用途：OpenCV（cv2）提供基于 C++ 的高效图像处理例程，用于生物图像的预处理、分割、特征提取与视频分析。在生命科学中常用于荧光图像增强（背景扣除、CLAHE）、形态学分割（分水岭、轮廓检测）、明场细胞检测以及实时显微流处理。与偏重科学测量的 scikit-image 不同，OpenCV 更强调计算速度与视频支持，适合预处理流水线和实时成像应用。
主要能力：图像读写与颜色空间转换（BGR/RGB/HSV/灰度，IMREAD_UNCHANGED 保留 16 位）；滤波与增强（GaussianBlur、medianBlur、CLAHE、顶帽滤波）；阈值与二值分割（Otsu、自适应阈值，16 位需先归一化）；轮廓检测与测量（contourArea、arcLength、boundingRect、minEnclosingCircle、moments）；形态学操作（开闭运算、膨胀、距离变换生成分水岭种子）；视频处理（VideoCapture、MOG2 背景建模、光流）。
使用方式：安装 pip install opencv-python，需要 SIFT/SURF 等扩展模块时用 pip install opencv-contrib-python，验证 python -c "import cv2; print(cv2.version)"。典型流程为读取图像、预处理、阈值分割、形态学清理、findContours 测量并导出为 DataFrame/CSV。
适用场景：荧光或明场图像预处理、无深度学习的经典细胞轮廓/斑点/边缘检测、活细胞成像视频流实时处理、模板匹配寻找重复结构、掩膜细化、帧间光流细胞追踪。
限制：科学形态测量、regionprops 与 TIFF 元数据读写建议改用 scikit-image；荧光图像深度学习细胞分割建议用 Cellpose 或 StarDist。注意 OpenCV 使用 BGR 顺序，GaussianBlur 核必须为奇数，16 位图像直接按灰度读取会被截断，大图逐像素循环较慢，应使用向量化 NumPy 或 cv2.cuda。其余细节暂未提供。