VS2022，OpenCV4.8.0
OpenCV下载地址：
Releases - OpenCV
用于个人学习记录
学习于B站up主OpenCV学堂
目录
VS2022，OpenCV4.8.0
1.VS环境配置
1.1配置包含目录
1.2配置库目录
1.3配置链接器
1.4配置环境变量
1.5练习使用的图像编辑
2.图像的读取与显示
2.1加载并显示一张图片
2.2窗口自由调整
2.3图像的读取方式
加载图像的灰度图
3.图像色彩空间转换
3.1色彩转化
3.2保存图像
3.3提取指定色彩范围区域inrange
4.图像对象Mat
4.1图像和矩阵的存储：
4.2多通道和深度：
4.3构造和初始化：
4.4数据访问：
5.图像像素的读写操作
6.图像的算术操作
7.TrackBar滚动条操作
8.键盘响应
9.颜色表操作
10.图像像素逻辑操作
11.通道分离与合
编辑
混合图像
12.像素值统计
13.几何形状绘制
14.随机数与随机颜色
15.多边形填充与绘制
16.鼠标操作与响应
17.图像像素类型转化与归一化
18.图像缩放与插值
19.图像翻转
20.图像旋转
21.视频文件/摄像头使用
22.视频处理与保存
23.图像直方图
24.二维直方图
25.直方图均衡化
原理：
步骤：
26.图像卷积操作
原理：
步骤：
27.高斯模糊
高斯模糊的原理：
高斯模糊的步骤：
28.高斯双边模糊
29.实时人脸检测
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mscv::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mscv::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 255Mat 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msif (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80rectangle(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80imshow("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 0bgr[2] = 0;// 将 R 通道置为 0merge(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;}}}