简介
OpenCV是一个开源的计算机视觉库，它提供了一系列用于图像处理和计算机视觉任务的函数和算法。OpenCV最初是由Intel开发的，后来成为一个跨平台的库，支持多种编程语言，包括C++、Python和Java。OpenCV提供了许多常见的计算机视觉算法，如图像处理、特征提取、目标检测、物体跟踪和人脸识别等。它还支持摄像头和视频文件的输入，可以实时处理视频流。OpenCV的目标是简化计算机视觉的开发，使开发者能够快速构建视觉应用程序，并在不同平台上进行部署。它被广泛应用于机器人、无人驾驶车辆、监控系统、医疗图像处理和虚拟现实等领域。OpenCV的特点是高效、可扩展和易于使用，具有广泛的应用领域和强大的社区支持。
官方网站https://opencv.org/
数据结构与数据类型
OpenCV中的数据结构和数据类型包括以下几种：
-
cv::Mat：OpenCV中最常用的数据结构，用于表示图像或多维数组。它包含一个指向存储图像数据的连续内存块的指针，以及描述图像尺寸和图像类型的元数据。
-
cv::Point：表示二维坐标点的数据结构，包含x和y坐标。
-
cv::Rect：表示矩形区域的数据结构，包含左上角和右下角的坐标。
-
cv::Size：表示尺寸的数据结构，包含宽度和高度。
-
cv::Scalar：表示颜色的数据结构，包含一个或多个通道的值。
-
cv::Vec：表示向量的数据结构，包含一个或多个元素。
-
cv::KeyPoint：表示关键点的数据结构，包含位置、尺度等信息。
-
cv::DMatch：表示匹配结果的数据结构，包含两个关键点之间的距离等信息。
这些数据结构和数据类型在OpenCV的图像处理和计算机视觉算法中广泛应用，可以用于表示图像、像素、坐标、颜色、尺寸和特征点等信息。
应用方向
常见的OpenCV图像处理应用如下：
-
图像滤波：OpenCV提供了一系列滤波器，如高斯滤波、中值滤波等，用于去噪、平滑和模糊图像。
-
边缘检测：OpenCV提供了多种边缘检测算法，如Sobel、Canny等，用于提取图像中的边缘信息。
-
图像分割：OpenCV提供了多种图像分割算法，如基于阈值的分割、基于边缘的分割等，用于将图像分成不同的区域。
-
特征提取：OpenCV提供了多种特征提取算法，如Harris角点检测、SIFT、SURF、ORB等，用于检测图像中的特征点。
-
目标检测：OpenCV提供了一些目标检测算法，如Haar级联检测、HOG特征+SVM等，用于在图像中定位和识别特定的目标。
-
图像配准：OpenCV提供了一些图像配准算法，如基于特征点的配准、基于灰度直方图的配准等，用于将多幅图像对齐。
-
图像拼接：OpenCV提供了一些图像拼接算法，如基于特征点的拼接、基于图像金字塔的拼接等，用于将多幅图像拼接成一幅大图。
-
人脸检测：OpenCV提供了一些人脸检测算法，如Haar级联检测、DNN人脸检测等，用于在图像中检测人脸。
以上只是OpenCV图像处理应用的一部分，OpenCV还提供了许多其他功能和算法，可以应用于图像处理、计算机视觉和机器学习等领域的各种应用中。
实例介绍
- 以下是一个使用OpenCV进行图像边缘提取的C++示例代码：
#include <opencv2/opencv.hpp>
int main() {
// 读取图像
cv::Mat image = cv::imread("image.jpg", cv::ImreadModes::IMREAD_GRAYSCALE);
// 检测边缘
cv::Mat edges;
cv::Canny(image, edges, 100, 200);
// 显示结果
cv::imshow("Original Image", image);
cv::imshow("Edges", edges);
cv::waitKey(0);
return 0;
}
在这个示例代码中，我们首先使用cv::imread函数读取一幅灰度图像。然后，我们使用cv::Canny函数来检测图像的边缘。cv::Canny函数的第一个参数是输入图像，第二个参数是存储边缘结果的输出图像，第三个和第四个参数是Canny边缘检测算法的阈值，用于控制边缘的强度。最后，我们使用cv::imshow函数来显示原始图像和边缘图像，然后使用cv::waitKey函数等待用户按下某个键后程序退出。
- 以下是一个基于OpenCV的Blob检测的C++代码示例：
#include <iostream>
#include <opencv2/opencv.hpp>
int main()
{
// 读取图像
cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
if (image.empty())
{
std::cout << "Failed to read image" << std::endl;
return -1;
}
// 二值化图像
cv::Mat binaryImage;
cv::threshold(image, binaryImage, 128, 255, cv::THRESH_BINARY);
// 进行Blob检测
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binaryImage, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
// 绘制检测到的Blob
cv::Mat blobImage = cv::Mat::zeros(image.size(), CV_8UC3);
for (int i = 0; i < contours.size(); i++)
{
cv::Scalar color = cv::Scalar(0, 0, 255); // 红色
cv::drawContours(blobImage, contours, i, color, 1, cv::LINE_8, hierarchy);
}
// 显示图像
cv::imshow("Blob Image", blobImage);
cv::waitKey(0);
return 0;
}
请确保将代码中的"image.jpg"替换为实际的图像路径。此代码将加载图像、将其转换为二值图像、进行Blob检测，并将检测到的Blob绘制成红色。最后，显示Blob图像。
3. 目标检测
下面是一个基于OpenCV的目标检测的示例代码：
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <opencv2/dnn/all_layers.hpp>
using namespace cv;
using namespace cv::dnn;
int main(int argc, char** argv)
{
// 加载预训练模型和标签
String modelWeights = "path/to/weights";
String modelConfig = "path/to/config";
String labelFile = "path/to/labels.txt";
Net net = readNetFromDarknet(modelConfig, modelWeights);
net.setPreferableBackend(DNN_BACKEND_OPENCV);
net.setPreferableTarget(DNN_TARGET_CPU);
// 加载图像
Mat image = imread("path/to/image.jpg");
// 创建输入blob
Mat blob;
float scale = 1 / 255.0;
Size size = Size(416, 416);
Scalar mean = Scalar(0, 0, 0);
bool swapRB = true;
bool crop = false;
dnn::blobFromImage(image, blob, scale, size, mean, swapRB, crop);
// 设置网络的输入blob
net.setInput(blob);
// 运行前向传播
Mat detection = net.forward();
// 解析检测结果
std::vector<double> layersTimings;
std::vector<int> classIds, objectIds;
std::vector<float> confidences;
std::vector<Rect> boxes;
for (int i = 0; i < detection.size[2]; ++i)
{
float* data = (float*)detection.ptr(detection.size[0] - 1, i);
float confidence = data[2];
if (confidence > 0.5)
{
int classId = (int)(data[1]);
int left = (int)(data[3] * image.cols);
int top = (int)(data[4] * image.rows);
int right = (int)(data[5] * image.cols);
int bottom = (int)(data[6] * image.rows);
classIds.push_back(classId);
confidences.push_back(confidence);
boxes.push_back(Rect(left, top, right - left, bottom - top));
}
}
// 非极大值抑制
float nmsThreshold = 0.4;
std::vector<int> indices;
NMSBoxes(boxes, confidences, 0.5, nmsThreshold, indices);
// 显示检测结果
std::vector<String> classNames;
std::ifstream ifs(labelFile.c_str());
std::string line;
while (std::getline(ifs, line))
{
classNames.push_back(line);
}
for (int i = 0; i < indices.size(); ++i)
{
int idx = indices[i];
Rect box = boxes[idx];
int classId = classIds[idx];
float confidence = confidences[idx];
String className = classNames[classId];
String label = format("%s: %.2f", className.c_str(), confidence);
rectangle(image, box, Scalar(0, 255, 0), 2);
putText(image, label, Point(box.x, box.y - 10), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 2);
}
imshow("Detection Result", image);
waitKey(0);
return 0;
}
请注意，上述代码假设你已经根据你的需求将网络配置文件 (.cfg) 和预训练权重 (.weights) 下载并保存在硬盘上，以及一个包含类标签的文本文件 (labels.txt)。你需要将代码中的路径替换为你自己的路径。此外，你还需要确保你的系统已经正确配置了OpenCV和OpenCV的深度学习模块。
此代码使用了OpenCV的dnn模块来加载预训练的深度学习模型，将其应用于输入图像，并解析检测结果。最后，它将检测结果绘制在输入图像上并显示出来。你可以根据需要对代码进行修改和扩展。
- 图像拼接示例
以下是一个基于OpenCV的图像拼接的C++代码示例：
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
// 图像拼接函数
Mat imageStitching(vector<Mat> &images) {
// 创建一个拼接后的图像
Mat result;
// 创建一个拼接器
Ptr<Stitcher> stitcher = Stitcher::create();
// 拼接图像
Stitcher::Status status = stitcher->stitch(images, result);
// 拼接成功则返回拼接后的图像，否则返回空图像
if (status == Stitcher::ERR_OK) {
return result;
} else {
cerr << "Failed to stitch images!" << endl;
return Mat();
}
}
int main() {
// 读取需要拼接的图像
vector<Mat> images;
images.push_back(imread("image1.jpg"));
images.push_back(imread("image2.jpg"));
images.push_back(imread("image3.jpg"));
// 图像拼接
Mat result = imageStitching(images);
// 显示拼接结果
namedWindow("Result", WINDOW_NORMAL);
imshow("Result", result);
waitKey(0);
return 0;
}
将图像文件 image1.jpg、image2.jpg 和 image3.jpg 放在同一个目录下。在代码中，我们首先创建一个 imageStitching 函数来进行图像拼接，然后在 main 函数中调用该函数来实现图像拼接。最后，我们使用 imshow 函数显示拼接结果。
这只是一个简单的示例，实际的图像拼接可能需要更复杂的算法和参数调优来获得更好的拼接效果。
- 人脸识别
以下是一个基于OpenCV的人脸识别C++代码示例：
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main() {
// 加载人脸识别的级联分类器
CascadeClassifier faceCascade;
faceCascade.load("haarcascade_frontalface_default.xml");
// 打开摄像头
VideoCapture capture(0);
if (!capture.isOpened()) {
cerr << "无法打开摄像头" << endl;
return -1;
}
// 创建窗口
namedWindow("人脸识别", WINDOW_NORMAL);
while (true) {
// 读取当前帧
Mat frame;
capture >> frame;
// 转换为灰度图像
Mat gray;
cvtColor(frame, gray, COLOR_BGR2GRAY);
// 检测人脸
vector<Rect> faces;
faceCascade.detectMultiScale(gray, faces, 1.1, 2, 0, Size(30, 30));
// 在图像上绘制人脸矩形
for (const auto& face : faces) {
rectangle(frame, face, Scalar(0, 255, 0), 2);
}
// 显示图像
imshow("人脸识别", frame);
// 按下ESC键退出
if (waitKey(1) == 27) {
break;
}
}
// 释放资源
capture.release();
destroyAllWindows();
return 0;
}
请注意，该代码需要将 haarcascade_frontalface_default.xml 文件放在与代码文件相同的目录下，以便加载级联分类器。您可以从OpenCV的GitHub存储库中获取该文件：https://github.com/opencv/opencv/tree/master/data/haarcascades
扫一扫
364
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
