C++ OpenCV 基本模块（建议收藏）

C++ OpenCV 基本模块详解

C++ OpenCV 基本模块是计算机视觉开发中最核心的组件之一，包含图像处理、矩阵操作、绘图等功能。掌握这些模块，是进行 OpenCV C++ 开发的起点。

核心概念

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习库，被广泛用于图像和视频处理。C++ 是 OpenCV 最推荐的开发语言之一，其基本模块主要位于 opencv2/core、opencv2/imgproc、opencv2/highgui 和 opencv2/imgcodecs 等命名空间中。

这些模块提供了图像读取、显示、转换、滤波等常用功能，是后续高级视觉算法（如目标检测、图像识别）的基石。例如，core 模块管理数据结构和核心操作，imgproc 模块处理图像变换，而 highgui 与 imgcodecs 则负责图像的显示和读写。

基础语法

图像读取与显示

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {
    Mat img = imread("image.jpg"); // 读取图像
    if (img.empty()) {
        std::cout << "图像读取失败" << std::endl; // 检查是否读取成功
        return -1;
    }
    namedWindow("展示图像"); // 创建窗口
    imshow("展示图像", img); // 显示图像
    waitKey(0); // 等待按键
    return 0;
}

矩阵创建与操作

Mat A = Mat::eye(3, 3, CV_8UC1); // 创建一个 3x3 的单位矩阵，数据类型为 8 位无符号整数
std::cout << "矩阵 A: " << std::endl << A << std::endl; // 输出矩阵
Mat B = A + 1; // 矩阵加法
std::cout << "矩阵 B: " << std::endl << B << std::endl;

颜色空间转换

cvtColor(img, imgGray, COLOR_BGR2GRAY); // 将图像从 BGR 转换为灰度图

边缘检测

Canny(imgGray, edges, 100, 200); // 使用 Canny 算法检测边缘

进阶特性

OpenCV C++ 基本模块包含多个功能模块，以下是其中几个关键模块及其功能对比：

模块名称	功能说明	使用场景	示例函数
`core`	核心数据结构与数学操作	矩阵运算、数据操作	`Mat`, `Point`, `Scalar`
`imgproc`	图像处理函数	边缘检测、滤波、形态学操作	`Canny`, `blur`, `dilate`
`highgui`	图像显示和交互窗口	调试图像处理流程	`imshow`, `waitKey`
`imgcodecs`	图像编码解码	读取和保存图像文件	`imread`, `imwrite`
`videoio`	视频输入输出	实时视频处理、摄像头读取	`VideoCapture`, `VideoWriter`

实战应用

1. 实时摄像头图像灰度化

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {
    VideoCapture cap(0); // 打开默认摄像头
    if (!cap.isOpened()) {
        std::cout << "无法打开摄像头" << std::endl;
        return -1;
    }
    Mat frame, grayFrame;
    while (true) {
        cap >> frame; // 读取一帧图像
        if (frame.empty()) break;
        cvtColor(frame, grayFrame, COLOR_BGR2GRAY); // 转换为灰度图
        imshow("灰度视频", grayFrame); // 显示灰度图像
        if (waitKey(30) >= 0) break; // 按任意键退出
    }
    return 0;
}

2. 图像二值化处理

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {
    Mat img = imread("image.jpg", IMREAD_GRAYSCALE);
    Mat binary;
    threshold(img, binary, 128, 255, THRESH_BINARY); // 阈值分割，二值化图像
    imwrite("binary_image.jpg", binary); // 保存处理后的图像
    return 0;
}

注意事项

图像路径问题
OpenCV 的 imread 函数对图像路径非常敏感，确保文件路径正确，避免使用中文或空格路径。
数据类型匹配
使用 Mat 矩阵时，操作前后数据类型要保持一致，否则可能导致错误或数据丢失。例如，颜色空间转换前需确认图像是否为 CV_8UC3 格式。
资源释放问题
使用摄像头或窗口时，务必在程序结束前调用 destroyAllWindows() 或 release()，防止资源泄露。
阈值设置不合理
使用 threshold 等函数时，阈值设置不当可能导致图像处理效果不佳，建议配合 imshow 或 imwrite 动态调试。

高级技巧

1. 使用 ROI（Region of Interest）提取图像区域

Mat img = imread("image.jpg");
Rect roi(100, 100, 200, 200); // 定义感兴趣区域
Mat cropped = img(roi); // 提取 ROI 区域
imwrite("cropped_image.jpg", cropped); // 保存裁剪图像

2. 自定义图像滤波器

Mat kernel = (Mat_<float>(3,3) << 0, -1, 0, -1, 5, -1, 0, -1, 0); // 定义锐化滤波器
filter2D(img, sharpened, -1, kernel); // 应用滤波

3. 多通道图像处理

Mat bgr[3];
split(img, bgr); // 将 BGR 图像拆分为三个单通道
Mat gray;
merge(bgr, 3, imgMerged); // 合并通道

常见问题

Q1: 为什么使用 imread 读取图像后窗口不显示？
A: 检查图像路径是否正确，以及是否使用了 waitKey。如果图像为 empty()，说明文件未正确读取。

Q2: OpenCV 的 Mat 矩阵如何转换为 OpenCV 中的其他类型？
A: 使用 convertTo() 方法，例如 img.convertTo(imgFloat, CV_32F); 可将图像转为浮点型。

Q3: 如何处理图像尺寸不一致的问题？
A: 使用 resize() 函数调整图像尺寸，例如 resize(img, resizedImg, Size(200, 200));。

Q4: 如何使用 OpenCV 保存处理后的图像？
A: 使用 imwrite() 函数，格式参数支持 jpg、png、bmp 等常见图像格式，例如 imwrite("output.png", img);。

总结

C++ OpenCV 基本模块是图像处理开发的核心，包含图像读取、显示、转换、滤波等基本功能，掌握这些模块有助于快速构建计算机视觉应用。