编写代码，利用 opencv 工具结合所学的图像处理技术能够准确识别并框选出楼宇中窗户，且在终端输出楼宇的窗户数量。

为了编写这样的代码，我们可以采用 OpenCV（Open Source Computer Vision Library）库，它包含丰富的图像处理和计算机视觉功能。以下是一个基本的步骤概述：

1. **安装必要的库**：
确保已安装了 Python 和所需的库，如 `opencv-python`, `numpy` 和 `matplotlib`。如果尚未安装，可以使用 pip 安装：

   pip install opencv-python numpy matplotlib

2. **读取图片**：
使用 `cv2.imread()` 函数加载图像。

3. **预处理**：
- 转换为灰度图像（减少计算量）：

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

- 可能需要应用二值化操作，以便更容易检测窗口：

     _, binary_image = cv2.threshold(gray_image, threshold, 255, cv2.THRESH_BINARY_INV)

4. **边缘检测**：
使用 Canny 边缘检测算法找到窗户边界的边缘：

     edges = cv2.Canny(binary_image, low_threshold, high_threshold)
     contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

5. **窗口区域提取**：
对于每个轮廓，计算矩形边界：

     window_count = 0
     for contour in contours:
         x, y, w, h = cv2.boundingRect(contour)
         if check_window_size(w, h):  # 检查大小是否合理作为窗口
             cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)  # 绘制矩形
             window_count += 1

6. **输出结果**：
- 显示标记后的图片：

     cv2.imshow("Windows", image)

- 计算并输出窗户数量：

     print(f"Total windows found: {window_count}")
     cv2.waitKey(0)
     cv2.destroyAllWindows()

7. **窗口尺寸检查函数**：
这里可以根据实际情况设定一个窗口大小范围来排除非窗户的部分，例如：

   def check_window_size(width, height):
       min_size, max_size = (50, 100)  # 自定义的最小和最大窗口尺寸
       return min_size < width * height < max_size

这只是一个基础的示例，实际应用中可能还需要考虑光照、遮挡等因素，并可能需要使用更高级的技术，如机器学习或深度学习模型进行目标检测。