C++计算机视觉入门实战：从OpenCV基础到图像处理完整流程

1次阅读

没有评论

共计 3040 个字符，预计需要花费 8 分钟才能阅读完成。

计算机视觉技术在工业生产中正发挥着越来越重要的作用。以工业检测为例，传统人工质检方式存在效率低、漏检率高、成本高等问题。通过计算机视觉技术，我们可以实现：

产品缺陷自动检测（如表面划痕、尺寸偏差）
装配完整性验证
条码 / 字符识别

在安防领域，计算机视觉应用于：

人脸识别门禁系统
异常行为检测
人流统计与分析

虽然 Python+OpenCV 因其简洁易用广受欢迎，但在以下场景 C ++ 更具优势：

运行效率：处理高分辨率视频流时，C++ 执行速度通常比 Python 快 5 -10 倍
内存控制：精确管理大型图像数据的内存分配与释放
系统集成：更容易与现有 C ++ 工业系统对接
部署便利：编译为原生代码，无需解释器环境

开发周期较长
错误处理更复杂
缺少 Python 丰富的生态支持

推荐使用 CMake 进行项目配置，示例 CMakeLists.txt：

cmake_minimum_required(VERSION 3.10)
project(ComputerVisionDemo)

# 查找 OpenCV 包
find_package(OpenCV REQUIRED)

# 添加可执行文件
add_executable(demo main.cpp)

# 链接 OpenCV 库
target_link_libraries(demo ${OpenCV_LIBS})

# 设置 C ++ 标准
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

OpenCV 使用 Mat 类存储图像数据，关键内存管理原则：

理解 Mat 的共享内存机制
显式释放不再使用的 Mat 对象
避免不必要的图像拷贝

图像读取示例代码：

#include <opencv2/opencv.hpp>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("input.jpg", cv::IMREAD_COLOR);

    if(image.empty()) {
        std::cerr << "Could not open or find the image" << std::endl;
        return -1;
    }

    // 显示图像
    cv::imshow("Display window", image);
    cv::waitKey(0);

    return 0;
}

cv::Mat detectEdges(const cv::Mat& input) {
    cv::Mat gray, edges;

    // 转换为灰度图
    cv::cvtColor(input, gray, cv::COLOR_BGR2GRAY);

    // 应用 Canny 边缘检测
    cv::Canny(gray, edges, 50, 150);

    return edges;
}

void featureMatching(const cv::Mat& img1, const cv::Mat& img2) {
    // 初始化 SIFT 检测器
    auto detector = cv::SIFT::create();

    std::vector<cv::KeyPoint> keypoints1, keypoints2;
    cv::Mat descriptors1, descriptors2;

    // 检测关键点和计算描述符
    detector->detectAndCompute(img1, cv::noArray(), keypoints1, descriptors1);
    detector->detectAndCompute(img2, cv::noArray(), keypoints2, descriptors2);

    // 特征匹配
    auto matcher = cv::DescriptorMatcher::create(cv::DescriptorMatcher::FLANNBASED);
    std::vector<std::vector<cv::DMatch>> knn_matches;
    matcher->knnMatch(descriptors1, descriptors2, knn_matches, 2);

    // 过滤匹配点
    std::vector<cv::DMatch> good_matches;
    for(auto & match : knn_matches) {if(match[0].distance < 0.75 * match[1].distance) {good_matches.push_back(match[0]);
        }
    }

    // 绘制匹配结果
    cv::Mat img_matches;
    cv::drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_matches);

    cv::imshow("Good matches", img_matches);
    cv::waitKey(0);
}

在计算机视觉应用中，多线程可以显著提升性能，但需要注意：

OpenCV 部分函数不是线程安全的
Mat 对象的共享需要加锁
避免频繁创建 / 销毁线程

示例线程安全代码：

#include <mutex>

std::mutex matMutex;

void processFrame(cv::Mat& frame) {std::lock_guard<std::mutex> lock(matMutex);

    // 线程安全的图像处理
    cv::cvtColor(frame, frame, cv::COLOR_BGR2GRAY);

    // 其他处理...
}

Windows/Linux 路径分隔符差异
不同平台下视频采集 API 的行为差异
编译器对 OpenCV 特性的支持程度

避免在代码中硬编码路径，推荐做法：

使用配置文件
通过命令行参数传递
采用相对路径 + 工作目录设置

先在小样本上测试参数效果
建立参数配置文件，便于调整
对不同场景保存不同的参数预设

示例性能测试代码：

#include <chrono>

auto start = std::chrono::high_resolution_clock::now();

// 执行图像处理操作
processImage(image);

auto end = std::chrono::high_resolution_clock::now();

auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end - start);
std::cout << "Processing time:" << duration.count() << "ms" << std::endl;

考虑因素包括：