C++学习笔记——opencv2模块（图像处理）

1. 使用方式
2. 注意点
3. 图片读写与属性
- 3.1 图片基本操作
- 3.2 遍历像素点
- 3.3 提取指定像素值
- 3.4 初始化为0的矩阵
- 3.5 计算某个灰度切片区域的像素和
4. 切片，浅拷贝与深拷贝
5. 图片操作函数
- 5.1 图片翻转
- 5.2 二值化
- 5.3 轮廓检测
- 5.4 计算均值与标准差
6. 一些代码样例
- 6.1 去畸变代码
- 6.2 ORB特征匹配代码
- 6.3 将特征数据写入磁盘/从磁盘读取特征数据并匹配输出
7. cv::Mat与Eigen::Matrix互相转换
8. 在窗口中显示放大后的图像

用于计算图像处理的opencv2，只不过这次用的不是python的版本，而是C++的版本。

参考书籍：《视觉SLAM十四讲-从理论到实践》——高翔

1. 使用方式

CMakeLists.txt写法样例：

# 添加c++11标准支持
set(CMAKE_CXX_FLAGS "-std=c++11")# cmake最低版本需求
cmake_minimum_required(VERSION 2.8)# 创建项目
project( test )# 创建执行程序
add_executable( cv2_test cv2_test.cpp )# 寻找opencv
find_package( OpenCV REQUIRED )
# 添加头文件
include_directories(${OpenCV_INCLUDE_DIRS})
# 链接opencv库
target_link_libraries( cv2_test ${OpenCV_LIBS} )

2. 注意点

读取数据的数据类型使用unsigned char：因为int类型在不同操作系统平台下长度不同，而uchar类型在所有平台上长度都是一样的。

3. 图片读写与属性

3.1 图片基本操作

#include <iostream>// 导入cv2模块
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>// 在不考虑细致实现的情况下，粗暴导入所有cv2模块
// #include <opencv2/opencv.hpp>using namespace std;
using namespace cv;int main(int argc, char **argv) {// 图片路径，可以写字符串，也可以用argv从启动参数导入// 注意在IDE里面编译时需要考虑到当前运行路径在build文件夹内string img_path = "../test.jpeg";// 创建图片变量cv::Mat image;// 读图片image = cv::imread(img_path);// 验证图片是否正确读取，如果data为空指针说明读取失败if (image.data == nullptr) {cerr << "图片" << img_path << "读取失败。" << endl;return -1;}// 打开一个新窗口，显示读取成功的图片cv::imshow("窗口的标题", image);// 保持窗口打开等待关闭cv::waitKey(0);// 输出图片类型，直接输出会是一个整数cout << "图片类型为：" << image.type() << endl;// 但是作为哈希值可以直接用来判断图片类型// CV_8UC3表示8bit，unsigned int，图像3通道，灰度图就是1通道// float 32位，double64位// S(signed int)，U(unsigned int)，F(float)if (image.type() == CV_8UC3) {cout << "这是彩色8比特图片。" << endl;}else {cout << "这不是彩色8比特图片。" << endl;}// 获取图片尺寸信息cout << "宽度：" << image.cols;cout << "，高度：" << image.rows;cout << "，频道数：" << image.channels() << endl;// 创建新图像[以灰度图为例]// int rows = image.rows, cols = image.cols;// cv::Mat image_new = cv::Mat(rows, cols, CV_8UC1);// 遍历图像与指针for (size_t y = 0; y < image.rows; y++) {// 行指针类型cv::Mat::ptr// 使用每一行的头部指针作为后续遍历基础unsigned char *row_ptr = image.ptr<unsigned char>(y);// 然后对每一行进行遍历for (size_t x = 0; x < image.cols; x++) {// 指向一个具体的像素点的指针// 按照【像素数*通道属性】向后移动unsigned char *data_ptr = &row_ptr[x*image.channels()];// 遍历每一个通道for (int c = 0; c != image.channels(); c++) {unsigned char data = data_ptr[c];// 显示时需要做个类型转换修改为int类型cout << (int)data << " ";}// 以每一行一个像素点的方式显示// 例如：217 215 221cout << endl;}}// 直接取出指定像素// 此处彩色图片，灰色单通道图片则使用image.at<uchar>// 第0行第0列的像素cv::Vec3b pixel = image.at<cv::Vec3b>(0, 0);cout << "第一个像素点是：" << pixel << endl;cout << "第一个像素点的第一个通道是：" << (int)pixel[0] << endl;// 保存图片cv::imwrite( "../test2.jpeg", image);}

运行得到：
【图就不放了】

图片类型为：16
这是彩色8比特图片。
宽度：550，高度：827，频道数：3
254 254 254
206 206 218
207 207 219
208 208 220
208 208 220
……
第一个像素点是：Ä254, 254, 254Å
第一个像素点的第一个通道是：254

3.2 遍历像素点

较慢的遍历图片中每个像素点(灰度)

for (auto p = img.begin<uchar>(); p !=  img.end<uchar>(); ++p){uchar value = uchar((*p));}

更快的像素点指针遍历法(灰度)：

for (int i = 0; i <img.cols * img.rows; i++){uchar value = img.data[i];}

3.3 提取指定像素值

用at的方法按照行列提取像素值（慢）

// 遍历行for (int row = 0; row < grayImg.rows; row++){// 遍历列for (int col = 0; col < grayImg.cols; col++){   point_value = int(grayImg.at<uchar>(row, col));}}

用指针按照行列提取像素值（快）

point_value = float(grayImg.data[row * grayImg.cols + col]);

3.4 初始化为0的矩阵

cv::Mat temp_img;
// 初始化为0
temp_img = cv::Mat::zeros(rows, cols, CV_8UC1);

3.5 计算某个灰度切片区域的像素和

float sum_bright  = cv::sum(GrayImg(cv::Rect(col_min,row_min,w,h)))[0]

4. 切片，浅拷贝与深拷贝

#include <iostream>// 导入cv2模块
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>// 在不考虑细致实现的情况下，粗暴导入所有cv2模块
// #include <opencv2/opencv.hpp>using namespace std;
using namespace cv;int main(int argc, char **argv) {// 图片路径，可以写字符串，也可以用argv从启动参数导入// 注意在IDE里面编译时需要考虑到当前运行路径在build文件夹内string img_path = "../test.jpeg";// 创建图片变量cv::Mat image;// 读图片image = cv::imread(img_path);// 验证图片是否正确读取，如果data为空指针说明读取失败if (image.data == nullptr) {cerr << "图片" << img_path << "读取失败。" << endl;return -1;}// 浅拷贝，并不会复制内存数据cv::Mat image_shallow_copy = image;// “切片”，将左上角100*100的块置零image_shallow_copy( cv::Rect(0, 0, 100, 100)).setTo(0);// 显示原图片的像素，发现被改变了cout << "浅拷贝图片的第一个像素：" << image_shallow_copy.at<cv::Vec3b>(0, 0) << endl;cout << "原始图片的第一个像素：" << image.at<cv::Vec3b>(0, 0) << endl;// 深拷贝，会复制内存数据cv::Mat image_deep_copy = image.clone();// “切片”，将左上角100*100的块置255image_deep_copy( cv::Rect(0, 0, 100, 100)).setTo(255);// 显示原图片的像素，发现被改变了cout << "深拷贝图片的第一个像素：" << image_deep_copy.at<cv::Vec3b>(0, 0) << endl;cout << "原始图片的第一个像素：" << image.at<cv::Vec3b>(0, 0) << endl;
}

运行得到：

浅拷贝图片的第一个像素：Ä0, 0, 0Å
原始图片的第一个像素：Ä0, 0, 0Å
深拷贝图片的第一个像素：Ä255, 255, 255Å
原始图片的第一个像素：Ä0, 0, 0Å

5. 图片操作函数

5.1 图片翻转

// 翻转图片
// 水平翻转
cv::flip(image_input, image_output, 1);
// 垂直翻转
cv::flip(image_input, image_output, 0);
// 水平垂直翻转
cv::flip(image_input, image_output, -1);

5.2 二值化

// 固定阈值
cv::threshold(img, binary, Threshold, 255, cv::THRESH_BINARY);// 大津法
int Threshold = cv::threshold(img, binary, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU);

5.3 轮廓检测

// 对二值化图像进行轮廓检测
std::vector< std::vector< cv::Point> > contours;
cv::findContours(bianry, contours, cv::noArray(),cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE);

5.4 计算均值与标准差

cv::meanStdDev()

6. 一些代码样例

6.1 去畸变代码

来自参考书籍：《视觉SLAM十四讲-从理论到实践》——高翔

#include <opencv2/opencv.hpp>
#include <string>
using namespace std;// 也可以直接通过库函数cv::Undisort()实现// 图片路径
string image_file = "../distorted.png";int main(int argc, char **argv) {// 配置畸变参数double k1 = -0.28340811, k2 = 0.07395907, p1 = 0.00019359, p2 = 1.76187114e-05;// 配置内部参数double fx = 458.654, fy = 457.296, cx = 367.215, cy = 248.375;// CV_8UC1灰度图cv::Mat image = cv::imread(image_file, 0);// 定义去畸变后的新图像int rows = image.rows, cols = image.cols;cv::Mat image_undistort = cv::Mat(rows, cols, CV_8UC1);// 计算去畸变后的图像for (int v=0; v<rows; v++) {for (int u=0; u<cols; u++) {// 将当前的(u, v)对应到畸变图像中的(u_distorted, v_distorted)double x = (u-cx) / fx, y = (v-cy) / fy;double r = sqrt(x * x + y * y);double x_distorted = x * (1+ k1*r*r + k2*r*r*r*r) + 2*p1*x*y + p2*(r*r+2*x*x);double y_distorted = y * (1+ k1*r*r + k2*r*r*r*r) + 2*p2*x*y + p1*(r*r+2*y*y);double u_distorted = fx * x_distorted + cx;double v_distorted = fy * y_distorted + cy;// 使用最近邻插值进行赋值if (u_distorted >= 0 && v_distorted >=0 && u_distorted < cols && v_distorted < rows) {image_undistort.at<uchar>(v, u) = image.at<uchar>((int) v_distorted, (int) u_distorted);}else {image_undistort.at<uchar>(v, u) = 0;}}}// 显示去畸变图cv::imshow("distored", image);cv::imshow("undistored", image_undistort);cv::waitKey();return 0;
}

6.2 ORB特征匹配代码

来自参考书籍：《视觉SLAM十四讲-从理论到实践》——高翔

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <chrono>using namespace std;
using namespace cv;// 使用opencv实现ORB特征匹配int main(int argc, char **argv)
{// 为了在ide里面方便运行，暂时改为写死的固定路径，注释掉原作者的这部分代码// if (argc != 3) {//   cout << "usage: feature_extraction img1 img2" << endl;//   return 1;// }// 读取图像，修改为从固定路径读取// 因为在build文件夹内，因此进入上级目录Mat img_1 = imread("../1.png", CV_LOAD_IMAGE_COLOR);Mat img_2 = imread("../2.png", CV_LOAD_IMAGE_COLOR);// 用断言确保两张图片都已经成功被读取assert(img_1.data != nullptr && img_2.data != nullptr);// 创建两组关键点的vectorstd::vector<KeyPoint> keypoints_1, keypoints_2;// 创建两个矩阵Mat descriptors_1, descriptors_2;// 初始化// 提取FAST关键点用的工具Ptr<FeatureDetector> detector = ORB::create();// 提取BRIEF描述子用的工具Ptr<DescriptorExtractor> descriptor = ORB::create();// 使用汉明距离作为匹配标准Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");// 第一步:检测 Oriented FAST 角点位置// 检测半径为3的圆上是否有足够多的点和当前点比起来亮度差异超过一定比例// 基于图像金字塔的上下层来构建尺度不变性// 基于灰度质心法构建旋转不变性chrono::steady_clock::time_point t1 = chrono::steady_clock::now();detector->detect(img_1, keypoints_1);detector->detect(img_2, keypoints_2);// 第二步:根据FAST角点位置计算 BRIEF 描述子descriptor->compute(img_1, keypoints_1, descriptors_1);descriptor->compute(img_2, keypoints_2, descriptors_2);// 结束检测部分，计算消耗时间chrono::steady_clock::time_point t2 = chrono::steady_clock::now();chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);cout << "extract ORB cost = " << time_used.count() << " seconds. " << endl;Mat outimg1;// 绘制并显示特征图drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);imshow("ORB features", outimg1);// 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离作为匹配标准vector<DMatch> matches;t1 = chrono::steady_clock::now();// 匹配2张图像的描述子matcher->match(descriptors_1, descriptors_2, matches);// 再次计算消耗时间t2 = chrono::steady_clock::now();time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);cout << "match ORB cost = " << time_used.count() << " seconds. " << endl;// 第四步:匹配点对筛选// 计算vector<DMatch> matches中的最小距离和最大距离// 此处使用了C++中的lambda函数[](){}auto min_max = minmax_element(matches.begin(), matches.end(), [](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; });double min_dist = min_max.first->distance;double max_dist = min_max.second->distance;printf("-- Max dist : %f \n", max_dist);printf("-- Min dist : %f \n", min_dist);//当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.// 将所有符合条件的匹配放入了一个新的vector容器内std::vector<DMatch> good_matches;for (int i = 0; i < descriptors_1.rows; i++){if (matches[i].distance <= max(2 * min_dist, 30.0)){good_matches.push_back(matches[i]);}}// 第五步:绘制匹配结果Mat img_match;Mat img_goodmatch;// 绘制所有匹配drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_match);// 绘制筛选后的匹配drawMatches(img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch);// 显示图片imshow("all matches", img_match);imshow("good matches", img_goodmatch);waitKey(0);return 0;
}

6.3 将特征数据写入磁盘/从磁盘读取特征数据并匹配输出

自己写的代码，记录一下
将图片与std::vector<cv::Point2f>类型的特征数据存储到本地：

        // 开始保存if (need_save >= 0) {if (need_save == 0) {// 将数据保存到这里// 保存图片string save_path = "存储目录";cv::imwrite( save_path + "cur_img.jpg", cur_img);cv::imwrite( save_path + "forw_img.jpg", forw_img);// 保存特征点ostringstream out1;// 将vector中的<cv::Point2f>转换为字符串储存for (auto p = cur_pts.begin(); p != cur_pts.end(); p++) {out1 << to_string((*p).x) << " " <<  to_string((*p).y) << " " << endl;}// 写入文件ofstream fout1(save_path + "cur_pts.txt");if (fout1) {//将out流转换为string类型，写入到文件流中fout1 << out1.str() << endl;fout1.close();}ostringstream out2;// 将vector中的<cv::Point2f>转换为字符串储存for (auto p = forw_pts.begin(); p != forw_pts.end(); p++) {out2 << to_string((*p).x) << " " <<  to_string((*p).y) << " " << endl;}// 写入文件ofstream fout2(save_path + "forw_pts.txt");if (fout2) {//将out流转换为string类型，写入到文件流中fout2 << out2.str() << endl;fout2.close();}}need_save -= 1;}

从磁盘读取图片与float型的特征点坐标，用ORB进行匹配并输出匹配连接图像：

#include <iostream>
#include <string>
#include <fstream>
#include <vector>#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;int main(int argc, char **argv) {string save_path = "存储目录";// 从磁盘上读图片cv::Mat cur_img = cv::imread(save_path + "cur_img.jpg", 0);cv::Mat forw_img = cv::imread(save_path + "forw_img.jpg", 0);// 从磁盘上读取特征点，并以vector<cv::KeyPoint >的形式储存string temp; int pos;float x;float y;ifstream cur_pts_file(save_path + "cur_pts.txt"); // 以vector<cv::KeyPoint >的形式储存vector<cv::KeyPoint > cur_pts;if (!cur_pts_file.is_open()) { cout << "未成功打开文件cur_pts.txt" << endl; } while(getline(cur_pts_file, temp)) { if (temp.length() != 0) {// 获得字符串// 找到用于分割的空格位置pos = temp.find(" "); // x坐标x = stof(temp.substr (0, pos));// y坐标y = stof(temp.substr (pos+1, temp.length()-pos-1));// 将<cv::Point2f >转换为<cv::KeyPoint >KeyPoint temp_keypoint;temp_keypoint.pt = Point2f(x, y);// 将<cv::KeyPoint >放入vectorcur_pts.push_back(temp_keypoint);}} cur_pts_file.close(); ifstream forw_pts_file(save_path + "forw_pts.txt"); vector<cv::KeyPoint > forw_pts;if (!forw_pts_file.is_open()) { cout << "未成功打开文件forw_pts.txt" << endl; } while(getline(forw_pts_file, temp)) { if (temp.length() != 0) {// 获得字符串// 找到分割的空格位置pos = temp.find(" "); // x坐标x = stof(temp.substr (0, pos));// y坐标y = stof(temp.substr (pos+1, temp.length()-pos-1));// 将<cv::Point2f >转换为<cv::KeyPoint >KeyPoint temp_keypoint;temp_keypoint.pt = Point2f(x, y);// 将<cv::KeyPoint >放入vectorforw_pts.push_back(temp_keypoint);}} forw_pts_file.close(); // // 打印行数进行验证是否都加载正常// cout << cur_pts.size() << endl;// cout << forw_pts.size() << endl;// 创建匹配vector<DMatch> matches;BFMatcher bfMatcher(NORM_L2);//计算特征点描述子，特征向量提取Mat dst1, dst2;// 使用SIFT会产生double free or corruption (!prev) 报错// Ptr<SiftDescriptorExtractor> descriptor = SiftDescriptorExtractor::create();Ptr<DescriptorExtractor> descriptor = ORB::create();// 计算描述子descriptor->compute(cur_img, cur_pts, dst1);descriptor->compute(forw_img, forw_pts, dst2);// 进行匹配bfMatcher.match(dst1, dst2, matches);// 用于输出的图像cv::Mat out_image;// 绘制输出图像drawMatches(cur_img, cur_pts, forw_img, forw_pts, matches, out_image);// 显示输出图像imshow("连线图像", out_image);waitKey(0);return 0;
}

7. cv::Mat与Eigen::Matrix互相转换

需要导入额外库文件

#include <opencv2/core/eigen.hpp>

互相转换

// 将cv::Mat转换为Eigen::Matrix
cv::cv2eigen(mat_cv, matrix_eigen);// 将Eigen::Matrix转换为cv::Mat
cv::eigen2cv(matrix_eigen, mat_cv);

8. 在窗口中显示放大后的图像

cv::namedWindow("show", 0);
cv::resizeWindow("show", cv::Size(1920, 1080));
cv::imshow("show", img);

C++学习笔记——opencv2模块（图像处理）相关推荐

Python学习笔记:第三方模块2
前言最近在学习深度学习,已经跑出了几个模型,但Pyhton的基础不够扎实,因此,开始补习Python了,大家都推荐廖雪峰的课程,因此,开始了学习,但光学有没有用,还要和大家讨论一下,因此,写下这些帖 ...
python中socket模块常用吗_python网络学习笔记——socket模块使用记录
此文章记录了笔者学习python网络中socket模块的笔记. 建议初次学习socket的读者先读一遍socket模块主要函数的介绍. socket模块的介绍可以参考笔者的前一篇关于socket官方文 ...
Verilog学习笔记-——Verilog模块例化
Verilog学习笔记---Verilog模块例化在一个模块中引用另一个模块,对其端口进行相关连接,叫做模块例化.模块例化建立了描述的层次.信号端口可以通过位置或名称关联,端口连接也必须遵循一些规则 ...
B站台湾大学郭彦甫｜MATLAB 学习笔记｜08 图像处理I Image Processing
MATLAB学习笔记(08 图像处理I Image Processing) 如果想获得更好浏览体验的朋友可以转到下面链接 08 1. 基本操作读取图像 imread() 展示图像 imshow() ...
B站台湾大学郭彦甫｜MATLAB 学习笔记｜09 图像处理II Image Processing
MATLAB学习笔记(09 图像处理II Image Processing) 如果想获得更好浏览体验的朋友可以转到下面链接 09 1. 提出问题题目:如何找出图片中的米粒,并且确定他们的大小? 老师 ...
Python学习笔记13_模块
Python学习笔记13_模块文章目录 Python学习笔记13_模块 1.导入模块和的方法及使用 2.分层的文件系统中常用的包结构 3.OS 模块 4.sys 模块 5.math 模块 6.ran ...
【小猫爪】AUTOSAR学习笔记15-BswM模块
[小猫爪]AUTOSAR学习笔记15-BswM模块前言 1 BswM模块简介 2 BswM功能简介 2.1 模式仲裁 2.2 模式控制 END 前言上一节介绍了一个非常夸张的EcuM模块,其中 ...
【小猫爪】AUTOSAR学习笔记14-EcuM模块
[小猫爪]AUTOSAR学习笔记14-EcuM模块前言 1 EcuM模块简介 2 EcuM功能简介 2.1 EcuM的状态机 2.2 RUN和POST_RUN 2.3 Startup阶段 1. St ...
数字图像处理学习笔记六彩色图像处理
目录 (一)彩色模型介绍 1.1 RGB模型 1.2 CMY.CMYK模型 1.3 HSI彩色模型 1.4 HSV模型 1.5 YCbCr 彩色空间 (二)伪彩色图像处理 (三)全彩色图像处理及彩色变 ...
Julia 学习笔记(五) | 模块开发 - 保姆级教程
唠唠闲话今年参与了 OSPP'22 的 Julia 开源项目,期间学习了 Julia 模块从开发到测试的完整过程.借这个机会,整理这段时间学习到的知识.Julia 在开发提供的工具便捷丰富,且对新人 ...

C++学习笔记——opencv2模块（图像处理）

C++学习笔记——opencv2模块（图像处理）

1. 使用方式

2. 注意点

3. 图片读写与属性

3.1 图片基本操作

3.2 遍历像素点

3.3 提取指定像素值

3.4 初始化为0的矩阵

3.5 计算某个灰度切片区域的像素和

4. 切片，浅拷贝与深拷贝

5. 图片操作函数

5.1 图片翻转

5.2 二值化

5.3 轮廓检测

5.4 计算均值与标准差

6. 一些代码样例

6.1 去畸变代码

6.2 ORB特征匹配代码

6.3 将特征数据写入磁盘/从磁盘读取特征数据并匹配输出

7. cv::Mat与Eigen::Matrix互相转换

8. 在窗口中显示放大后的图像

C++学习笔记——opencv2模块（图像处理）相关推荐

最新文章

热门文章