阅读量:0
VS2022，OpenCV4.8.0
OpenCV下载地址：
用于个人学习记录
学习于B站up主OpenCV学堂
目录
1.VS环境配置
创建C++空项目，配置OpenCV库
1.1配置包含目录
1.2配置库目录
1.3配置链接器
附加依赖项
在Release下就选择 opencv_world480.lib
在Debug下就选择opencv_world480d.lib
两个不能同时添加
1.4配置环境变量
1.5练习使用的图像
2.图像的读取与显示
2.1加载并显示一张图片
Mat是矩阵，是OpenCV中的基本数据结构，用于存储图像数据，是一个多维数组，可以是一维、二维、三维等，用于存储图像的像素值，图像的宽、高、通道数等信息
#include <opencv2/opencv.hpp> int main(int argc, char** argv) { cv::Mat img = cv::imread("C:/Resources/image/tifa_1.jpg"); // 读取图像 if (img.empty()) { std::cout << "Could not open or find the image" << std::endl; return -1; } cv::imshow("Image", img); // 显示图像，窗口名为"Image" cv::waitKey(0); // 等待按键，0表示无限等待 return 0; } 
2.2窗口自由调整
上面图片受限屏幕大小显示不完全
通过函数 namedWindow 来调整，让窗口大小可以自由调整
#include <opencv2/opencv.hpp> int main(int argc, char** argv) { cv::Mat img = cv::imread("C:/Resources/image/tifa_1.jpg"); // 读取图像 if (img.empty()) { std::cout << "Could not open or find the image" << std::endl; return -1; } cv::namedWindow("Image", cv::WINDOW_FREERATIO); // 创建一个窗口，窗口名为"Image"，窗口属性为自由比例 cv::imshow("Image", img); // 显示图像，显示在"Image"窗口上 cv::waitKey(0); // 等待按键，0表示无限等待。参数为等待时间，单位为ms cv::destroyAllWindows(); // 销毁所有窗口 return 0; } 
2.3图像的读取方式
图像的读取方式
IMREAD_UNCHANGED：读取原图像，包括alpha通道
IMREAD_GRAYSCALE：以灰度图像读取
IMREAD_COLOR：以彩色图像读取
IMREAD_ANYDEPTH：以原图像深度读取
IMREAD_ANYCOLOR：以原图像颜色格式读取
IMREAD_LOAD_GDAL：使用GDAL读取图像
IMREAD_REDUCED_GRAYSCALE_2：以1/2的灰度图像读取
IMREAD_REDUCED_COLOR_2：以1/2的彩色图像读取
IMREAD_REDUCED_GRAYSCALE_4：以1/4的灰度图像读取
加载图像的灰度图
cv::Mat img = cv::imread("C:/Resources/image/tifa_1.jpg",cv::IMREAD_GRAYSCALE); // 读取图像,参数为图像路径和读取方式
3.图像色彩空间转换
创建一个TestDemo来管理实现后续的功能
3.1色彩转化
#pragma once #include<opencv2/opencv.hpp> using namespace cv; class TestDemo { public: TestDemo(); ~TestDemo(); void colorSpace_demo(Mat& image); // 颜色空间转换,传入图像引用 }; #include "TestDemo.h" TestDemo::TestDemo() { } TestDemo::~TestDemo() { } void TestDemo::colorSpace_demo(Mat& image) { cv::Mat gray, hsv, ycrcb; // 定义三个 Mat 类对象 //创建三个窗口，窗口名分别为"Gray"、"HSV"、"YCrCb"，窗口属性为自由比例 cv::namedWindow("Gray", cv::WINDOW_FREERATIO); cv::namedWindow("HSV", cv::WINDOW_FREERATIO); cv::namedWindow("YCrCb", cv::WINDOW_FREERATIO); //转换图像颜色空间 cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY); // 将图像转换为灰度图 cv::cvtColor(image, hsv, cv::COLOR_BGR2HSV); // 将图像转换为 HSV 图 cv::cvtColor(image, ycrcb, cv::COLOR_BGR2YCrCb); // 将图像转换为 YCrCb 图 // 显示转换后的图像 imshow("Gray", gray); imshow("HSV", hsv); imshow("YCrCb", ycrcb); // 保存转换后的图像 cv::imwrite("C:/Resources/image/gray.jpg", gray); cv::imwrite("C:/Resources/image/hsv.jpg", hsv); cv::imwrite("C:/Resources/image/ycrcb.jpg", ycrcb); } #include <iostream> #include <opencv2/opencv.hpp> #include "TestDemo.h" int main(int argc, char** argv) { cv::Mat img = cv::imread("C:/Resources/image/tifa_1.jpg"); // 读取图像 if (img.empty()) { std::cout << "Could not open or find the image" << std::endl; return -1; } cv::namedWindow("Image", cv::WINDOW_FREERATIO); // 创建一个窗口，窗口名为"Image"，窗口属性为自由比例 cv::imshow("Image", img); // 显示图像，显示在"Image"窗口上 TestDemo testDemo; // 创建一个 TestDemo 类对象 testDemo.colorSpace_demo(img); // 调用 TestDemo 类的 colorSpace_demo 函数 cv::waitKey(0); // 等待按键，0表示无限等待。参数为等待时间，单位为ms cv::destroyAllWindows(); // 销毁所有窗口 return 0; } 
gray是灰度图，hsv是HSV图，YCrCb是YUV的变种
g 0-255, b 0-255, r 0-255, 分别表示灰度、蓝色、绿色、红色
H 0-180 S 0-255 V 0-255, 分别表示色调、饱和度、亮度
Y 0-255 Cr 0-255 Cb 0-255, 分别表示亮度、红色色度、蓝色色度
YCrCb是YUV的变种，YUV是彩色视频信号的编码方式，Y表示亮度，U和V表示色度
3.2保存图像
// 保存转换后的图像 cv::imwrite("C:/Resources/image/gray.jpg", gray); cv::imwrite("C:/Resources/image/hsv.jpg", hsv); cv::imwrite("C:/Resources/image/ycrcb.jpg", ycrcb); //imwrite参数为保存路径，保存图像 
3.3提取指定色彩范围区域inrange
void TestDemo::inrange_colorSpace_demo(Mat& image) { cv::Mat hsv; cv::cvtColor(image, hsv, cv::COLOR_BGR2HSV); // 将图像转换为 HSV 图 namedWindow("hsv", WINDOW_FREERATIO); imshow("hsv", hsv); cv::Mat mask; //提取偏红色区域 inRange(hsv, cv::Scalar(0, 43, 46), cv::Scalar(10, 255, 255), mask); // 提取指定色彩范围的区域,参数为输入图像、颜色下限、颜色上限、输出图像 cv::namedWindow("mask", cv::WINDOW_FREERATIO); cv::imshow("mask", mask); }
4.图像对象Mat
在 OpenCV 中，cv::Mat 是一个核心数据结构，用于表示图像和矩阵。Mat 是 "Matrix" 的缩写。它是一个多维矩阵类，用于存储图像像素值或任何其他多维数值数据。
4.1图像和矩阵的存储：
cv::Mat 可以用于存储图像的像素值，也可以用于存储任何数值数据的多维矩阵。图像的每个像素通常由一个或多个数值表示，例如灰度图像中的一个数值表示灰度级别，而彩色图像中的一个像素可能由三个数值表示（红、绿、蓝通道）。
4.2多通道和深度：
cv::Mat 可以是单通道或多通道的，也可以具有不同的数据深度。通道数表示数据的维度，而深度表示每个通道中数值的类型（例如，8位无符号整数、32位浮点数等）。
4.3构造和初始化：
cv::Mat 可以通过不同的构造函数进行初始化，可以通过加载图像文件、从其他数据结构复制数据、手动分配内存等方式创建。
4.4数据访问：
通过 cv::Mat 提供的方法访问和修改数据，例如使用 (i, j) 访问像素值，使用 at 方法，或者直接访问 data 指针。
void TestDemo::mat_demo() { Mat m1 = Mat::zeros(3, 3, CV_8UC3); // 创建一个 3x3 的 3 通道图像，像素值为 0 //输出行数、列数、通道数 std::cout << "m1:\n" << m1 << std::endl; std::cout << "m1.rows: " << m1.rows << std::endl; std::cout << "m1.cols: " << m1.cols << std::endl; std::cout << "m1.channels: " << m1.channels() << std::endl; }
用Mat创建一个底色为白色图像，通道为RGB
//通过scalar创建一个 255x255 的 3 通道图像，像素值为 255 Mat m3 = Mat(255, 255, CV_8UC3, Scalar(255, 255, 255)); std::cout << "m3:\n" << m3 << std::endl; imshow("m3", m3); cv::waitKey(0); cv::destroyAllWindows();
5.图像像素的读写操作
void TestDemo::pixel_read_write(Mat& image) { int width = image.cols; // 获取图像宽度 int height = image.rows; // 获取图像高度 int channels = image.channels(); // 获取图像通道数 //for (int row = 0; row < height; row++) //{ // for (int col = 0; col < width; col++) // { // if (channels == 1) //单通道，图像为灰度 // { // int pv = image.at<uchar>(row, col); // 获取像素值,at<uchar>表示获取灰度图像的像素值,取值范围为0-255 // image.at<uchar>(row, col) = 255 - pv; // 修改像素值，取反 // } // if (channels == 3) //三通道图像，彩色图像 // { // Vec3b pv_bgr = image.at<Vec3b>(row, col); // 获取像素值,at<Vec3b>表示获取彩色图像的像素值,bgr通道 // image.at<Vec3b>(row, col)[0] = 255 - pv_bgr[0]; // 修改像素值，取反,Vec3b[0]表示B通道 // image.at<Vec3b>(row, col)[1] = 255 - pv_bgr[1]; // 修改像素值，取反,G通道 // image.at<Vec3b>(row, col)[2] = 255 - pv_bgr[2]; // 修改像素值，取反,R通道 // } // } //} //通过指针访问像素 //指针访问像素 for (int row = 0; row < height; row++) { uchar* data = image.ptr<uchar>(row); // 获取图像第 row 行的指针 for (int col = 0; col < width; col++) { if (channels == 1) //单通道，图像为灰度 { *data++ = 255 - *data; // 修改像素值，取反 } if (channels == 3) //三通道图像，彩色图像 { *data++ = 255 - *data; // 修改像素值，取反,B通道 *data++ = 255 - *data; // 修改像素值，取反,G通道 *data++ = 255 - *data; // 修改像素值，取反,R通道 } } } namedWindow("pixel_read_write", WINDOW_FREERATIO); imshow("pixel_read_write", image); }
6.图像的算术操作
图像加减法操作
void TestDemo::arithmetic_demo(Mat& image) { Mat m1; Mat m2; m1 = image - Scalar(100, 100, 100); // 图像减法 m2 = image + Scalar(100, 100, 100); // 图像加法 namedWindow("arithmetic_demo_m1", WINDOW_FREERATIO); imshow("arithmetic_demo_m1", m1); namedWindow("arithmetic_demo_m2", WINDOW_FREERATIO); imshow("arithmetic_demo_m2", m2); } 
当进行像素值操作后，有些值超过了255（对于8位图像，像素值的范围是0到255）时，可以选择进行饱和操作（saturate），将超过范围的值强制截断到合法范围内。OpenCV 中的 cv::saturate_cast 函数可以完成这个任务
// 进行一些操作，可能导致像素值超过255 img = img * 2; // 将图像像素值饱和到0到255的范围 cv::Mat saturated_img; cv::saturate_cast<uchar>(img, saturated_img); // 显示原图和处理后的图像 cv::imshow("Original Image", img); cv::imshow("Saturated Image", saturated_img); cv::waitKey(0); 7.TrackBar滚动条操作
void TestDemo::create_trackbar_demo(cv::Mat& image) { cv::namedWindow("create_trackbar_demo 亮度调整", cv::WINDOW_FREERATIO); int max_val = 100; int lightness = 40; cv::createTrackbar("light adjustment", "create_trackbar_demo 亮度调整", &lightness, max_val, on_trackBar_change, (void*)(&image)); on_trackBar_change(lightness, (void*)(&image)); } void TestDemo::on_trackBar_change(int pos, void* userdata) { Mat image = *(Mat*)userdata; Mat dst = Mat::zeros(image.size(), image.type()); image.convertTo(dst, -1, 1, pos - 50); imshow("create_trackbar_demo 亮度调整", dst); }
8.键盘响应
void TestDemo::keyboard_demo(Mat& image) { namedWindow("keyboard_demo 键盘响应", WINDOW_FREERATIO); imshow("keyboard_demo 键盘响应", image); while (1) { int key = waitKey(0); // 等待按键，0表示无限等待。参数为等待时间，单位为ms if (key == 27) // 按下 ESC 键 { break; } if (key == 's') // 按下 s 键 { imwrite(image_path + "/keyboard_demo.jpg", image); // 保存图像 std::cout << "image saved" << std::endl; } if (key == '0') //恢复原始图像 { imshow("keyboard_demo 键盘响应", image); } if (key == '1') //将当前图像转换为灰度图 { Mat gray; cvtColor(image, gray, COLOR_BGR2GRAY); imshow("keyboard_demo 键盘响应", gray); } if (key == '2') //将当前图像转换为HSV图 { Mat hsv; cvtColor(image, hsv, COLOR_BGR2HSV); imshow("keyboard_demo 键盘响应", hsv); } } }
9.颜色表操作
void TestDemo::colorMap_demo(Mat& image) { Mat gray; int colorMap[] = { COLORMAP_AUTUMN, COLORMAP_BONE, COLORMAP_JET, COLORMAP_WINTER, COLORMAP_RAINBOW, COLORMAP_OCEAN, COLORMAP_SUMMER, COLORMAP_SPRING, COLORMAP_COOL, COLORMAP_HSV, COLORMAP_PINK, COLORMAP_HOT }; Mat dst; int index = 0; while (true) { int c = waitKey(2000); if ((char)c == '0') { break; } applyColorMap(image, dst, colorMap[index % 19]); index++; namedWindow("colorMap_demo", WINDOW_FREERATIO); imshow("colorMap_demo", dst); } }
10.图像像素逻辑操作
画两个矩形进行位操作
void TestDemo::bitwise_demo(Mat& image1, Mat& image2) { Mat m1 = Mat::zeros(Size(256, 256), CV_8UC3); Mat m2 = Mat::zeros(Size(256, 256), CV_8UC3); //创建矩形 //线宽-1表示填充，线宽>0表示边框宽度 rectangle(m1, Rect(100, 100, 80, 80), Scalar(255, 255, 0), -1, LINE_8, 0); // 矩形填充,颜色为黄色,线宽为-1,表示填充,线型为8连通,矩形左上角坐标为(100,100),宽高为80 rectangle(m2, Rect(150, 150, 80, 80), Scalar(0, 255, 255), -1, LINE_8, 0); // 矩形填充,颜色为青色,线宽为-1,表示填充,线型为8连通,矩形左上角坐标为(150,150),宽高为80 imshow("m1", m1); imshow("m2", m2); Mat dst_and, dst_or, dst_not, dst_xor; bitwise_and(m1, m2, dst_and); // 与操作 bitwise_or(m1, m2, dst_or); // 或操作 bitwise_not(m1, dst_not); // 非操作 bitwise_xor(m1, m2, dst_xor); // 异或操作 imshow("dst_and", dst_and); imshow("dst_or", dst_or); imshow("dst_not", dst_not); imshow("dst_xor", dst_xor)； }
11.通道分离与合
void TestDemo::channel_demo(Mat& image) { Mat bgr[3]; split(image, bgr); // 通道分离 namedWindow("B", WINDOW_FREERATIO); namedWindow("G", WINDOW_FREERATIO); namedWindow("R", WINDOW_FREERATIO); imshow("B", bgr[0]); imshow("G", bgr[1]); imshow("R", bgr[2]); Mat dst; bgr[1] = 0; // 将 G 通道置为 0 bgr[2] = 0; // 将 R 通道置为 0 merge(bgr, 3, dst); // 通道合并 namedWindow("channel_demo", WINDOW_FREERATIO); imshow("channel_demo", dst); }
混合图像
//混合图像 Mat src1 = image; Mat src2 = dst; Mat dst2; addWeighted(src1, 0.5, src2, 0.5, 0, dst2); // 图像混合 namedWindow("channel_demo2", WINDOW_FREERATIO); imshow("channel_demo2", dst2);
12.像素值统计
void TestDemo::pixel_statistics(Mat& image) { double minVal, maxVal; Point minLoc, maxLoc; std::vector<Mat> mv; split(image, mv); // 通道分离 for (int i = 0; i < mv.size(); i++) { minMaxLoc(mv[i], &minVal, &maxVal, &minLoc, &maxLoc); // 获取最大最小值 std::cout << "channel " << i << " minVal: " << minVal << " maxVal: " << maxVal << std::endl; } Mat mean, stddev; meanStdDev(image, mean, stddev); // 获取均值和标准差 std::cout << "mean: " << mean << std::endl << "stddev: " << stddev << std::endl; }
13.几何形状绘制
void TestDemo::draw_demo() { //创建一个白色底板的图像 Mat image = Mat::zeros(Size(512, 512), CV_8UC3); image = Scalar(255, 255, 255); //绘制直线 line(image, Point(100, 100), Point(200, 200), Scalar(0, 0, 255), 2, LINE_8, 0); // 直线绘制,颜色为红色,线宽为2,线型为8连通,起点坐标为(100,100),终点坐标为(200,200) //绘制矩形 rectangle(image, Rect(200, 200, 100, 100), Scalar(0, 255, 0), 2, LINE_8, 0); // 矩形绘制,颜色为绿色,线宽为2,线型为8连通,矩形左上角坐标为(200,200),宽高为100 //绘制圆形 circle(image, Point(300, 300), 50, Scalar(255, 0, 0), 2, LINE_8, 0); // 圆形绘制,颜色为蓝色,线宽为2,线型为8连通,圆心坐标为(300,300),半径为50 //绘制椭圆 ellipse(image, Point(400, 400), Size(100, 50), 0, 0, 360, Scalar(255, 255, 0), 2, LINE_8, 0); // 椭圆绘制,颜色为黄色,线宽为2,线型为8连通,椭圆中心坐标为(400,400),长轴宽度为100,短轴宽度为50 //绘制多边形 std::vector<Point> points; points.push_back(Point(100, 400)); points.push_back(Point(200, 300)); points.push_back(Point(300, 400)); points.push_back(Point(400, 300)); points.push_back(Point(500, 400)); const Point* ppt[1] = { points.data() }; int npt[] = { points.size() }; fillPoly(image, ppt, npt, 1, Scalar(0, 255, 255), LINE_8, 0); //显示图像 namedWindow("draw_demo", WINDOW_FREERATIO); imshow("draw_demo", image); } 
在图像上绘制
void TestDemo::draw_demo(Mat& image) { //在图像的人脸上绘制矩形 Mat img = image.clone(); rectangle(img, Rect(380, 400, 700, 700), Scalar(0, 255, 0), 3, 0, 0); //显示图像 namedWindow("draw_demo", WINDOW_FREERATIO); imshow("draw_demo", img); //保存图像 imwrite(image_path + "/draw_demo.jpg", img); }
14.随机数与随机颜色
void TestDemo::draw_demo_random_color(Mat& image) {//创建一个白色底板的图像 Mat img = Mat::zeros(Size(512, 512), CV_8UC3); img = Scalar(255, 255, 255); //绘制随机颜色的直线 RNG rng(12345); for (int i = 0; i < 100; i++) { Point pt1, pt2; pt1.x = rng.uniform(0, 512); pt1.y = rng.uniform(0, 512); pt2.x = rng.uniform(0, 512); pt2.y = rng.uniform(0, 512); line(img, pt1, pt2, Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)), 2, LINE_8, 0); } //显示图像 namedWindow("draw_demo_random_color", WINDOW_FREERATIO); imshow("draw_demo_random_color", img); //保存图像 imwrite(image_path + "/draw_demo_random_color.jpg", img); }
15.多边形填充与绘制
void TestDemo::draw_polyline() { //创建一个白色底板的图像 Mat img = Mat::zeros(Size(512, 512), CV_8UC3); img = Scalar(255, 255, 255); //绘制多边形 std::vector<Point> points; points.push_back(Point(100, 400)); points.push_back(Point(200, 300)); points.push_back(Point(300, 400)); points.push_back(Point(400, 300)); points.push_back(Point(500, 400)); const Point* ppt[1] = { points.data() }; int npt[] = { points.size() }; polylines(img, ppt, npt, 1, true, Scalar(0, 255, 255), 2, LINE_8, 0); //显示图像 namedWindow("draw_polyline", WINDOW_FREERATIO); imshow("draw_polyline", img); } 
16.鼠标操作与响应
void TestDemo::mouse_demo(Mat& image) { //检测鼠标所在的位置，在图像右下角显示鼠标所在的位置，以及像素值 namedWindow("mouse_demo", WINDOW_FREERATIO); imshow("mouse_demo", image); setMouseCallback("mouse_demo", on_mouse, (void*)(&image)); } void TestDemo::on_mouse(int event, int x, int y, int flags, void* data) { Mat image = *(Mat*)data; std::cout << "x: " << x << " y: " << y << std::endl; if (event == EVENT_LBUTTONDOWN) { std::cout << "Left button of the mouse is clicked - position (" << x << ", " << y << ")" << std::endl; } if (event == EVENT_RBUTTONDOWN) { std::cout << "Right button of the mouse is clicked - position (" << x << ", " << y << ")" << std::endl; } }
17.图像像素类型转化与归一化
void TestDemo::pixel_type_conversion(Mat& image) { namedWindow("pixel_type_conversion", WINDOW_FREERATIO); namedWindow("pixel_type_conversion_normalize", WINDOW_FREERATIO); //图像像素类型转化与归一化 Mat gray; cvtColor(image, gray, COLOR_BGR2GRAY); // 将图像转换为灰度图 imshow("pixel_type_conversion", gray); //像素归一化 Mat dst; normalize(gray, dst, 0, 255, NORM_MINMAX, CV_8UC1); imshow("pixel_type_conversion_normalize", dst); }18.图像缩放与插值
void TestDemo::resize_demo(Mat& image, int x, int y) { Mat dst; // 图像缩放,参数为输入图像、输出图像、目标图像大小、x方向缩放因子、y方向缩放因子、插值方式 resize(image, dst, Size(x, y), 0, 0, INTER_LINEAR); //namedWindow("resize_demo", WINDOW_FREERATIO); imshow("resize_demo", dst); }
19.图像翻转
void TestDemo::flip_demo(Mat& image, int flipCode) { Mat dst; // 图像翻转,参数为输入图像、输出图像、翻转方式 //flipCode=0表示绕x轴翻转，flipCode>0表示绕y轴翻转，flipCode<0表示绕x轴和y轴同时翻转 flip(image, dst, flipCode); namedWindow("flip_demo", WINDOW_FREERATIO); imshow("flip_demo", dst); }绕x轴翻转
绕y翻转
同时绕x，y翻转
20.图像旋转
void TestDemo::rotate_demo(Mat& image, double angle, double scale) { /* 参数angle表示旋转角度，正值表示逆时针旋转，负值表示顺时针旋转 参数scale表示缩放因子，大于1表示放大，小于1表示缩小 */ Mat dst, M; int w = image.cols; int h = image.rows; M = getRotationMatrix2D(Point(w / 2, h / 2), angle, scale); // 获取旋转矩阵 double cos = abs(M.at<double>(0, 0)); double sin = abs(M.at<double>(0, 1)); int nw = cos * w + sin * h; int nh = sin * w + cos * h; M.at<double>(0, 2) += (nw - w) / 2; M.at<double>(1, 2) += (nh - h) / 2; warpAffine(image, dst, M, Size(nw, nh)); // 图像旋转 namedWindow("rotate_demo", WINDOW_FREERATIO); imshow("rotate_demo", dst); }
21.视频文件/摄像头使用
void TestDemo::video_demo() { VideoCapture capture(0); // 打开摄像头 if (!capture.isOpened()) // 摄像头打开失败 { std::cout << "摄像头打开失败" << std::endl; return; } Mat frame; while (1) { capture >> frame; // 读取摄像头图像 //翻转摄像头显示 flip_demo(frame, 1); imshow("video_demo", frame); // 显示摄像头图像 if (waitKey(30) == 27) // 按下 ESC 键 { break; } } capture.release(); // 释放摄像头 destroyAllWindows(); // 销毁所有窗口 }22.视频处理与保存
//保存视频 VideoWriter writer; writer.open(image_path + "/video_demo.avi", VideoWriter::fourcc('M', 'J', 'P', 'G'), 25, Size(frame.cols, frame.rows)); while (1) { capture >> frame; // 读取摄像头图像 writer.write(frame); // 写入视频 imshow("video_demo", frame); // 显示摄像头图像 if (waitKey(30) == 27) // 按下 ESC 键 { break; } } writer.release(); // 释放视频23.图像直方图
直方图（Histogram）是图像处理中常用的工具，它表示图像中每个像素强度值的分布情况。在OpenCV中，可以使用 cv::calcHist 函数来计算图像的直方图。
图像直方图是一种展示图像像素强度分布的统计图表。它显示了图像中每个像素强度值的频率，有助于分析图像的亮度、对比度和色调等特征。以下是图像直方图的一些主要作用：
亮度和对比度分析： 直方图可以用于分析图像的整体亮度和对比度。通过观察直方图的形状，可以了解图像中亮度的分布情况，从而调整图像的亮度和对比度，使其更符合需求。
图像增强： 直方图均衡化是一种常见的图像增强方法，通过调整图像的直方图，使其更均匀地分布在整个灰度范围内，从而增强图像的细节和对比度。
颜色分析： 对于彩色图像，可以对每个颜色通道分别绘制直方图，以了解图像中各个颜色通道的分布情况。这对于颜色校正和调整非常有帮助。
阈值选择： 直方图可以帮助选择图像的二值化阈值。通过观察直方图的波峰和波谷，可以找到合适的阈值，将图像转换为二值图像。
检测图像质量问题： 异常的直方图形状可能指示图像质量问题，例如曝光不足或曝光过度。通过检查直方图，可以识别并纠正这些问题。
void TestDemo::histogram_demo(Mat& image) { //创建一个白色底板的图像 Mat img = Mat::zeros(Size(512, 512), CV_8UC3); img = Scalar(255, 255, 255); //绘制直方图 Mat gray; cvtColor(image, gray, COLOR_BGR2GRAY); // 将图像转换为灰度图 int histSize = 256; // 直方图尺寸 float range[] = { 0, 256 }; // 像素值范围 const float* histRange = { range }; Mat hist; calcHist(&gray, 1, 0, Mat(), hist, 1, &histSize, &histRange, true, false); // 计算直方图 int hist_w = 512; // 直方图宽度 int hist_h = 400; // 直方图高度 int bin_w = cvRound((double)hist_w / histSize); // 直方图每个条的宽度 Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(255, 255, 255)); // 创建直方图图像 normalize(hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat()); // 直方图归一化 for (int i = 1; i < histSize; i++) { line(histImage, Point(bin_w * (i - 1), hist_h - cvRound(hist.at<float>(i - 1))), Point(bin_w * (i), hist_h - cvRound(hist.at<float>(i))), Scalar(0, 0, 0), 2, 8, 0); // 绘制直方图 } namedWindow("histogram_demo", WINDOW_FREERATIO); imshow("histogram_demo", histImage); }
24.二维直方图
二维直方图是在图像处理中用于描述两个变量（通常是图像的两个通道）之间关系的直方图。在图像处理中，最常见的是彩色图像的二维直方图，其中横轴和纵轴分别表示两个颜色通道。
以下是二维直方图的一些主要特点和应用：
颜色分布： 对于彩色图像，二维直方图可以显示不同颜色通道之间的关系。例如，对于RGB图像，横轴和纵轴可以分别表示红色和绿色通道，通过颜色在直方图中的分布，可以了解图像中不同颜色的占比。
色调相关性： 二维直方图可以用于分析图像中颜色通道之间的相关性。通过观察直方图的形状，可以了解图像中颜色的相关性，从而更好地理解图像的色调。
色彩校正： 通过分析二维直方图，可以识别和调整图像中不同通道的色彩偏差。这对于颜色校正非常有帮助，确保图像的颜色表现准确。
图像分割： 二维直方图在图像分割中有广泛的应用。通过选择合适的阈值，可以将图像分割成不同的区域，从而实现物体的检测和识别。
通道选择： 通过分析二维直方图，可以确定哪些颜色通道对于特定任务最为重要。这对于图像特征提取和图像识别非常有帮助。
void TestDemo::histogram_2d_demo(Mat& image) { //创建一个白色底板的图像 Mat img = Mat::zeros(Size(512, 512), CV_8UC3); img = Scalar(255, 255, 255); //绘制二维直方图 Mat hsv; cvtColor(image, hsv, COLOR_BGR2HSV); // 将图像转换为 HSV 图 int hbins = 30, sbins = 32; // H、S 通道直方图尺寸 int histSize[] = { hbins, sbins }; float hranges[] = { 0, 180 }; // H 通道像素值范围 float sranges[] = { 0, 256 }; // S 通道像素值范围 const float* ranges[] = { hranges, sranges }; MatND hist; int channels[] = { 0, 1 }; calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false); // 计算二维直方图 double maxVal = 0; minMaxLoc(hist, 0, &maxVal, 0, 0); int scale = 10; Mat histImg = Mat::zeros(sbins * scale, hbins * 10, CV_8UC3); for (int h = 0; h < hbins; h++) { for (int s = 0; s < sbins; s++) { float binVal = hist.at<float>(h, s); int intensity = cvRound(binVal * 255 / maxVal); rectangle(histImg, Point(h * scale, s * scale), Point((h + 1) * scale - 1, (s + 1) * scale - 1), Scalar::all(intensity), FILLED); } } namedWindow("histogram_2d_demo", WINDOW_FREERATIO); imshow("histogram_2d_demo", histImg); }
25.直方图均衡化
图像直方图均衡化是一种用于增强图像对比度的方法，通过调整图像的灰度分布，使得各个灰度级均匀分布，从而提高图像的视觉效果。下面详细讲解一下图像直方图均衡化的原理和步骤：
原理：
灰度直方图： 图像的灰度直方图表示了图像中各个灰度级的分布情况，即每个灰度级的像素数量。
累积分布函数（CDF）： CDF 是灰度直方图的累积形式，表示每个灰度级以下的像素累积数量。
均衡化变换： 均衡化变换的目标是将图像的灰度分布映射到均匀分布，即让 CDF 尽可能平滑。
步骤：
计算灰度直方图： 对图像进行灰度化，统计各个灰度级的像素数量。
计算累积分布函数（CDF）： 利用灰度直方图计算各个灰度级的累积概率。
均衡化变换： 利用均衡化变换公式，对每个灰度级进行映射。
生成均衡化后的图像： 根据均衡化变换，生成均衡化后的图像。
26.图像卷积操作
图像卷积是图像处理中的一种基本操作，它通过在图像上滑动一个卷积核（也称为滤波器或窗口），对图像的每个像素进行加权和的操作。这一过程可以用来实现一系列的图像处理任务，如模糊、锐化、边缘检测等。下面是图像卷积的基本原理和步骤：
原理：
卷积核： 卷积核是一个小矩阵，包含了一组权重值。卷积操作时，卷积核在图像上滑动，与图像中的每个像素进行加权和的计算。
加权和计算： 对于图像中的每个像素，卷积核与图像的对应区域进行逐元素相乘，然后将所有乘积结果相加，得到最终的加权和。
滑动操作： 卷积核在图像上滑动，对每个像素都进行加权和的计算，得到新的图像。
步骤：
定义卷积核： 确定卷积核的大小和权重。
图像填充： 可选的步骤，对图像进行填充，以保留边缘信息。
卷积操作： 卷积核在图像上滑动，对每个像素进行加权和的计算。
输出结果： 得到卷积后的图像，即输出结果。
void TestDemo::convolution_demo(Mat& image) { //创建一个白色底板的图像 Mat img = Mat::zeros(Size(512, 512), CV_8UC3); img = Scalar(255, 255, 255); //图像卷积操作 Mat kernel = (Mat_<float>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0); // 创建卷积核 Mat dst; filter2D(image, dst, -1, kernel); // 图像卷积 namedWindow("convolution_demo", WINDOW_FREERATIO); imshow("convolution_demo", dst); }
27.高斯模糊
高斯模糊（Gaussian Blur）是一种常用的图像模糊技术，它使用高斯函数对图像进行卷积，从而实现图像平滑处理。高斯模糊的主要目的是去除图像中的高频噪声，使图像更加平滑，减少细节信息，常用于图像预处理、边缘检测前的图像平滑等任务。
高斯模糊的原理：
高斯函数： 高斯函数是一种数学函数，通常用于表示正态分布。在图像处理中，高斯函数用于生成一个二维的高斯核（卷积核）。
卷积操作： 高斯核在图像上滑动，对图像中的每个像素进行加权和的计算。不同位置的像素受到的权重由高斯函数的形状决定，距离中心越远的像素权重越小。
权重计算： 高斯函数的形状由标准差（σ）决定，标准差越大，权重分布越广。权重计算采用二维高斯函数的值，将其归一化，得到最终的权重。
高斯模糊的步骤：
定义高斯核： 定义一个二维高斯核，指定标准差。
图像卷积： 将高斯核与图像进行卷积操作。
输出结果： 得到经过高斯模糊处理后的图像。
void TestDemo::gaussian_blur_demo(Mat& image) { // 定义高斯核大小和标准差 int kernel_size = 35; double sigma = 35; // 高斯模糊 Mat dst; GaussianBlur(image, dst, Size(kernel_size, kernel_size), sigma); //GaussianBlur参数为输入图像、输出图像、高斯核大小、标准差 namedWindow("gaussian_blur_demo", WINDOW_FREERATIO); imshow("gaussian_blur_demo", dst); } 
28.高斯双边模糊
高斯双边滤波是一种保留边缘信息的模糊技术，它在模糊图像的同时保持图像的边缘细节。与简单的高斯模糊不同，高斯双边滤波考虑像素之间的空间距离和像素值之间的差异。
void TestDemo::bilateral_filter_demo(Mat& image) { // 定义参数 int diameter = 20; // 直径 double sigma_color = 175.0; // 颜色空间标准差 double sigma_space = 175.0; // 空间空间标准差 // 高斯双边滤波 Mat dst; bilateralFilter(image, dst, diameter, sigma_color, sigma_space); // 显示结果 namedWindow("bilateral_filter_demo", WINDOW_FREERATIO); imshow("bilateral_filter_demo", dst); } diameter表示像素领域的直径，sigma_color表示颜色空间的标准差，sigma_space表示空间空间的标准差。调整这些参数可以影响滤波效果。
与高斯模糊不同，高斯双边滤波在模糊图像的同时会保留边缘信息，适用于需要模糊但又不希望失去图像边缘细节的场景。
29.实时人脸检测
void TestDemo::face_detect_demo() { // 加载人脸检测器模型 cv::CascadeClassifier face_cascade; if (!face_cascade.load("C:/tools/OpenCV/opencv/build/etc/haarcascades/haarcascade_frontalface_default.xml")) { std::cerr << "Error loading face cascade model!" << std::endl; return; } // 在这里添加进行人脸检测的代码 // 例如，可以在摄像头捕获的每一帧上运行人脸检测 cv::VideoCapture capture(0); // 打开默认摄像头 if (!capture.isOpened()) { std::cerr << "Error opening camera!" << std::endl; return; } cv::Mat frame; while (capture.read(frame)) { // 转换图像为灰度图 cv::Mat gray; cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY); cv::equalizeHist(gray, gray); // 直方图均衡化提高对比度 //进行双边滤波 cv::Mat dst; cv::bilateralFilter(gray, dst, 20, 150, 150); // 进行人脸检测 std::vector<cv::Rect> faces; face_cascade.detectMultiScale(dst, faces, 1.1, 3, 0, cv::Size(30, 30)); // 在图像上标记检测到的人脸 for (const auto& face : faces) { cv::rectangle(frame, face, cv::Scalar(255, 0, 0), 2); // 用蓝色矩形标记人脸 } // 显示结果 cv::imshow("Face Detection Demo", frame); // 检测按键，按下ESC键退出循环 if (cv::waitKey(30) == 27) { break; } } } 
