C++ OpenCV 基本模块（千字长文）

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

• 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
• 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

前言

在计算机视觉和图像处理领域，C++ OpenCV 基本模块是开发者必须掌握的核心工具。OpenCV（Open Source Computer Vision Library）作为一个开源计算机视觉库，提供了丰富的算法和功能模块，尤其在实时图像处理、视频分析和模式识别等领域表现出色。无论是编程初学者还是中级开发者，掌握其基本模块都是构建复杂视觉应用的重要基石。本文将通过循序渐进的方式，结合实例代码，系统解析 OpenCV 的核心功能模块，并通过实际案例帮助读者理解其应用场景。

核心模块：图像与视频基础操作

1. 图像读取与显示

图像处理的第一步通常是读取和显示图像。在 OpenCV 中，imread() 函数用于加载图像文件，imshow() 函数用于展示图像窗口。

示例代码：读取并显示图像

#include <opencv2/opencv.hpp>  
using namespace cv;  

int main() {  
    // 读取图像（路径需根据实际情况修改）  
    Mat image = imread("path/to/image.jpg");  

    // 检查是否读取成功  
    if (image.empty()) {  
        std::cout << "Could not open or find the image!" << std::endl;  
        return -1;  
    }  

    // 创建窗口并显示图像  
    namedWindow("Original Image", WINDOW_NORMAL);  
    imshow("Original Image", image);  

    // 等待按键按下后关闭窗口  
    waitKey(0);  
    return 0;  
}  

关键点解析

• Mat 类：OpenCV 中的核心数据结构，用于存储图像和矩阵数据。
• imread() 参数：第二个参数可指定图像读取模式（如 IMREAD_COLOR 或 IMREAD_GRAYSCALE）。
• waitKey(0)：等待任意按键按下，避免窗口闪退。

2. 图像保存与格式转换

除了显示图像，OpenCV 还支持图像保存和格式转换。例如，可以将彩色图像转换为灰度图像，或调整图像的存储格式。

示例代码：图像转灰度并保存

// 转换为灰度图像  
Mat gray_image;  
cvtColor(image, gray_image, COLOR_BGR2GRAY);  

// 保存灰度图像  
imwrite("gray_image.jpg", gray_image);  

关键点解析

• cvtColor() 函数：通过指定转换代码（如 COLOR_BGR2GRAY）实现色彩空间转换。
• imwrite() 函数：支持多种格式（如 JPEG、PNG），需确保路径权限正确。

图像处理模块：基础操作与增强

1. 图像平滑与滤波

图像噪声是常见的问题，滤波操作可有效降低噪声。例如，高斯滤波通过卷积核对像素进行加权平均，平滑图像。

示例代码：高斯滤波

// 应用高斯滤波（核大小为 5x5，标准差为 0）  
Mat blurred_image;  
GaussianBlur(image, blurred_image, Size(5, 5), 0);  

形象比喻

高斯滤波如同用“模糊画笔”在图像上轻轻涂抹，通过邻域像素的加权平均，减少细节但保留整体结构。

2. 边缘检测与轮廓提取

边缘检测是图像分割的基础，常用算法包括 Canny 算子。

示例代码：Canny 边缘检测

// Canny 边缘检测（阈值分别为 100 和 200）  
Mat edges;  
Canny(image, edges, 100, 200);  

关键点解析

• 双阈值机制：Canny 算子通过高低阈值区分强边缘和弱边缘，弱边缘仅在与强边缘连接时保留。
• 输出结果：边缘图像是单通道二值图像（黑白图像）。

视频处理模块：实时流分析

1. 视频读取与帧处理

通过 VideoCapture 类，开发者可以读取摄像头或视频文件，并逐帧处理。

示例代码：读取摄像头视频流

VideoCapture cap(0); // 0 表示默认摄像头  

if (!cap.isOpened()) {  
    std::cout << "Error opening camera" << std::endl;  
    return -1;  
}  

while (true) {  
    Mat frame;  
    cap >> frame; // 读取当前帧  

    // 对每一帧进行处理（例如转灰度）  
    Mat gray_frame;  
    cvtColor(frame, gray_frame, COLOR_BGR2GRAY);  

    // 显示处理后的帧  
    imshow("Live Gray Video", gray_frame);  

    // 按 'q' 键退出循环  
    if (waitKey(30) == 'q') break;  
}  

cap.release();  

关键点解析

• cap >> frame：等同于 cap.read(frame)，用于逐帧读取。
• waitKey(30)：延迟 30 毫秒，确保视频流畅播放。

2. 视频保存与编码

通过 VideoWriter 类，可以将处理后的视频帧保存为文件。

示例代码：保存处理后的视频

VideoWriter out;  
out.open("output.avi", VideoWriter::fourcc('M','J','P','G'),  
         30, Size(640, 480), true);  

while (true) {  
    // ...（同上处理帧）  
    out.write(gray_frame); // 写入处理后的帧  
}  

关键点解析

• 编码格式：fourcc 参数定义视频编码格式（如 MJPG、XVID）。
• 帧率与分辨率：需与输入源的分辨率和帧率保持一致。

高级模块：特征检测与机器学习

1. 特征检测：角点与关键点

SIFT（Scale-Invariant Feature Transform）是经典的特征检测算法，用于检测图像中的关键点。

示例代码：SIFT 特征检测

Ptr<SIFT> detector = SIFT::create();  
std::vector<KeyPoint> keypoints;  

detector->detect(image, keypoints);  

// 绘制关键点  
Mat output;  
drawKeypoints(image, keypoints, output, Scalar(0, 0, 255), DrawMatchesFlags::DEFAULT);  
imshow("SIFT Features", output);  

形象比喻

SIFT 算法如同“图像中的指纹识别器”，通过分析局部区域的梯度和方向，找到具有独特性的关键点。

2. 机器学习基础：分类器与训练

OpenCV 的 ml 模块提供了多种机器学习算法，例如支持向量机（SVM）。

示例代码：SVM 分类器训练

Ptr<ml::SVM> svm = ml::SVM::create();  
svm->setKernel(ml::SVM::LINEAR); // 线性核函数  
svm->train(samples, ml::ROW_SAMPLE, responses);  

关键点解析

• 训练数据准备：需将图像特征转换为特征向量（如 HOG 特征）。
• 模型评估：通过交叉验证或测试集验证分类器性能。

实战案例：车牌识别系统

系统流程

1. 图像输入：读取车辆图像或视频帧。
2. 预处理：灰度化、高斯滤波、边缘检测。
3. 区域定位：通过形态学操作定位车牌区域。
4. 字符分割：分割车牌中的字符。
5. OCR 识别：使用分类器或深度学习模型识别字符。

关键代码片段

// 边缘检测后定位车牌区域  
Canny(blurred_image, edge_image, 50, 150);  
findContours(edge_image, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);  

// 遍历轮廓并筛选矩形区域  
for (const auto& contour : contours) {  
    Rect rect = boundingRect(contour);  
    if (rect.width > 100 && rect.height > 40) {  
        // 提取并保存车牌区域  
        Mat license_plate = image(rect);  
        // 进一步处理...  
    }  
}  

结论

通过本文对 C++ OpenCV 基本模块 的系统讲解，读者可以掌握从图像读写、滤波处理、视频分析到高级特征检测的核心功能。无论是开发简单的图像滤镜应用，还是构建复杂的实时监控系统，OpenCV 的模块化设计和丰富的算法库都提供了强大的支持。建议读者通过动手实践（如复现本文代码或参与开源项目）逐步深化理解，并结合实际需求探索更多高级功能。计算机视觉领域的发展日新月异，OpenCV 作为这一领域的基石工具，将持续助力开发者在图像处理和人工智能领域取得突破。

（全文约 1800 字）