年來，在入侵檢測、特定目標跟蹤、目標檢測、人臉檢測、人臉識別、人臉跟蹤等領域，opencv可謂大顯身手，而這些，僅僅是其應用的冰山一角。
如今，來自世界各地的各大公司、科研機構的研究人員，共同維護支持着opencv的開源庫開發。這些公司和機構包括：微軟，IBM，索尼、西門子、google、intel、斯坦福、MIT、CMU、劍橋。。。。
對於數據獲取，計算機視覺領域的數據，無非就是圖片和視頻兩種。圖片，有bmp,jpg,png,tiff....各種壓縮和非壓縮格式。所以，對壓縮格式的圖片而言，OpenCV內部必然包含了對應的圖片解壓縮函數(一般都是包含了開源的圖片解壓函數庫，例如，對於jpg壓縮格式而言，就包含了libjpg開源庫)。而對於視頻而言，常見的有.rmvb,.avi,.asf等格式，不同的格式，代表着不同的視頻壓縮算法(對於AVI格式，儘管都是avi格式，但內部的壓縮算法仍然不相同。具體原因請參考我的另一篇博客:http://blog.csdn.net/carson2005/article/details/6314089)，也就需要對應的解壓算法來解壓。儘管OpenCV提供了一些讀寫視頻文件的API，但是，它也僅僅是一個接口而已，其內部，依然需要調用相應的視頻編解碼器的API來進行解碼。常用的視頻編解碼器有：xvid,ffmpeg等。也就是說，如果你想利用OpenCV來進行視頻讀寫之類的操作，是需要安裝此類視頻編解碼器的。安裝了相應的視頻解碼器之後，你就可以調用OpenCV的視頻相關API來進行視頻文件的讀取操作了，當然，視頻文件被解碼之後，變成了一張一張的圖片，然後才能被OpenCV所處理。另外，還有一種情況，就是數據來自於相機，包括數字相機和模擬相機。不管是哪種相機，你都要想辦法獲取到相機發送給PC的圖片數據（PC在內存裏面接收到的來自相機的數據可能是jpg格式，也可能是bmp格式）。如果，你在PC內存中接收到的是相機發送過來的jpg壓縮格式，還需要進行圖片數據的內存解壓。關於相機和OpenCV的這部分內容，請見我另一篇博客：
http://blog.csdn.net/carson2005/article/details/6243476
對於預處理，一般就是去除或者降低噪聲，光照歸一化，亮度歸一化，模糊化，銳化，膨脹，腐蝕、開閉等這些操作（詳見，岡薩雷斯，《數字圖像處理》一書）。而對於這些操作，OpenCV分別(又提到這個詞了)提供了相應API函數。而光照的預處理，OpenCV提供了一個直方圖均衡化的API，後續可能會提供一些gammar矯正之類的函數。
對於特徵提取，個人認爲，可以算是整個計算機視覺系統中最爲複雜也最難的部分（純屬個人意見，如有異議，請保留），到底什麼是特徵，該如何來理解這個看似簡單卻又包羅萬象的名詞呢？其實，要想仔細解釋，還真的花費很多時間（有興趣的可以看看，Richard O.Duda（著），李宏東（譯），《模式識別》，機械工業出版社）。簡單點說，特徵，就是一個可以將若干個類別可以儘量分開的一種描述。舉例來說，如果你要進行男人和女人的分類，顯然，用“身高和體重”這一描述來衡量，是可以的，但是，這兩個描述沒有“胸部大小”這一描述更加準確，而“胸部大小”這一描述，又沒有“喉結的有無”這一描述更準確。很顯然，“身高和體重”，“胸部大小”，“喉結的有無”，這三種描述，都可以用來進行男人和女人的分類，只不過，它們對事物的描述的準確（或者說全面）程度是不同的，而諸如此類的描述，有一個更加專業的稱謂，叫做“特徵”。OpenCV裏面，提供了一些特徵描述的API，比如，對於人臉檢測而言，它提供了haar特徵的API，行人檢測，提供了hog特徵的API，甚至，它提供了LBP紋理特徵的API。但是，這些還遠遠不夠。例如，如果你要進行字符識別，OpenCV並沒有提供字符識別所對應的特徵。這個時候，就需要你自己來編程實現了。當然，該選擇什麼特徵來描述字符呢？哪些特徵更好呢？對於這些問題，我建議你去閱讀相應的會議，期刊，雜誌，碩士、博士畢業論文（畢竟碩士、博士研究生本就該從事“研究”工作），看看別人寫的文章，自然就知道了。
對於特徵選擇，OpenCV並沒有提供特定的函數來進行衡量。而特徵的分類能力的高低評價，有很多種分析方法，有興趣的朋友，可以閱讀"《機器學習》Tom. Mitchell(著),曾華軍(譯)，機械工業出版社"這本書；
對於分類器部分，OpenCV提供了SVM,CART,boost,bayes,bdt,ANN,這幾種常用的算法。而這些基本已經覆蓋了常用的分類器。所以，你需要做的，就是知道怎麼調用其接口，各種分類器的優點和缺點（該部分，建議閱讀“機器學習”這本書）。
通過以上的分析，你或許已經發現，OpenCV不過是一個工具而已。或者，你可以將它理解爲幼兒園小朋友過家家玩的積木，而OpenCV中的函數，則可以理解爲一個一個的積木塊，利用所有或者部分積木塊，你可以快速的搭建起來具體的計算機視覺方面的應用（比如，字符識別，車牌識別，遺留物檢測）。想必你也已經發現，在利用OpenCV這個積木來搭建具體的計算機視覺應用的時候，真正核心的，應該是這些積木塊，如果你明白了積木塊的工作原理，那麼，是不是就可以不用這些積木塊了呢？完全正確！不過，一般部分情況下，我們不需要這麼做，因爲，OpenCV已經幫你做好了一些工作（已經幫你做好了一些積木塊，直接拿來用就是了）。但是，諸如前面提到的特徵提取模塊，很多情況下，OpenCV就無能爲力了。這個時候，你就需要翻閱計算機視覺、模式識別、機器學習領域頂級會議、期刊、雜誌上面發表的文章了。然後，根據這些文章中闡述的原理和方法，來編程實現你要的東西。實際上，也就等於搭建一個屬於你私有的積木塊。其實，OpenCV中的每一個API函數，也就是這麼來的。