vision-training-2026-opencvcpp/README.md

# 🎯 RoboMaster 视觉组 OpenCV C++ 零基础入门讲义

> **读者对象**：刚刚接触 Linux 仅一节课的大学新生  
> **学习时长**：约 3～4 小时（含上机操作）  
> **唯一前置要求**：会使用 `cd`、`ls`、`mkdir` 这几个最基本的 Linux 命令  
> **你将获得**：从"完全不懂 OpenCV"到"能写出一个简化的 RoboMaster 红色灯条检测程序"的能力

---

## 📖 目录

0. [完整实操演练：从下载到运行（跟随操作）](#0-完整实操演练从下载到运行跟随操作)
1. [课前准备：你的第一个任务](#1-课前准备你的第一个任务)
2. [什么是 OpenCV？为什么要学它？](#2-什么是-opencv为什么要学它)
3. [环境准备：在你的电脑上安装 OpenCV](#3-环境准备在你的电脑上安装-opencv)
4. [下载本次课程代码](#4-下载本次课程代码)
5. [课程目录结构说明](#5-课程目录结构说明)
6. [第 1 讲：图像读取与保存](#6-第-1-讲图像读取与保存)
7. [第 2 讲：颜色空间转换](#7-第-2-讲颜色空间转换)
8. [第 3 讲：高斯模糊](#8-第-3-讲高斯模糊)
9. [第 4 讲：Canny 边缘检测](#9-第-4-讲canny-边缘检测)
10. [第 5 讲：图像阈值化](#10-第-5-讲图像阈值化)
11. [第 6 讲：形态学操作——腐蚀与膨胀](#11-第-6-讲形态学操作腐蚀与膨胀)
12. [第 7 讲：颜色提取——inRange（核心！）](#12-第-7-讲颜色提取inrange核心)
13. [第 8 讲：综合流水线——串联一切](#13-第-8-讲综合流水线串联一切)
14. [课堂总结与下一步](#14-课堂总结与下一步)
15. [附录：完整源代码](#15-附录完整源代码)

---

## 0. 完整实操演练：从下载到运行（跟随操作）

> 如果你是第一次接触这个项目，请**一步一步跟随本节的命令操作**。你会看到完整的终端输出，帮助确认每一步是否正确。
> 建议打开一个 WSL 终端窗口，**看到一条命令就敲一条**，不要一次性全部粘贴。

---

### Step 0：打开 WSL 并克隆仓库

首先按 `Win + R`，输入 `wsl`，回车，打开 WSL 终端。

```bash
# 进入你的 WSL 家目录
cd ~

# 克隆仓库
git clone https://code.tuxmonkey.cn/TuxMonkey/vision-training-2026-opencvcpp.git

# 进入仓库
cd vision-training-2026-opencvcpp

# 看看里面有什么
ls
```

**你应该看到的输出：**

```
exp1_read_write/  exp2_color_space/  exp3_gaussian_blur/  exp4_canny/
exp5_threshold/   exp6_morphology/   exp7_inrange/        exp8_pipeline/
images/           README.md
```

> **如果提示 `git: command not found`**，先运行 `sudo apt install -y git`，再重新 clone。

---

### Step 1：编译运行 exp1（图像读取与保存）

```bash
cd ~/vision-training-2026-opencvcpp/exp1_read_write
mkdir build && cd build
cmake ..
make -j4
./exp1
```

**你应该看到的关键输出：**

```
[步骤 1] 正在生成一张 640x480 的彩色测试图片...
  -> 测试图片已保存为 test_image.jpg
[步骤 2] 正在读取 test_image.jpg...
  -> 读取成功！图像信息：
     宽度 (cols): 640 像素
     高度 (rows): 480 像素
     通道数:      3 (3=彩色, 1=灰度)
[步骤 3] 正在保存为 output.jpg...
  -> 图片已成功保存为 output.jpg
  -> 请在 Windows 资源管理器中打开该文件查看结果！

===== 实验 1 完成 =====
你学会了：
  1. cv::Mat 是 OpenCV 存储图像的数据类型
  2. cv::imread() 从文件读取图像
  3. cv::imwrite() 将图像写入文件
  4. 读取后一定要检查 empty()
```

---

### Step 2：编译运行 exp2（颜色空间转换）

```bash
cd ~/vision-training-2026-opencvcpp/exp2_color_space
mkdir build && cd build
cmake ..
make -j4
./exp2
```

**关键输出：**

```
[步骤 1] 正在生成彩色测试图片...
  -> 原始彩色图已保存为 original.jpg
[步骤 2] BGR -> Gray（灰度）...
  -> 已保存为 gray.jpg（单通道灰度图）
[步骤 3] BGR -> HSV...
  -> 已保存为 hsv.jpg（注意：HSV 图片直接查看颜色会怪怪的...）
[步骤 4] BGR -> Lab...
  -> 已保存为 lab.jpg
[步骤 5] BGR -> YCrCb...
  -> 已保存为 ycrcb.jpg
[步骤 6] 分离 HSV 各通道...
  -> 已保存 hsv_channel_H.jpg / S.jpg / V.jpg

===== 实验 2 完成 =====
你学会了：
  1. cv::cvtColor() 可以在不同颜色空间之间转换
  2. BGR → Gray：加权平均得到亮度
  3. BGR → HSV：分开颜色和亮度，对光照变化更鲁棒
  4. cv::split() 把多通道图像拆成单通道
  5. RoboMaster 中 HSV 是核心！后面实验 7 会用到
```

---

### Step 3：编译运行 exp3（高斯模糊）

```bash
cd ~/vision-training-2026-opencvcpp/exp3_gaussian_blur
mkdir build && cd build
cmake ..
make -j4
./exp3
```

**关键输出：**

```
[步骤 1] 正在生成测试图片（含清晰边缘和纹理）...
  -> 原始图片已保存为 original.jpg（注意看上面的散点噪声）
[步骤 2] 应用轻微高斯模糊 (ksize = 3x3)...
  -> 已保存为 blur_3x3.jpg（轻微模糊，细节基本保留）
[步骤 3] 应用中度高斯模糊 (ksize = 9x9)...
  -> 已保存为 blur_9x9.jpg（中度模糊，噪声消失，边缘变软）
[步骤 4] 应用重度高斯模糊 (ksize = 21x21)...
  -> 已保存为 blur_21x21.jpg（重度模糊，近乎一片朦胧）
[步骤 5] 应用各向异性模糊 (sigmaX=15, sigmaY=3)...
  -> 已保存为 blur_anisotropic.jpg（水平方向很糊，垂直方向较清晰）

===== 实验 3 完成 =====
```

---

### Step 4：编译运行 exp4（Canny 边缘检测）

```bash
cd ~/vision-training-2026-opencvcpp/exp4_canny
mkdir build && cd build
cmake ..
make -j4
./exp4
```

**关键输出：**

```
[步骤 1] 正在生成测试图片（包含各种边缘结构）...
  -> 原始图片已保存为 original.jpg
[步骤 2] 转换为灰度图...
  -> 灰度图已保存为 gray.jpg
[步骤 3] Canny 边缘检测 (阈值 50 / 150)...
  -> 已保存为 edges_low.jpg（低阈值，细节丰富）
[步骤 4] Canny 边缘检测 (阈值 100 / 200)...
  -> 已保存为 edges_mid.jpg（中等阈值，适中结果）
[步骤 5] Canny 边缘检测 (阈值 200 / 400)...
  -> 已保存为 edges_high.jpg（高阈值，只保留强边缘）
[步骤 6] 先高斯模糊，再 Canny 边缘检测...
  -> 已保存为 blurred.jpg（高斯模糊后）
  -> 已保存为 edges_after_blur.jpg（模糊后再做 Canny，边缘更干净）

===== 实验 4 完成 =====
```

---

### Step 5：编译运行 exp5（图像阈值化）

```bash
cd ~/vision-training-2026-opencvcpp/exp5_threshold
mkdir build && cd build
cmake ..
make -j4
./exp5
```

**关键输出：**

```
[步骤 1] 正在生成灰度渐变测试图...
  -> 原始渐变图已保存为 gradient.jpg
[步骤 2] THRESH_BINARY（标准二值化）...
[步骤 3] THRESH_BINARY_INV（反二值化）...
[步骤 4] THRESH_TRUNC（截断）...
[步骤 5] THRESH_TOZERO（置零）...
[步骤 6] THRESH_TOZERO_INV（反置零）...

===== 实验 5 完成 =====
你学会了：
  1. 阈值化就是把灰度图按某个界限分成两部分
  2. 有 5 种阈值类型，最常用的是 THRESH_BINARY
  3. 阈值化是图像分割的基础操作
```

---

### Step 6：编译运行 exp6（形态学操作）

```bash
cd ~/vision-training-2026-opencvcpp/exp6_morphology
mkdir build && cd build
cmake ..
make -j4
./exp6
```

**关键输出：**

```
[步骤 1] 正在生成二值测试图片...
  -> 原始二值图已保存为 binary.jpg
[步骤 2] 执行腐蚀操作 (Erosion)...
[步骤 3] 执行膨胀操作 (Dilation)...
[步骤 4] 执行开运算 (Opening = 腐蚀 + 膨胀)...
[步骤 5] 执行闭运算 (Closing = 膨胀 + 腐蚀)...
[步骤 6] 执行多次腐蚀 (iterations=3)...

===== 实验 6 完成 =====
你学会了：
  1. 腐蚀：白色区域缩小，可以去噪点
  2. 膨胀：白色区域扩大，可以填黑洞
  3. 开运算：去噪点但大体保持目标大小
  4. 闭运算：填空洞但大体保持目标大小
  5. 结构元素决定了操作的形状和范围
```

---

### Step 7：编译运行 exp7（颜色提取——核心！）

```bash
cd ~/vision-training-2026-opencvcpp/exp7_inrange
mkdir build && cd build
cmake ..
make -j4
./exp7
```

**关键输出：**

```
[步骤 1] 正在生成彩色测试图片...
  -> 原始彩色图片已保存为 original.jpg
[步骤 2] 将 BGR 图片转换为 HSV...
[步骤 3] 使用 inRange 提取红色区域...
[步骤 4] 用 mask 提取原图中的红色部分...
[步骤 5] 额外实验：提取蓝色区域...

===== 实验 7 完成 =====
你学会了：
  1. inRange 按颜色范围提取目标区域
  2. 为什么要用 HSV：分离颜色和亮度
  3. 红色需要两个 H 范围（因为色相是环状）
  4. bitwise_or 合并 mask，bitwise_and 提取原图
  5. 这是 RoboMaster 视觉灯条检测的基础！
```

---

### Step 8：编译运行 exp8（综合流水线——串联一切！）

```bash
cd ~/vision-training-2026-opencvcpp/exp8_pipeline
mkdir build && cd build
cmake ..
make -j4
./exp8
```

**这是最重要的一个实验！你应该看到如下输出：**

```
===== 实验 8：综合流水线 开始 =====

[阶段 1/6] 生成模拟 RoboMaster 场景的测试图片...
  -> 已保存 01_original_scene.jpg（原始场景图）
[阶段 2/6] BGR → HSV 颜色空间转换...
  -> 已保存 02_hsv.jpg
[阶段 3/6] 高斯模糊（减少噪点对后续处理的影响）...
  -> 已保存 03_hsv_blurred.jpg（模糊后的 HSV 图）
[阶段 4/6] inRange 提取红色区域...
  -> 已保存 04_red_mask_raw.jpg（原始红色 mask）
[阶段 5/6] 形态学操作清理 mask...
  -> 已保存 05a_mask_opened.jpg（开运算：去除噪点）
  -> 已保存 05b_mask_cleaned.jpg（闭运算：填充内部空洞）
[阶段 6/6] 在原图上标记检测结果...
  -> 已保存 06a_red_extracted.jpg（仅保留红色区域）
  -> 已保存 06b_mask_edges.jpg（mask 的边缘检测结果）
  -> 共找到 5 个轮廓
  -> 已保存 06c_result.jpg（最终结果：绿灯条框标记 = 检测到的灯条）
  -> 共检测到 2 个有效灯条

===== 实验 8 完成 =====
流水线回顾（你完整的加工步骤）：
  1. 读取 / 生成图像
  2. BGR → HSV 颜色空间转换
  3. 高斯模糊（去噪）
  4. inRange 提取目标颜色
  5. 形态学操作（清理 mask）
  6. 轮廓检测 + 画框（定位目标）

恭喜你！这已经是一个简化的 RoboMaster 灯条检测流程了！
```

> **重点看这一行**：`-> 共检测到 2 个有效灯条`  
> 这说明程序成功从图中找出了两个红色灯条！如果看到的是其他数字，说明筛选参数需要微调（参见讲义第 13 节）。

---

### 如何查看输出的图片

每个实验运行后，输出图片都保存在各自的 `build/` 文件夹中。有两种方式查看：

**方式一（推荐）：用 Windows 资源管理器打开**

在 WSL 终端的 build 目录下运行：

```bash
explorer.exe .
```

会在 Windows 资源管理器中打开当前目录，你可以直接双击 `.jpg` 文件查看图片。

**方式二：在 WSL 中确认文件存在**

```bash
ls *.jpg
```

---

### 重要提醒

1. **每个实验完全独立**——只需要进入对应的 exp 文件夹，`mkdir build && cd build && cmake .. && make -j4 && ./expX` 即可运行。不需要按顺序执行。
2. **`mkdir build && cd build && cmake .. && make -j4` 是重复出现的"标准四步"**，每个实验都一样，请记住这套编译流程。
3. **生成的图片请仔细对比**——讲义中每个实验末尾都有"运行结果预览"表格，列出了 `asset/` 文件夹中的参考图片。把你自己生成的图片和参考图片做对比，确保效果一致。
4. **如果编译报错**：
   - 最常见的错误是 OpenCV 没装好，运行 `pkg-config --modversion opencv4` 确认版本号能正确输出。
   - 其次是在错误的目录运行了 cmake，请确保你**在 `build/` 目录内**运行 `cmake ..`（注意是两个点 `..`，表示上一级目录）。
5. **所有实验的运行结果图片都可在 `asset/` 文件夹找到参考版本**，如果你不确定自己的输出是否正确，可以对比参考图。

---

## 1. 课前准备：你的第一个任务

### 1.1 确认你的电脑上已经有 WSL Ubuntu

按下键盘上的 `Win + R`，输入 `wsl`，回车。如果出现一个 Linux 风格的终端（黑底白字，提示符类似 `username@DESKTOP:~$`），说明 WSL 已经装好了。

如果没有，你需要先在 Microsoft Store 搜索并安装 "Ubuntu"。

### 1.2 快速复习：会用到的 Linux 命令

| 命令 | 含义 | 示例 |
|------|------|------|
| `pwd` | 打印当前所在目录（Print Working Directory） | 看自己在哪里 |
| `ls` | 列出当前目录下的文件和文件夹（List） | `ls -l` 看详细信息 |
| `cd 路径` | 切换到指定目录（Change Directory） | `cd /mnt/d/` 进入 D 盘 |
| `mkdir 名字` | 创建新文件夹（Make Directory） | `mkdir my_experiment` |
| `cd ..` | 返回上一级目录 | 回退一步 |

这些命令你在 Linux 第一节课应该已经学过了。如果还不熟练，建议先打开 WSL 终端练习一下。

---

## 2. 什么是 OpenCV？为什么要学它？

### 2.1 从一个生活场景说起

想象你走在校园里，看到前方有一位同学。你的大脑在不到 0.1 秒内就能完成以下分析：
- "那是一个人"（而不是一棵树或一辆车）
- "他穿着红色衣服"（区分颜色）
- "他在朝我走来"（识别运动方向）
- "是张三"（人脸识别）

这一系列"看懂世界"的能力，是人脑天生的。但对计算机来说，摄像头采集到的只是一大堆数字（像素值），它根本不知道"红色衣服"是哪几个数字组成的，更不知道"张三"长什么样。

**计算机视觉（Computer Vision）**这门学科，就是要让计算机从一堆数字中"看懂"图像内容。

### 2.2 OpenCV 是什么

**OpenCV** = **Open** Source **C**omputer **V**ision Library（开源计算机视觉库）

它是由 Intel 最早发起的开源项目，里面包含了**上千个已经写好的图像处理函数**。你不需要从零写一个"如何检测边缘"的算法——直接调用 `cv::Canny()` 函数就行。

### 2.3 RoboMaster 中视觉组做什么？

在 RoboMaster 比赛中，每个机器人装甲板的四个角上有 **LED 灯条**（红色或蓝色）。视觉组的工作流程是：

```
摄像头拍画面 → 找到灯条的颜色 → 确定灯条位置 → 计算三维坐标 → 发给云台瞄准射击
```

今天这堂课要教你的，就是整个流程的**前两步**——如何用 OpenCV 处理图像、提取颜色。这是整个视觉系统的基础。

---

## 3. 环境准备：在你的电脑上安装 OpenCV

### 3.1 打开 WSL 终端

在 Windows 开始菜单搜索 "WSL" 或 "Ubuntu"，打开终端。

### 3.2 逐条执行以下命令（不要一次性粘贴！）

```bash
# 第一步：更新软件源列表
# 就像你打开应用商店，先刷新一下有哪些可用的软件
sudo apt update

# 第二步：安装编译工具和 OpenCV
# build-essential : 包含 g++ 编译器（把代码变成可执行文件的工具）
# cmake           : 管理编译过程的工具（我们用它来告诉编译器怎么编译）
# libopencv-dev   : OpenCV 的 C++ 开发库（头文件 + 函数实现）
sudo apt install -y build-essential cmake libopencv-dev

# 第三步：验证安装
# 如果输出一个版本号（如 4.5.4），就说明安装成功了
pkg-config --modversion opencv4
```

> **Q: `sudo` 是什么？**  
> A: `sudo` = Super User DO，意思是"以管理员身份执行"。安装软件需要修改系统文件，普通用户没有权限，所以要加 `sudo`。第一次用会提示你输入密码（输入时**看不见任何字符**，这是 Linux 的安全设计，盲输完按回车就行）。

### 3.3 关于 Windows 和 WSL 的文件互通

这个知识点非常实用，请你**仔细看**：

- **你在 WSL 中的家目录**是 `/home/你的用户名/`，对应 Windows 中的 `\\wsl$\Ubuntu\home\你的用户名\`
- **Windows 的 C 盘**在 WSL 中是 `/mnt/c/`，D 盘是 `/mnt/d/`
- 在 Windows 文件资源管理器地址栏输入 `\\wsl$\Ubuntu` 可以浏览 WSL 的整个文件系统

> **实用技巧**：把 `\\wsl$\Ubuntu` 收藏到资源管理器的"快速访问"栏，后面你会频繁用到它来查看程序输出的图片。

---

## 4. 下载本次课程代码

本次课程的所有代码已经上传到了 Git 仓库。你需要把它下载到你的电脑上。

### 方法一：在 WSL 中用 git clone（推荐）

```bash
# 先进入一个合适的位置（比如你的 WSL 家目录）
cd ~

# 克隆仓库
git clone https://code.tuxmonkey.cn/TuxMonkey/vision-training-2026-opencvcpp.git

# 进入仓库目录
cd vision-training-2026-opencvcpp

# 看看里面有什么
ls -l
```

你会看到类似这样的输出：

```
exp1_read_write/
exp2_color_space/
exp3_gaussian_blur/
exp4_canny/
exp5_threshold/
exp6_morphology/
exp7_inrange/
exp8_pipeline/
images/
README.md
```

> **Q: 如果 WSL 中没有 git 怎么办？**  
> A: 运行 `sudo apt install -y git` 安装即可。

### 方法二：用 Windows 下载后放到 WSL 能访问的位置

1. 在浏览器中打开 `https://code.tuxmonkey.cn/TuxMonkey/vision-training-2026-opencvcpp`
2. 点击页面上的"下载"或"Clone"按钮，下载 ZIP 压缩包
3. 解压到 D 盘某个位置（比如 `D:\vision-training-2026-opencvcpp`）
4. 在 WSL 中通过 `/mnt/d/vision-training-2026-opencvcpp` 访问

> **推荐方法一**，因为后续课程更新时你只需 `git pull` 就能同步最新代码。

---

## 5. 课程目录结构说明

```
vision-training-2026-opencvcpp/
│
├── README.md                         ← 给讲师看的详细教案
├── STUDENT_GUIDE.md                  ← 你正在看的这份学生讲义
├── .gitignore                       ← Git 配置文件（不用管）
│
├── images/                          ← 示例图片素材
│   ├── exp1_sample.jpg              ← 实验 1 用：彩色水果
│   ├── exp2_colorful.jpg            ← 实验 2 用：彩色蝴蝶
│   ├── exp3_texture.jpg             ← 实验 3 用：有纹理的狒狒
│   ├── exp4_edges.jpg               ← 实验 4 用：有清晰边缘的建筑
│   ├── exp5_brightness.jpg          ← 实验 5 用：明暗变化的室内
│   ├── exp6_shapes.jpg              ← 实验 6 用：简单图形（Linux 企鹅）
│   ├── exp7_red.jpg                 ← 实验 7 用：红色苹果
│   └── exp8_complex.jpg             ← 实验 8 用：复杂场景（棋盘）
│
├── exp1_read_write/                 ← 第 1 讲：读取和保存图像
│   ├── CMakeLists.txt               ← 编译配置文件
│   └── main.cpp                     ← C++ 源代码
│
├── exp2_color_space/                ← 第 2 讲：颜色空间转换
│   ├── CMakeLists.txt
│   └── main.cpp
│
├── exp3_gaussian_blur/              ← 第 3 讲：高斯模糊
│   ├── CMakeLists.txt
│   └── main.cpp
│
├── exp4_canny/                      ← 第 4 讲：Canny 边缘检测
│   ├── CMakeLists.txt
│   └── main.cpp
│
├── exp5_threshold/                  ← 第 5 讲：图像阈值化
│   ├── CMakeLists.txt
│   └── main.cpp
│
├── exp6_morphology/                 ← 第 6 讲：形态学操作
│   ├── CMakeLists.txt
│   └── main.cpp
│
├── exp7_inrange/                    ← 第 7 讲：颜色提取（核心！）
│   ├── CMakeLists.txt
│   └── main.cpp
│
└── exp8_pipeline/                   ← 第 8 讲：综合流水线
    ├── CMakeLists.txt
    └── main.cpp
```

每个实验文件夹都是**独立**的——你可以单独进入任意一个文件夹，编译运行它，不依赖其他实验。

---

## 6. 第 1 讲：图像读取与保存

> **你想解决的问题**：如何让程序"看到"一张图片，然后再"存起来"？

### 6.1 什么是图像？（用初中数学就能理解）

在计算机的世界里，**图像就是一个二维数组（矩阵）**。就像一张坐标纸：

- 纸上有横排（行，row）和竖排（列，col）
- 每个交叉点的小格子叫一个**像素**（pixel）
- 小格子里填的数字代表这个点的颜色

比如一张 640×480 的彩色照片，就是 480 行 × 640 列的矩阵，每个格子里有 **3 个数字**（蓝、绿、红各一个，范围都是 0～255）。

- `0` = 完全没有这个颜色
- `255` = 这个颜色最亮
- 所以 `(0, 0, 255)` 在 BGR 中代表"没有蓝色、没有绿色、红色最亮"= **纯红色**

> **重要**：OpenCV 中的颜色顺序是 **BGR**（蓝、绿、红），不是我们习惯的 RGB！这是历史原因造成的，记住就好。

### 6.2 本次实验用到的函数

| 函数 | 作用 | 比喻 |
|------|------|------|
| `cv::Mat` | 在内存中存储图像 | 棋盘格纸 |
| `cv::imread("文件", 模式)` | 从硬盘读取图片到内存 | 扫描仪扫描照片 |
| `cv::imwrite("文件", 图像)` | 把内存中的图片存到硬盘 | 打印机打印照片 |
| `image.empty()` | 检查图片是否读取成功 | "牛奶买到了吗？" |

### 6.3 跟我一起看代码（逐行讲解）

> 请在 WSL 终端中运行以下命令打开源文件（或直接用 Windows 记事本打开）：
> ```bash
> cat exp1_read_write/main.cpp
> ```

下面我们逐段讲解关键代码：

#### (1) 头文件

```cpp
#include <opencv2/opencv.hpp>  // OpenCV 的"总头文件"，包含了所有常用功能
#include <iostream>            // 让你能在终端打印文字（cout、cerr）
```

`#include` 的意思是"把某个文件的内容复制粘贴到这里"。`<opencv2/opencv.hpp>` 这个文件里声明了所有 OpenCV 函数，没有它，编译器就不知道 `cv::imread` 是什么意思。

#### (2) main 函数

```cpp
int main()
```

所有 C++ 程序的入口点。程序启动后，操作系统会调用这个函数。`int` 表示这个函数返回一个整数（`return 0` 表示正常结束，`return -1` 表示异常结束）。

#### (3) 创建一张"画布"

```cpp
cv::Mat canvas(480, 640, CV_8UC3, cv::Scalar(50, 50, 50));
```

这一行干了什么？让我们拆解每个参数：

| 参数 | 值 | 含义 |
|------|-----|------|
| 第 1 个 | `480` | **行数（高度）** = 480 像素 |
| 第 2 个 | `640` | **列数（宽度）** = 640 像素 |
| 第 3 个 | `CV_8UC3` | **像素类型** = 8 位无符号整数(U)、3 个通道(C3) |
| 第 4 个 | `cv::Scalar(50,50,50)` | **初始颜色** = B=50, G=50, R=50（深灰色） |

`CV_8UC3` 拆解：
- `8U` = 8-bit Unsigned（8 位无符号整数，取值范围 0～255）
- `C3` = 3 Channels（3 个颜色通道，即 B、G、R 各一个）

所以每个像素需要 3 个字节存储，整张图需要 480 × 640 × 3 = 921,600 字节 ≈ 0.88 MB。

#### (4) 在画布上画画

```cpp
cv::circle(canvas, cv::Point(150, 120), 80, cv::Scalar(255, 0, 0), -1);
//         ↑画布   ↑圆心坐标(x=150,y=120) ↑半径80 ↑颜色(B=255纯蓝) ↑线宽-1=填充
```

`cv::Point(x, y)`：注意 x 是水平方向（第几列），y 是垂直方向（第几行）。

```cpp
cv::rectangle(canvas, cv::Point(100, 280), cv::Point(540, 440),
              cv::Scalar(0, 255, 255), 3);  // 黄色空心矩形，线宽=3像素
```

`cv::Scalar(B, G, R)`：记住 BGR 顺序——`(0, 255, 255)` = 蓝色 0 + 绿色 255 + 红色 255 = **黄色**（因为绿+红=黄，这是加色法原理）。

#### (5) 保存为文件

```cpp
bool write_ok = cv::imwrite("test_image.jpg", canvas);
```

- 第一个参数 `"test_image.jpg"`：文件名。扩展名 `.jpg` 决定了保存格式（JPEG 压缩）
- 第二个参数 `canvas`：要保存的图像（刚才画了圆和矩形的那个 Mat）
- 返回值 `bool`：`true` = 保存成功，`false` = 失败

#### (6) 读回刚才保存的文件

```cpp
cv::Mat image = cv::imread("test_image.jpg", cv::IMREAD_COLOR);
```

第二个参数 `cv::IMREAD_COLOR`（或数字 `1`）表示"以彩色模式读取"。其他选项：

| 参数 | 数字 | 含义 |
|------|------|------|
| `cv::IMREAD_COLOR` | `1` | 始终读成 3 通道彩色图（默认） |
| `cv::IMREAD_GRAYSCALE` | `0` | 始终读成 1 通道灰度图 |
| `cv::IMREAD_UNCHANGED` | `-1` | 保持原样（含透明通道） |

#### (7) 极其重要的检查

```cpp
if (image.empty())
{
    std::cerr << "[错误] 无法读取图像！" << std::endl;
    return -1;  // -1 表示程序异常退出
}
```

**如果不写这段检查会怎样？** 如果文件不存在，`imread` 不报错，而是返回一个"空"的 Mat。后续任何对空 Mat 的操作都会导致程序**崩溃**。所以**每次 imread 之后必须检查 empty()**——养成这个习惯！

### 6.4 动手编译运行

```bash
# 确保你在仓库根目录
cd ~/vision-training-2026-opencvcpp/exp1_read_write

# 创建编译目录并进入
mkdir -p build && cd build

# 用 cmake 生成编译规则，然后用 make 编译
cmake .. && make -j$(nproc)

# 运行程序
./exp1
```

> **为什么要在 build 目录中操作？**  
> 编译会产生很多中间文件（.o、Makefile 等），放在单独的 build 目录中，方便清理（直接 `rm -rf build` 就行），也不会把源代码目录弄乱。

### 6.5 查看结果

程序运行后，在 `build/` 目录下生成了 `test_image.jpg`（程序画的测试图）和 `output.jpg`（读取后再保存的图）。

在 WSL 终端中，用以下命令确认文件存在：

```bash
ls -l *.jpg
```

如何**在 Windows 中看图**？打开文件资源管理器，在地址栏输入：

```
\\wsl$\Ubuntu\home\你的用户名\vision-training-2026-opencvcpp\exp1_read_write\build
```

或者直接在 WSL 中运行：

```bash
explorer.exe .
```

这会在 Windows 资源管理器中打开当前 WSL 目录。

> **提示**：把 `\\wsl$\Ubuntu\home\你的用户名\vision-training-2026-opencvcpp` 收藏到快速访问栏，后面每个实验都能快速查看输出图片。

**运行结果预览**：

| 程序生成的测试图 | 读取后再保存的验证图 |
|---|---|
| ![程序生成的原图（蓝/绿/红圆形 + 黄色矩形 + 文字）](asset/exp1_read_write_test_image.jpg) | ![读取后再保存的验证图](asset/exp1_read_write_output.jpg) |

### 6.6 试试用自己的图片

把任何一张 `.jpg` 图片复制到 `exp1_read_write/build/` 目录下，然后修改 `main.cpp` 中的文件名，重新编译运行，看看能不能读写你自己的图片。

---

## 7. 第 2 讲：颜色空间转换

> **你想解决的问题**：计算机有好几种不同的方式描述颜色，每种方式适合不同的任务。怎么在这些"颜色语言"之间翻译？

### 7.1 什么是"颜色空间"？

**颜色空间**就是"用什么样的坐标系来描述颜色"。同一个颜色，可以用不同的"语言"来表达：

| 颜色空间 | 描述方式 | 类比 |
|----------|----------|------|
| **BGR** | 蓝、绿、红三个分量各用 0～255 表示 | 经纬度坐标（三维精确定位） |
| **Gray（灰度）** | 只有一个 0～255 的值，表示亮度 | 海拔高度（一维数值） |
| **HSV** | 色相(H)、饱和度(S)、明度(V) | 方向+距离+高度 |

**重点理解 HSV**——这是 RoboMaster 中最重要的颜色空间：
- **H（Hue，色相）**：是什么颜色。0=红，30=黄，60=绿，120=蓝——就像色环上的角度
- **S（Saturation，饱和度）**：颜色有多"纯"。0=灰色（没颜色），255=最鲜艳
- **V（Value，明度）**：有多亮。0=黑色，255=最亮

> **为什么 RoboMaster 用 HSV 而不是 BGR？**
> 
> 想象一个红色灯条——在暗光下 BGR 值可能是 `(0, 0, 80)`，在强光下可能是 `(0, 50, 255)`。BGR 三个值全变了！但在 HSV 中，两者的 **H 值都是 0**（都是红色），只有 **V 值**不同。所以你只需设定 H 的范围就能框住"红色"，不受光照影响。这是 inRange 颜色提取的关键原理。

### 7.2 本次实验用到的函数

| 函数 | 作用 |
|------|------|
| `cv::cvtColor(src, dst, 转换代码)` | 颜色空间转换 |
| `cv::split(多通道图, 单通道数组)` | 把多通道拆成独立的单通道 |

### 7.3 跟我一起看代码

#### 核心代码

```cpp
// 转换 1：BGR → 灰度
cv::Mat gray;
cv::cvtColor(color_image, gray, cv::COLOR_BGR2GRAY);
// 内部公式：Gray = 0.299×R + 0.587×G + 0.114×B
// 人眼对绿色最敏感（权重最高），对蓝色最不敏感（权重最低）

// 转换 2：BGR → HSV（RoboMaster 核心！）
cv::Mat hsv;
cv::cvtColor(color_image, hsv, cv::COLOR_BGR2HSV);
// 转换后 H∈[0,180], S∈[0,255], V∈[0,255]

// 转换 3：BGR → Lab（设备无关的均匀颜色空间）
cv::Mat lab;
cv::cvtColor(color_image, lab, cv::COLOR_BGR2Lab);

// 转换 4：BGR → YCrCb（常用于视频压缩）
cv::Mat ycrcb;
cv::cvtColor(color_image, ycrcb, cv::COLOR_BGR2YCrCb);
```

#### 拆分 HSV 通道

```cpp
std::vector<cv::Mat> hsv_channels;         // 创建 3 个 Mat 的容器
cv::split(hsv, hsv_channels);              // 拆分！
// hsv_channels[0] = H 通道（色相图）
// hsv_channels[1] = S 通道（饱和度图）
// hsv_channels[2] = V 通道（明度图）
```

拆分后保存的 `hsv_channel_S.jpg` 非常值得一看——你会发现白色区域的 S 值接近 0（因为没有"颜色"），而彩色区域的 S 值很高。**这就是为什么 inRange 时要把 S 下界设高，来排除白色背景。**

### 7.4 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp2_color_space
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp2
```

### 7.5 查看结果

重点看 `hsv_channel_H.jpg`、`hsv_channel_S.jpg`、`hsv_channel_V.jpg` 三张图，理解 HSV 每个通道"长什么样"。

**运行结果预览**：

| 原始彩色图 | 灰度转换 | HSV转换 |
|---|---|---|
| ![原始彩色图](asset/exp2_color_space_original.jpg) | ![灰度转换结果](asset/exp2_color_space_gray.jpg) | ![HSV转换结果](asset/exp2_color_space_hsv.jpg) |

| H通道（色相） | S通道（饱和度） | V通道（明度） |
|---|---|---|
| ![H通道（色相）](asset/exp2_color_space_hsv_channel_H.jpg) | ![S通道（饱和度）](asset/exp2_color_space_hsv_channel_S.jpg) | ![V通道（明度）](asset/exp2_color_space_hsv_channel_V.jpg) |

| Lab转换 | YCrCb转换 |
|---|---|
| ![Lab转换](asset/exp2_color_space_lab.jpg) | ![YCrCb转换](asset/exp2_color_space_ycrcb.jpg) |

---

## 8. 第 3 讲：高斯模糊

> **你想解决的问题**：摄像头拍到的画面总有噪点（就像手机在暗光下拍照会有颗粒感），怎么把这些噪点"抹平"？

### 8.1 什么是模糊？

**模糊 = 让每个像素和周围像素的颜色"混在一起"**。

具体做法是：对于图像中的每个像素，看一眼它周围的邻居，按距离远近加权取平均，把结果作为这个像素的新颜色值。

**为什么叫"高斯"模糊？**  
德国数学家高斯（Gauss）发现了一种"钟形曲线"（正态分布）。用这个曲线来决定周围像素各占多大权重——离中心越近的像素，权重越大，影响越大。这种加权方式比"简单取平均"更自然。

### 8.2 函数详解

```cpp
cv::GaussianBlur(输入, 输出, 核大小, X方向标准差, Y方向标准差);
//              src    dst    ksize     sigmaX       sigmaY
```

| 参数 | 含义 | 注意事项 |
|------|------|----------|
| `ksize` | 模糊范围，如 `cv::Size(3,3)` | **必须是奇数！** 3,5,7,9... |
| `sigmaX` | 水平方向模糊程度 | 设为 0 让 OpenCV 自动计算（推荐） |
| `sigmaY` | 垂直方向模糊程度 | 设为 0 则等于 sigmaX |

> **为什么 ksize 必须是奇数？**  
> 因为核需要一个明确的"中心像素"。3×3 的中心是第 2 行第 2 列。4×4？没有中心，没法定义。

### 8.3 跟我一起看代码

```cpp
// 轻微模糊：3×3 核，只混合最近的 8 个邻居
cv::Mat blur_light;
cv::GaussianBlur(original, blur_light, cv::Size(3, 3), 0, 0);

// 中度模糊：9×9 核，覆盖 81 个像素
cv::Mat blur_medium;
cv::GaussianBlur(original, blur_medium, cv::Size(9, 9), 0, 0);

// 重度模糊：21×21 核（实际中很少用这么大）
cv::Mat blur_heavy;
cv::GaussianBlur(original, blur_heavy, cv::Size(21, 21), 0, 0);

// 各向异性模糊：水平方向模糊大，垂直方向模糊小
cv::Mat blur_aniso;
cv::GaussianBlur(original, blur_aniso, cv::Size(0, 0), 15, 3);
// ksize=(0,0) 时，OpenCV 会根据 sigma 自动计算核大小
// sigmaX=15 远大于 sigmaY=3，所以水平方向被"抹平"得厉害
```

程序会生成一张带有圆、三角形、文字和**随机散点**的测试图（散点用来模拟噪声），然后用 4 种不同参数做模糊，方便你对比效果。

### 8.4 在 RoboMaster 中的实际用途

在提取红色灯条之前，我们通常会先做一次**轻微高斯模糊**（核大小 3～7）。原因是：
- 摄像头传感器本身有噪点
- 噪点在 HSV 空间中也可能被误判为红色
- 先模糊可以"抹平"这些随机噪点，让后续 inRange 的结果更干净

### 8.5 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp3_gaussian_blur
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp3
```

查看 `original.jpg` → `blur_3x3.jpg` → `blur_9x9.jpg` → `blur_21x21.jpg`，对比噪点的消失过程。

**运行结果预览**：

| 原始图片（含散点噪声） | 轻微模糊 (ksize=3×3) | 中度模糊 (ksize=9×9) |
|---|---|---|
| ![原始图片（含散点噪声）](asset/exp3_gaussian_blur_original.jpg) | ![轻微模糊 ksize=3×3](asset/exp3_gaussian_blur_blur_3x3.jpg) | ![中度模糊 ksize=9×9](asset/exp3_gaussian_blur_blur_9x9.jpg) |

| 重度模糊 (ksize=21×21) | 各向异性模糊 (sigmaX=15, sigmaY=3) |
|---|---|
| ![重度模糊 ksize=21×21](asset/exp3_gaussian_blur_blur_21x21.jpg) | ![各向异性模糊 sigmaX=15 sigmaY=3](asset/exp3_gaussian_blur_blur_anisotropic.jpg) |

---

## 9. 第 4 讲：Canny 边缘检测

> **你想解决的问题**：如何找出图像中"物体的轮廓"？就像用铅笔把照片中所有物体的边界描出来。

### 9.1 什么是"边缘"？

**边缘 = 图像中亮度急剧变化的地方**。

比如一张白纸上画了一条黑线——白纸和黑线交界处的像素值从"接近 255"突变成"接近 0"，这个"突变位置"就是边缘。

### 9.2 Canny 算法速览

Canny 是迄今为止最经典的边缘检测算法，发表于 1986 年。它分 5 个步骤：

1. **高斯滤波**：先模糊去噪（因为噪点也会被误检为边缘）
2. **计算梯度**：找出每个像素亮度变化最大的方向和变化幅度
3. **非极大值抑制**：只保留梯度方向上的最大值，把边缘"细化"为单像素宽度
4. **双阈值检测**：用两个阈值筛选强弱边缘
5. **边缘连接**：孤立的弱边缘丢弃，与强边缘相连的弱边缘保留

你不需要背这 5 步，但需要理解**第 4 步的双阈值机制**，因为这是你需要手动调参的地方。

### 9.3 双阈值机制——"迟滞阈值"

```
threshold2（高阈值）→ 梯度强度 > 这个值的：绝对是边缘（强边缘），直接保留
threshold1（低阈值）→ 梯度强度 < 这个值的：绝对不是边缘，直接丢弃
介于两者之间的        → 看情况：和强边缘连着的就算边缘，孤立的就丢弃
```

**生活比喻**：这就像一些社团招新——

- threshold2 = "面试官一眼看中的优秀新生"（直接录取）
- threshold1 = "明显不合格的"（直接淘汰）
- 介于两者之间的，看他们有没有认识的学长学姐（是否和已录取的人相邻）。有关系就录取，没关系的刷掉。

**推荐参数比例**：`threshold2 ≈ 2 × threshold1` 或 `3 × threshold1`，比如 (50, 150) 或 (100, 200)。

### 9.4 跟我一起看代码

```cpp
// Canny 输入必须是灰度图！
cv::Mat gray;
cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);

// 低阈值（50, 150）：检出大量边缘，包括细节纹理
cv::Mat edges_low;
cv::Canny(gray, edges_low, 50, 150);

// 中等阈值（100, 200）：去掉了大部分噪声，保留主要轮廓
cv::Mat edges_mid;
cv::Canny(gray, edges_mid, 100, 200);

// 高阈值（200, 400）：只保留最强烈的边缘
cv::Mat edges_high;
cv::Canny(gray, edges_high, 200, 400);

// 最佳实践：先模糊再 Canny（边缘更干净！）
cv::Mat blurred;
cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);
cv::Mat edges_blurred;
cv::Canny(blurred, edges_blurred, 50, 150);
```

> **重要提醒**：`cv::Canny` 的第一个参数**必须是 8 位单通道灰度图**！如果你传入彩色图，函数会静默失败或产生奇怪的结果。确保先用 `cv::cvtColor` 转成灰度。

### 9.5 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp4_canny
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp4
```

对比 `edges_low.jpg`、`edges_mid.jpg`、`edges_high.jpg`、`edges_after_blur.jpg`，理解阈值如何影响结果。

**运行结果预览**：

| 原始彩色图 | 灰度转换 |
|---|---|
| ![原始彩色图](asset/exp4_canny_original.jpg) | ![灰度转换](asset/exp4_canny_gray.jpg) |

| 低阈值 (50/150) | 中等阈值 (100/200) | 高阈值 (200/400) |
|---|---|---|
| ![低阈值 50/150](asset/exp4_canny_edges_low.jpg) | ![中等阈值 100/200](asset/exp4_canny_edges_mid.jpg) | ![高阈值 200/400](asset/exp4_canny_edges_high.jpg) |

| 高斯模糊后 | 先模糊再Canny |
|---|---|
| ![高斯模糊后](asset/exp4_canny_blurred.jpg) | ![先模糊再Canny](asset/exp4_canny_edges_after_blur.jpg) |

---

## 10. 第 5 讲：图像阈值化

> **你想解决的问题**：怎么把一张灰度图变成"非黑即白"的二值图？就像把照片复印成只有黑白两色的文件。

### 10.1 什么是阈值化？

**阈值化 = 设一个"分界线"，高于它的全变白，低于它的全变黑。**

想象一次考试：
- 成绩 = 0～100 分
- 及格线 = 60 分（这就是 **threshold**，阈值）
- ≥60 分 → "通过" → 在图像中对应变白色(255)
- <60 分 → "不通过" → 在图像中对应变黑色(0)

应用到图像：
- 每个像素灰度值 = 0～255
- 设阈值 = 128
- ≥128 → 白色
- <128 → 黑色

### 10.2 5 种阈值类型

OpenCV 提供了 5 种不同的"切法"，假设阈值 = 128, 最大值 = 255：

| 类型 | 像素 > 128 时 | 像素 ≤ 128 时 | 视觉效果 |
|------|-------------|-------------|----------|
| `THRESH_BINARY` | 设为 255（白） | 设为 0（黑） | 标准黑白图 |
| `THRESH_BINARY_INV` | 设为 0（黑） | 设为 255（白） | 黑白反转 |
| `THRESH_TRUNC` | 设为 128（截断） | 保持原值 | 亮部被削平 |
| `THRESH_TOZERO` | 保持原值 | 设为 0（黑） | 暗部清零 |
| `THRESH_TOZERO_INV` | 设为 0（黑） | 保持原值 | 亮部清零 |

### 10.3 跟我一起看代码

```cpp
cv::threshold(src, dst, thresh, maxval, type);
//           输入  输出  阈值    最大值   类型

// 示例：标准二值化
cv::Mat binary;
cv::threshold(gray, binary, 128, 255, cv::THRESH_BINARY);
// 灰度 >= 128 → 变为 255（白）
// 灰度 <  128 → 变为 0（黑）

// 反二值化
cv::Mat binary_inv;
cv::threshold(gray, binary_inv, 128, 255, cv::THRESH_BINARY_INV);
// 效果和上面完全反过来
```

本实验生成一张从左到右灰度从 0 渐变到 255 的测试图，然后分别用 5 种类型做阈值化，让你直观看到每种"切法"的不同。

> **RoboMaster 中常用哪个？** `THRESH_BINARY`——直接把灰度图转成非黑即白的二值图，这是形态学处理和轮廓检测的前置步骤。

### 10.4 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp5_threshold
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp5
```

**运行结果预览**：

| 灰度渐变图 | THRESH_BINARY | THRESH_BINARY_INV |
|---|---|---|
| ![灰度渐变图](asset/exp5_threshold_gradient.jpg) | ![THRESH_BINARY](asset/exp5_threshold_thresh_binary.jpg) | ![THRESH_BINARY_INV](asset/exp5_threshold_thresh_binary_inv.jpg) |

| THRESH_TRUNC | THRESH_TOZERO | THRESH_TOZERO_INV |
|---|---|---|
| ![THRESH_TRUNC](asset/exp5_threshold_thresh_trunc.jpg) | ![THRESH_TOZERO](asset/exp5_threshold_thresh_tozero.jpg) | ![THRESH_TOZERO_INV](asset/exp5_threshold_thresh_tozero_inv.jpg) |

---

## 11. 第 6 讲：形态学操作——腐蚀与膨胀

> **你想解决的问题**：二值图中有很多杂散的小白点（噪声）和小黑洞（空洞），怎么去掉它们而不大幅改变物体的大小？

### 11.1 腐蚀（Erosion）

**白的东西变瘦一圈**。

**比喻**：沙滩上的字被涨潮的海水冲——字的边缘被海水"吃掉"一圈，字变瘦了甚至消失了。

**在 RoboMaster 中的用途**：inRange 提取颜色后，背景上可能有一些零散的白色噪点。这些噪点本来就很小，一次腐蚀就能让它们消失，而灯条比较大，只是边缘瘦了一小圈，不会消失。

### 11.2 膨胀（Dilation）

**白的东西变胖一圈**。

**比喻**：给房子外围砌了一圈围墙——房子范围变大了。

**在 RoboMaster 中的用途**：灯条内部可能因为光线不均匀出现一些小黑洞，膨胀能把周围的白色区域推进来，把黑洞填上。

### 11.3 开运算与闭运算

| 名称 | 操作顺序 | 效果 | 适用场景 |
|------|----------|------|----------|
| **开运算** | 先腐蚀，再膨胀 | 去掉小白点，目标大小基本恢复 | 去背景噪点 |
| **闭运算** | 先膨胀，再腐蚀 | 填上小黑洞，目标大小基本恢复 | 填内部空洞 |

**关键概念**：单独做腐蚀会让物体变瘦，单独做膨胀会让物体变胖。但**先腐蚀再膨胀**（或反过来），物体大小基本恢复原样，只保留了"消噪声"或"填空洞"的效果——就像用橡皮擦擦掉污渍，字本身大小不变。

### 11.4 跟我一起看代码

```cpp
// 创建结构元素（"腐蚀/膨胀的模板"）
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
//              ↑函数名                         ↑矩形核      ↑5×5 像素大小

// 腐蚀：白色区域变小
cv::Mat eroded;
cv::erode(binary, eroded, kernel);

// 膨胀：白色区域变大
cv::Mat dilated;
cv::dilate(binary, dilated, kernel);

// 开运算 = 先腐蚀 + 再膨胀（需手动两步）
cv::Mat opened;
cv::erode(binary, opened, kernel);
cv::dilate(opened, opened, kernel);

// 闭运算 = 先膨胀 + 再腐蚀
cv::Mat closed;
cv::dilate(binary, closed, kernel);
cv::erode(closed, closed, kernel);

// 多次腐蚀：iterations 参数
cv::Mat eroded_multi;
cv::erode(binary, eroded_multi, kernel, cv::Point(-1, -1), 3);
//                                                  ↑默认锚点   ↑做 3 次
```

### 11.5 一个重要的观察

本实验的测试图设计得很巧妙：白色矩形内有两个**黑色圆洞**（模拟目标内部的空洞），背景上有大量**白色散点**（模拟噪声）。

- 开运算后：噪点消失 ✓，但矩形内部的黑洞**变大了** ✗
- 闭运算后：黑洞填上了 ✓，但背景噪点**变大了** ✗

**结论**：实际 RoboMaster 项目中，通常**先开运算去噪，再闭运算填空**，组合使用达到最佳效果。

### 11.6 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp6_morphology
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp6
```

依次查看 `binary.jpg` → `eroded.jpg` → `dilated.jpg` → `opened.jpg` → `closed.jpg`。

**运行结果预览**：

| 原始二值图 | 腐蚀后 | 膨胀后 |
|---|---|---|
| ![原始二值图（白色矩形+内部黑洞+背景噪点）](asset/exp6_morphology_binary.jpg) | ![腐蚀后](asset/exp6_morphology_eroded.jpg) | ![膨胀后](asset/exp6_morphology_dilated.jpg) |

| 开运算 | 闭运算 | 3次腐蚀 |
|---|---|---|
| ![开运算](asset/exp6_morphology_opened.jpg) | ![闭运算](asset/exp6_morphology_closed.jpg) | ![3次腐蚀](asset/exp6_morphology_eroded_x3.jpg) |

---

## 12. 第 7 讲：颜色提取——inRange（核心！）

> 🚨 **这是整堂课最核心的章节！**  
> 学完这一讲，你就掌握了 RoboMaster 灯条检测的关键技术基础。

### 12.1 你想解决什么问题？

RoboMaster 机器人装甲板上有**红色**或**蓝色**的 LED 灯条。摄像头拍到的画面中包含各种颜色（场地背景、对手机器人、裁判系统等）。**你需要从这堆颜色中精确地找出"哪些像素是红色的"**，忽略其他所有颜色。

这就是 `cv::inRange` 要做的事情。

### 12.2 inRange 是什么？

`inRange` 是一个**按颜色范围过滤像素**的函数。

**比喻**：你有一堆混在一起的彩色糖果（红、绿、蓝、黄...），你只想挑出红色的。`inRange` 就是那个"只能让红色通过"的筛子——红色的留下（标记为白色），其他颜色的丢掉（标记为黑色）。

### 12.3 函数详解

```cpp
cv::inRange(src, lowerb, upperb, dst);
//         输入   下界      上界     输出 mask
```

- **src**：输入图像（必须先用 `cv::cvtColor` 转为 HSV！）
- **lowerb**：颜色范围的下界，一个 `cv::Scalar(H_min, S_min, V_min)`
- **upperb**：颜色范围的上界，一个 `cv::Scalar(H_max, S_max, V_max)`
- **dst**：输出二值 mask，满足条件 = 255(白)，不满足 = 0(黑)

### 12.4 红色的 HSV 范围（重中之重！）

OpenCV 中 HSV 的取值范围：
- H：0～180（注意不是 360！OpenCV 把 360° 压缩到了 180°）
- S：0～255
- V：0～255

红色在 H 轴上比较特殊——它**跨越了 0°**的边界（因为色相是一个环，0° 和 360° 都是红色）。所以提取红色需要**两个 H 区间**：

```
┌─────────────────────────────────────────────┐
│              红色在色相环上的位置              │
│                                             │
│   H = 0° ──── 正红色 ──── H = 10°（偏橙）    │
│   H = 160°（偏紫）──── 绕回到 ──── H = 180° │
│                                             │
│   区间 1：H ∈ [0,   10]                      │
│   区间 2：H ∈ [160, 180]                     │
└─────────────────────────────────────────────┘
```

**完整的推荐参数**：

```
区间 1：lower_red1 = Scalar(0,   100, 100)
        upper_red1 = Scalar(10,  255, 255)

区间 2：lower_red2 = Scalar(160, 100, 100)
        upper_red2 = Scalar(180, 255, 255)
```

| 参数 | 值 | 为什么这样设 |
|------|-----|-------------|
| S 下界 = 100 | ≥40% 饱和度 | 排除灰白色（白色墙壁、灰色地面等没有"颜色"的东西） |
| S 上界 = 255 | 最鲜艳 | 一般不动 |
| V 下界 = 100 | ≥40% 亮度 | 排除太暗/黑色的区域（阴影、黑色机器人机身） |
| V 上界 = 255 | 最亮 | 一般不动 |

> **‼️ 重要警告**：这些值不是写死的！实际比赛场地灯光、相机参数不同，最优值也不同。所以后续课程会教你们用**滑动条（Trackbar）实时调参**——在比赛前花几分钟现场调整，找到最适合当前场地的阈值。

### 12.5 跟我一起看完整代码流程

```cpp
// ========== 第 1 步：BGR → HSV ==========
cv::Mat hsv;
cv::cvtColor(image, hsv, cv::COLOR_BGR2HSV);
// image 是 BGR 彩色图，hsv 是转换后的 HSV 图

// ========== 第 2 步：inRange 提取红色区间 1 ==========
cv::Scalar lower_red1(0,   100, 100);  // H_min=0,   S_min=100, V_min=100
cv::Scalar upper_red1(10,  255, 255);  // H_max=10,  S_max=255, V_max=255
cv::Mat mask1;
cv::inRange(hsv, lower_red1, upper_red1, mask1);
// mask1 中：H 在 0～10 且 S>100 且 V>100 的像素 = 白色(255)

// ========== 第 3 步：inRange 提取红色区间 2 ==========
cv::Scalar lower_red2(160, 100, 100);  // H_min=160, S_min=100, V_min=100
cv::Scalar upper_red2(180, 255, 255);  // H_max=180, S_max=255, V_max=255
cv::Mat mask2;
cv::inRange(hsv, lower_red2, upper_red2, mask2);
// mask2 中：H 在 160～180 且 S>100 且 V>100 的像素 = 白色(255)

// ========== 第 4 步：合并两个 mask ==========
cv::Mat red_mask;
cv::bitwise_or(mask1, mask2, red_mask);
// "或"运算：mask1 是白的或者 mask2 是白的，结果就是白的
// 等效于：区间 1 的红色 或 区间 2 的红色，都是我们要的红色

// ========== 第 5 步：把 mask 覆在原始图上，提取红色区域 ==========
cv::Mat red_extracted;
cv::bitwise_and(image, image, red_extracted, red_mask);
// "与"运算：mask 为白(255)的地方，保留原图像素
//           mask 为黑(0)  的地方，变黑
// 参数解释：第一个 image = "与"操作的第一输入
//          第二个 image = "与"操作的第二输入（这里用同一张图）
//          red_extracted  = 输出
//          red_mask       = 掩码（只在 mask 为白的地方做"与"）
```

### 12.6 为什么不在 BGR 空间做 inRange？

你可能会问：红色在 BGR 中不就是 `(0, 0, 255)` 吗？直接设 BGR 范围不就行了？

答案是**不行**——因为光照变化会导致 BGR 三个值**同时变化**：

| 光照 | BGR 值 | 三个值全变了！ |
|------|--------|---------------|
| 亮光下的红色 | (0, 50, 255) | → 很难用一个范围同时框住 |
| 暗光下的红色 | (0, 0, 80) | → B 和 R 差很多 |

但在 HSV 中：
- 亮红：H≈0, S≈200, V≈255
- 暗红：H≈0, S≈200, V≈80

**H 和 S 基本不变，只有 V 变了**。所以我们可以把 H 和 S 固定在一个范围内，V 设宽一点就行。这就是 HSV 的威力——**把颜色和亮度解耦**。

### 12.7 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp7_inrange
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp7
```

### 12.8 查看结果

打开 build 目录，重点看这几张图：

| 图片 | 内容 |
|------|------|
| `original.jpg` | 原始图（6 种颜色 + 4 种深浅红色） |
| `mask_red1.jpg` | 红色区间 1 的结果（H 0～10） |
| `mask_red2.jpg` | 红色区间 2 的结果（H 160～180） |
| `mask_red_combined.jpg` | 合并后的完整红色 mask |
| `red_extracted.jpg` | 从原图中提取的红色区域（其他区域全黑） |
| `blue_extracted.jpg` | 同样方法提取的蓝色区域 |

**思考题**：为什么 `mask_red1.jpg` 和 `mask_red2.jpg` 分别只能捕获一部分红色？合并后才完整？你能在色相环上画出来吗？

**运行结果预览**：

| 原始彩色图 | HSV转换 |
|---|---|
| ![原始彩色图（6色+4种深浅红色）](asset/exp7_inrange_original.jpg) | ![HSV转换](asset/exp7_inrange_hsv.jpg) |

| 红色范围1 (H 0~10) | 红色范围2 (H 160~180) | 合并后的红色mask |
|---|---|---|
| ![红色范围1 H 0~10](asset/exp7_inrange_mask_red1.jpg) | ![红色范围2 H 160~180](asset/exp7_inrange_mask_red2.jpg) | ![合并后的红色mask](asset/exp7_inrange_mask_red_combined.jpg) |

| 提取的红色区域 | 蓝色mask | 提取的蓝色区域 |
|---|---|---|
| ![提取的红色区域](asset/exp7_inrange_red_extracted.jpg) | ![蓝色mask](asset/exp7_inrange_mask_blue.jpg) | ![提取的蓝色区域](asset/exp7_inrange_blue_extracted.jpg) |

---

## 13. 第 8 讲：综合流水线——串联一切

> **你想实现的目标**：把前面学到的所有技术串起来，做成一个完整的"从图像到灯条位置"的流程。

### 13.1 流水线设计

在工业生产中，**流水线（Pipeline）** 指的是原材料经过多道工序，一步步变成成品。图像处理也是一样的思路：

```
原始图像（原材料）
    │
    ├──[步骤 1]── 如果是真实相机，这里是"读取摄像头画面"
    │
    ├──[步骤 2]── BGR → HSV 颜色空间转换
    │
    ├──[步骤 3]── 高斯模糊（去掉噪点，让后续处理更稳定）
    │
    ├──[步骤 4]── inRange 提取目标颜色（红色灯条）
    │
    ├──[步骤 5]── 形态学操作（清理 mask）
    │              ├── 开运算：去掉背景散点误检
    │              └── 闭运算：填充灯条内部断裂
    │
    └──[步骤 6]── 在原始图上标记检测结果
                   ├── 找到 mask 中白色区域的轮廓
                   ├── 用矩形框围住每个轮廓
                   ├── 筛选：只保留"竖直细长"的框（灯条特征）
                   └── 在原图上画出绿色边框
```

每一步都依赖前一步的输出，就像多米诺骨牌——任何一个环节出问题，最终结果都会受影响。这也就是为什么每个步骤的**参数调优**如此重要。

### 13.2 新出场的函数

#### (1) `cv::findContours` —— 找轮廓

```cpp
std::vector<std::vector<cv::Point>> contours;
//      ↑外层 vector：每个轮廓        ↑内层 vector：轮廓上的每个点

cv::findContours(二值图, contours, 检索模式, 近似方法);
//              mask    输出容器    RETR_EXTERNAL  CHAIN_APPROX_SIMPLE
```

- **二值图**：inRange 或形态学处理后的 mask（白色区域 = 目标）
- **RETR_EXTERNAL**：只检索最外层轮廓（不关心嵌套的内部轮廓）
- **CHAIN_APPROX_SIMPLE**：压缩水平/垂直/对角线线段，只保留端点，节约内存

#### (2) `cv::boundingRect` —— 用矩形围住轮廓

```cpp
cv::Rect bbox = cv::boundingRect(contours[i]);
// bbox.x      矩形左上角 X 坐标
// bbox.y      矩形左上角 Y 坐标
// bbox.width  矩形宽度（像素）
// bbox.height 矩形高度（像素）
```

得到一个能围住该轮廓的**最小直立矩形**（不是旋转矩形，只是水平/垂直的矩形）。

### 13.3 筛选条件：什么才算"灯条"？

找到的轮廓不全是灯条——可能有一些形状不规则的红色碎片。我们需要按**灯条的特征**做筛选：

```cpp
double area = bbox.width * bbox.height;  // 包围框面积

// 条件 1：面积不能太小（过滤残留的零星噪点）
if (area < 100) continue;  // 小于 100 像素²，忽略

// 条件 2：必须"竖直细长"——高度要明显大于宽度
// 真正的装甲板灯条是竖直安装的细长 LED 条
if (bbox.height < bbox.width * 2) continue;  // 高度至少是宽度的 2 倍
```

> 后续课程中，筛选条件会更加丰富：长宽比、倾斜角度、面积、两个灯条的相对位置关系等。

### 13.4 跟我一起看核心代码

```cpp
// ===== 完整流水线（伪代码串联） =====

// 1. 生成测试场景（实际项目中是读取摄像头画面）
cv::Mat scene = generateScene();

// 2. BGR → HSV
cv::Mat hsv;
cv::cvtColor(scene, hsv, cv::COLOR_BGR2HSV);

// 3. 高斯模糊
cv::Mat hsv_blurred;
cv::GaussianBlur(hsv, hsv_blurred, cv::Size(5, 5), 0);

// 4. inRange 提取红色（两个区间合并）
cv::Mat mask1, mask2, red_mask;
cv::inRange(hsv_blurred, Scalar(0,   100, 100), Scalar(10,  255, 255), mask1);
cv::inRange(hsv_blurred, Scalar(160, 100, 100), Scalar(180, 255, 255), mask2);
cv::bitwise_or(mask1, mask2, red_mask);

// 5a. 开运算（去噪点）
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::Mat mask_opened;
cv::erode(red_mask, mask_opened, kernel);
cv::dilate(mask_opened, mask_opened, kernel);

// 5b. 闭运算（填充空洞）
cv::Mat mask_cleaned;
cv::dilate(mask_opened, mask_cleaned, kernel);
cv::erode(mask_cleaned, mask_cleaned, kernel);

// 6. 找轮廓 + 画框
std::vector<std::vector<cv::Point>> contours;
cv::findContours(mask_cleaned, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

cv::Mat result = scene.clone();  // clone() 创建一个完全相同的副本
int count = 0;
for (size_t i = 0; i < contours.size(); i++) {
    cv::Rect bbox = cv::boundingRect(contours[i]);
    if (bbox.width * bbox.height < 100) continue;          // 太小，忽略
    if (bbox.height < bbox.width * 2)  continue;            // 不够瘦长，忽略
    cv::rectangle(result, bbox, Scalar(0, 255, 0), 3);     // 绿色框，线宽=3
    count++;
}
// 到这里，result 上就画好了绿色检测框
```

### 13.5 编译运行

```bash
cd ~/vision-training-2026-opencvcpp/exp8_pipeline
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp8
```

### 13.6 查看结果

所有中间结果都被保存在了 build 目录下，按文件名中的序号查看：

| 文件 | 内容 |
|------|------|
| `01_original_scene.jpg` | 原始模拟场景（深灰背景 + 红色灯条 + 干扰物） |
| `02_hsv.jpg` | HSV 转换后 |
| `03_hsv_blurred.jpg` | 高斯模糊后 |
| `04_red_mask_raw.jpg` | inRange 原始 mask（有些噪点） |
| `05a_mask_opened.jpg` | 开运算后（噪点没了） |
| `05b_mask_cleaned.jpg` | 闭运算后（灯条完整了） |
| `06a_red_extracted.jpg` | 原图中提取的红色区域 |
| `06b_mask_edges.jpg` | mask 的边缘检测 |
| **`06c_result.jpg`** | **最终结果！绿色框 = 检测到的灯条** |

重点看 `06c_result.jpg`——你应该能看到两个红色灯条被绿色矩形框标记出来，旁边还标注了 "Target 1" 和 "Target 2"。

> **挑战题**：如果检测到的框数量不对（比如只有一个或零个），试着修改 `main.cpp` 中的筛选参数（面积阈值 100 和长宽比阈值 2），重新编译运行，看效果怎么变化。这就是"调参"——RoboMaster 视觉组的基本功。

**运行结果预览**：

| 原始模拟场景 | HSV转换 | 高斯模糊后 |
|---|---|---|
| ![原始模拟场景](asset/exp8_pipeline_01_original_scene.jpg) | ![HSV转换](asset/exp8_pipeline_02_hsv.jpg) | ![高斯模糊后](asset/exp8_pipeline_03_hsv_blurred.jpg) |

| inRange原始mask | 开运算去噪 | 闭运算填充 |
|---|---|---|
| ![inRange原始mask](asset/exp8_pipeline_04_red_mask_raw.jpg) | ![开运算去噪](asset/exp8_pipeline_05a_mask_opened.jpg) | ![闭运算填充](asset/exp8_pipeline_05b_mask_cleaned.jpg) |

| 提取的红色区域 | mask边缘检测 | 最终结果（绿框=检测到的灯条） |
|---|---|---|
| ![提取的红色区域](asset/exp8_pipeline_06a_red_extracted.jpg) | ![mask边缘检测](asset/exp8_pipeline_06b_mask_edges.jpg) | ![最终结果（绿色框=检测到的灯条）](asset/exp8_pipeline_06c_result.jpg) |

---

## 14. 课堂总结与下一步

### 14.1 你学会了什么

| 技能 | 对应的 OpenCV 函数 | 在 RoboMaster 中的用途 |
|------|-------------------|----------------------|
| 图像读写 | `imread` / `imwrite` / `Mat` | 读取摄像头画面，保存调试截图 |
| 颜色空间转换 | `cvtColor`（BGR→HSV） | 为颜色提取做准备 |
| 图像去噪 | `GaussianBlur` | 减少摄像头噪点对 inRange 的干扰 |
| 边缘检测 | `Canny` | 找出物体轮廓 |
| 图像二值化 | `threshold` | 把灰度图变成黑白，为后续处理准备 |
| 形态学清理 | `erode` / `dilate` | 清理 inRange 后的 mask |
| **颜色提取** | **`inRange` + `bitwise_or`** | **找出红色/蓝色灯条！核心！** |
| 轮廓提取 | `findContours` + `boundingRect` | 从 mask 中找到灯条位置并画框 |

### 14.2 最重要的 3 件事

1. **`imread` 之后必须检查 `empty()`**——否则程序可能悄悄崩溃。
2. **颜色提取用 HSV，不是 BGR**——HSV 把颜色和亮度分开，对光照变化更鲁棒。
3. **红色需要两个 H 区间**——因为色相环在 0° 处断裂，H ∈ [0,10] 和 [160,180] 要合并。

### 14.3 下一步学什么？

在后续课程中，我们将逐步学习：

1. **Trackbar 实时调参**：用 `cv::createTrackbar` 创建滑动条，实时调整 HSV 阈值、模糊核大小、Canny 阈值，快速找到最佳参数
2. **工业相机**：不再用 `imread` 读文件，而是用 SDK 从**真实相机**实时取流
3. **灯条匹配**：如何将两个灯条配对成一个装甲板，按面积、角度、距离筛选
4. **PNP 位姿解算**：根据灯条在图像中的位置和已知的物理尺寸，计算装甲板在三维空间中的位置（这就是云台瞄准需要的数据！）
5. **串口通信**：将坐标数据通过 USB 转 TTL 串口发送给云台控制板

> 如果你对以上内容感兴趣，欢迎加入 RoboMaster 视觉组，和学长学姐一起写代码、打比赛！

---

## 15. 附录：完整源代码

> **如何使用本附录**：以下列出了所有实验的完整源代码。在做每个实验时，你可以对照着讲义中的讲解，在代码中找到对应的行进行理解。如果讲义中某个部分没讲清楚，直接看代码中的**中文注释**——每一行关键代码都有详细解释。

### 15.1 CMakeLists.txt 通用结构说明

每个实验文件夹下的 `CMakeLists.txt` 文件结构相同，这里以实验 1 为例逐行解释：

```cmake
# 第 1 行：指定 CMake 最低版本
cmake_minimum_required(VERSION 3.10)

# 第 2 行：给项目起个名字（exp1_read_write）
project(exp1_read_write)

# 第 3-4 行：要求编译器使用 C++11 标准
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 第 5 行：告诉 CMake 去找 OpenCV 库
find_package(OpenCV REQUIRED)

# 第 6 行：生成名为 exp1 的可执行文件（运行命令为 ./exp1）
add_executable(exp1 main.cpp)

# 第 7 行：把 OpenCV 的库链接到 exp1 上（不写这行编译会报"未定义引用"错误）
target_link_libraries(exp1 ${OpenCV_LIBS})

# 第 8 行：告诉编译器 OpenCV 的头文件在哪（不然找不到 #include <opencv2...>）
include_directories(${OpenCV_INCLUDE_DIRS})
```

**每行的作用**：

| 命令 | 作用 | 如果不写的后果 |
|------|------|---------------|
| `cmake_minimum_required` | 声明最低 CMake 版本 | CMake 可能会用旧版语法解析，导致兼容问题 |
| `project` | 给项目命名 | 不影响功能，但生成的文件缺少标识 |
| `set(CXX_STANDARD)` | 指定 C++ 标准 | 代码中的 C++11 特性（如 `auto`）可能无法编译 |
| `find_package(OpenCV)` | 找到 OpenCV 库的位置 | 后续的 `${OpenCV_LIBS}` 和 `${OpenCV_INCLUDE_DIRS}` 变量为空 |
| `add_executable` | 声明要生成的可执行文件 | 没有编译目标，cmake 不知道要生成什么 |
| `target_link_libraries` | 把库文件链接到程序 | 链接错误："undefined reference to cv::imread" |
| `include_directories` | 添加头文件搜索路径 | 编译错误："fatal error: opencv2/opencv.hpp: No such file" |

> **理解链接（Link）**：代码中写 `#include <opencv2/opencv.hpp>` 只是**声明**了函数存在（"有个叫 imread 的函数，它长这样"）。但函数的**实现**（实际干活的代码）放在 OpenCV 的 `.so` 库文件里。`target_link_libraries` 就是把这两者**对接**起来——告诉编译器，声明在头文件里，实现在这些 `.so` 文件里。

### 15.2 exp1_read_write/CMakeLists.txt

```cmake
# ============================================================
# 实验 1：图像读取与保存  -  CMake 构建配置文件
# ============================================================

# cmake_minimum_required: 指定构建此项目所需的最低 CMake 版本
# VERSION 3.10 是一个相对较老但足够稳定的版本（WSL Ubuntu 默认通常满足）
cmake_minimum_required(VERSION 3.10)

# project: 给你的项目起一个名字
# 这个名字会出现在生成的解决方案中，也方便你辨认
# 命名规则：exp + 实验编号 + 下划线 + 实验英文名
project(exp1_read_write)

# set(CMAKE_CXX_STANDARD 11): 指定使用 C++11 标准
# C++11 提供了 auto、范围 for 等现代特性，代码写起来更舒服
set(CMAKE_CXX_STANDARD 11)

# CMAKE_CXX_STANDARD_REQUIRED: 设为 ON 表示"必须"使用 C++11
# 如果编译器不支持 C++11，CMake 会直接报错，而不是偷偷降级
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# find_package: 寻找外部库，这里是寻找 OpenCV
# REQUIRED 表示 OpenCV 是必须的，找不到就报错并停止配置
# CMake 会自动查找 OpenCV 的头文件路径和库文件路径
find_package(OpenCV REQUIRED)

# add_executable: 告诉 CMake 我们要生成一个可执行文件
# 第一个参数 "exp1" 是可执行文件的名字（编译后运行 ./exp1）
# 第二个参数 "main.cpp" 是参与编译的源文件（可以有多个）
add_executable(exp1 main.cpp)

# target_link_libraries: 将 OpenCV 的库文件链接到我们的可执行文件上
# ${OpenCV_LIBS} 是 find_package(OpenCV) 自动填充的变量
# 它包含了 OpenCV 所有需要的 .so 库文件路径
# 不写这一行的话，编译时会出现"未定义引用"的链接错误
target_link_libraries(exp1 ${OpenCV_LIBS})

# include_directories: 将 OpenCV 的头文件目录添加到编译器的搜索路径中
# ${OpenCV_INCLUDE_DIRS} 也是 find_package 自动填充的
# 这样编译器才能找到 #include <opencv2/opencv.hpp> 这样的头文件
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.3 exp1_read_write/main.cpp

```cpp
/*
 * ============================================================
 * 实验 1：图像读取与保存
 * 知识点：cv::Mat、cv::imread、cv::imwrite
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解 cv::Mat —— OpenCV 中存储图像的核心数据类型
 *   2. 学会用 cv::imread 从文件中读取图像
 *   3. 学会用 cv::imwrite 将图像保存到文件
 *   4. 养成检查图像是否读取成功的习惯
 *
 * 【生活化比喻】
 *   把 cv::Mat 想象成一张"棋盘格纸"：
 *   - 每个格子是一个"像素"（就是图像上的一个小点）
 *   - 格子里填的数字代表颜色（比如 0=黑, 255=白）
 *   - 整张纸就是一幅图像，OpenCV 把它存在计算机内存里
 *
 *   cv::imread 就像是"用扫描仪把一张打印好的照片扫进电脑"
 *   cv::imwrite 就像是"用打印机把电脑里的图打印出来"
 */

// 包含 OpenCV 核心头文件
// opencv.hpp 是一个"总头文件"，包含了 OpenCV 所有常用模块
// 这是最方便的写法，学习阶段推荐使用
#include <opencv2/opencv.hpp>

// 包含标准输入输出流，用于打印信息到终端
#include <iostream>

// main 函数 —— 所有 C++ 程序的入口点
// argc 是命令行参数个数，argv 是参数内容数组
// 在本实验中我们不使用命令行参数，所以参数名可以省略
int main()
{
    // ==========================================
    // 第一部分：生成一张测试图片
    // ==========================================
    // 为什么先生成一张图片而不是直接读取？
    // 因为我们要确保每个同学都能运行成功，不依赖任何外部图片文件
    // 等学会读取之后，你可以把自己的照片放到这个文件夹里来测试！

    // cv::Mat(行数, 列数, 类型, 颜色值)  ——  创建一个矩阵/图像
    // - 480：图像高度 480 像素（行数），也就是垂直方向有 480 个点
    // - 640：图像宽度 640 像素（列数），也就是水平方向有 640 个点
    // - CV_8UC3：每个像素用 8 位无符号整数 × 3 个通道表示
    //   - 8U = 8-bit Unsigned（取值范围 0~255）
    //   - C3 = 3 个通道（Channel），也就是 B（蓝）、G（绿）、R（红）
    //   - 所以每个像素需要 3 个字节来存储颜色信息
    // - cv::Scalar(255, 255, 255)：Scalar 是一个四元组 (B, G, R, Alpha)
    //   - 这里 (255,255,255) 就是纯白色（B=255, G=255, R=255）
    //     注意 OpenCV 的颜色顺序是 BGR，不是我们常见的 RGB！
    //     这是历史原因造成的，记住就好：OpenCV 里永远是 BGR 顺序
    std::cout << "[步骤 1] 正在生成一张 640x480 的彩色测试图片..." << std::endl;
    cv::Mat canvas(480, 640, CV_8UC3, cv::Scalar(50, 50, 50)); // 深灰色背景

    // 在画布上画一些彩色图形，让图片看起来有趣
    // cv::circle(图像, 圆心, 半径, 颜色, 线宽)  ——  画圆
    // 圆心用 cv::Point(x, y) 表示，注意 x 是水平方向（列），y 是垂直方向（行）
    // 线宽 = -1 表示填充整个圆（实心圆）
    cv::circle(canvas, cv::Point(150, 120), 80, cv::Scalar(255, 0, 0), -1);    // 蓝色实心圆（B=255）
    cv::circle(canvas, cv::Point(320, 120), 80, cv::Scalar(0, 255, 0), -1);    // 绿色实心圆（G=255）
    cv::circle(canvas, cv::Point(490, 120), 80, cv::Scalar(0, 0, 255), -1);    // 红色实心圆（R=255）

    // cv::rectangle(图像, 左上角, 右下角, 颜色, 线宽)  ——  画矩形
    // 线宽 = 3 表示空心矩形，边框宽度为 3 像素
    cv::rectangle(canvas, cv::Point(100, 280), cv::Point(540, 440),
                  cv::Scalar(0, 255, 255), 3);  // 黄色空心矩形（B=0, G=255, R=255）

    // cv::putText(图像, 文字, 起始位置, 字体, 字号, 颜色, 线宽)  ——  写文字
    cv::putText(canvas, "OpenCV Experiment 1", cv::Point(130, 350),
                cv::FONT_HERSHEY_SIMPLEX, 1.0, cv::Scalar(255, 255, 255), 2); // 白色文字

    // 将生成的图片保存为文件
    // cv::imwrite(文件路径, 图像矩阵)  ——  把内存中的图像写入磁盘
    // 返回值是 bool 类型：true 表示保存成功，false 表示失败
    // 文件格式由扩展名决定，这里 .jpg 表示用 JPEG 格式压缩保存
    bool write_ok = cv::imwrite("test_image.jpg", canvas);
    if (write_ok)
    {
        std::cout << "  -> 测试图片已保存为 test_image.jpg" << std::endl;
    }
    else
    {
        std::cerr << "  [错误] 保存测试图片失败！" << std::endl;
        return -1; // 返回 -1 表示程序异常退出
    }

    // ==========================================
    // 第二部分：读取图片
    // ==========================================
    std::cout << "[步骤 2] 正在读取 test_image.jpg..." << std::endl;

    // cv::imread(文件路径, 读取模式)  ——  从磁盘读取图像到内存
    // 返回值是一个 cv::Mat 对象，包含了图像的像素数据
    //
    // 读取模式（第二个参数）：
    //   cv::IMREAD_COLOR      = 1  ：始终读取为 3 通道彩色图（默认值）
    //   cv::IMREAD_GRAYSCALE  = 0  ：始终读取为单通道灰度图
    //   cv::IMREAD_UNCHANGED  = -1 ：保持原样（包括 Alpha 透明通道）
    //
    // 这里使用 cv::IMREAD_COLOR 确保读进来是彩色图像
    cv::Mat image = cv::imread("test_image.jpg", cv::IMREAD_COLOR);

    // 【极其重要】检查图像是否读取成功！
    // image.empty() 返回 true 表示 Mat 对象中没有数据
    // 常见失败原因：
    //   1. 文件名写错了（大小写、拼写错误）
    //   2. 文件不在程序运行的当前目录下
    //   3. 文件损坏或格式不支持
    // 养成好习惯：每次 imread 之后都要检查 empty()！
    if (image.empty())
    {
        std::cerr << "[错误] 无法读取图像！请检查：" << std::endl;
        std::cerr << "  1. test_image.jpg 是否在当前目录下？" << std::endl;
        std::cerr << "  2. 文件名是否正确（注意大小写）？" << std::endl;
        return -1; // 返回 -1 表示程序因错误退出
    }

    // 打印图像的基本信息
    // image.rows    ——  图像高度（行数，垂直像素数）
    // image.cols    ——  图像宽度（列数，水平像素数）
    // image.channels() ——  通道数（彩色=3，灰度=1）
    // image.type()  ——  像素数据类型编号
    std::cout << "  -> 读取成功！图像信息：" << std::endl;
    std::cout << "     宽度 (cols): " << image.cols << " 像素" << std::endl;
    std::cout << "     高度 (rows): " << image.rows << " 像素" << std::endl;
    std::cout << "     通道数:      " << image.channels() << " (3=彩色, 1=灰度)" << std::endl;

    // ==========================================
    // 第三部分：保存读到的图片（验证读取无误）
    // ==========================================
    std::cout << "[步骤 3] 正在保存为 output.jpg..." << std::endl;

    // 把读到的图像原封不动地保存为新文件
    // 这样可以验证"读取 → 保存"整个流程是否正常
    bool save_ok = cv::imwrite("output.jpg", image);
    if (save_ok)
    {
        std::cout << "  -> 图片已成功保存为 output.jpg" << std::endl;
        std::cout << "  -> 请在 Windows 资源管理器中打开该文件查看结果！" << std::endl;
    }
    else
    {
        std::cerr << "  [错误] 保存图片失败！请检查磁盘空间和写入权限。" << std::endl;
        return -1;
    }

    // ==========================================
    // 总结
    // ==========================================
    std::cout << std::endl;
    std::cout << "===== 实验 1 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. cv::Mat 是 OpenCV 存储图像的数据类型" << std::endl;
    std::cout << "  2. cv::imread() 从文件读取图像" << std::endl;
    std::cout << "  3. cv::imwrite() 将图像写入文件" << std::endl;
    std::cout << "  4. 读取后一定要检查 empty()" << std::endl;

    // return 0 表示程序正常结束
    return 0;
}
```

### 15.4 exp2_color_space/CMakeLists.txt

```cmake
# ============================================================
# 实验 2：颜色空间转换  -  CMake 构建配置文件
# ============================================================

# 指定 CMake 最低版本要求（3.10 是一个广泛兼容的版本）
cmake_minimum_required(VERSION 3.10)

# 项目名称：exp2_color_space
# 这个名称用于标识整个 CMake 项目
project(exp2_color_space)

# 设置 C++ 标准为 C++11
# C++11 引入了许多现代语言特性，使代码更简洁、更安全
set(CMAKE_CXX_STANDARD 11)

# 强制要求编译器必须支持 C++11，否则停止配置
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 查找并加载 OpenCV 库
# REQUIRED 参数：如果找不到 OpenCV，CMake 会立即报错退出
# 这一步会设置 ${OpenCV_LIBS} 和 ${OpenCV_INCLUDE_DIRS} 等变量
find_package(OpenCV REQUIRED)

# 定义可执行文件目标
# 可执行文件名：exp2（运行命令为 ./exp2）
# 源文件：main.cpp
add_executable(exp2 main.cpp)

# 将 OpenCV 的动态库/静态库链接到 exp2 可执行文件
# 没有这行代码，编译器会报告大量"未定义符号"错误
# 因为 main.cpp 中调用的 OpenCV 函数实现都在这些库里
target_link_libraries(exp2 ${OpenCV_LIBS})

# 将 OpenCV 的头文件目录添加到 include 路径
# 使 #include <opencv2/opencv.hpp> 能被正确找到
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.5 exp2_color_space/main.cpp

```cpp
/*
 * ============================================================
 * 实验 2：颜色空间转换（BGR → Gray、HSV、Lab、YCrCb）
 * 知识点：cv::cvtColor
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解"颜色空间"的概念 —— 同一张图片的不同"坐标系"描述
 *   2. 掌握 cv::cvtColor 函数的使用方法
 *   3. 了解 Gray、HSV、Lab、YCrCb 各自的特点和用途
 *
 * 【生活化比喻】
 *   "颜色空间"就像是描述一个人位置的不同方式：
 *   - BGR 像"经纬度坐标"（给出精确的三维数值）
 *   - Gray 像"海拔高度"（一维数值，只有亮度）
 *   - HSV 像"方向+距离+高度"（色相、饱和度、明度）
 *     色相(H) ：是什么颜色（红/黄/绿/蓝...），像钟表上的角度
 *     饱和度(S)：颜色有多"纯"（鲜艳还是发灰），像果汁的浓度
 *     明度(V)  ：颜色有多亮（亮还是暗），像灯光的亮度
 *   - 不同场景用不同描述方式更方便！
 *
 *   RoboMaster 任务中，HSV 是最常用的颜色空间
 *   因为它把"颜色"和"亮度"分开了，不受光照变化的影响
 */

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>   // std::vector —— 动态数组，用于生成渐变色块

int main()
{
    // ==========================================
    // 第一部分：生成一张色彩丰富的测试图片
    // ==========================================
    std::cout << "[步骤 1] 正在生成彩色测试图片..." << std::endl;

    // 创建一个 300×600 的彩色画布，背景为黑色
    cv::Mat color_image(300, 600, CV_8UC3, cv::Scalar(0, 0, 0));

    // 画出 6 个彩色矩形，代表不同颜色
    // 颜色顺序：红、绿、蓝、黄、青、品红
    // 每个矩形宽 100 像素，高 300 像素
    std::vector<cv::Scalar> colors = {
        cv::Scalar(0,   0,   255),  // 红色   (B=0,   G=0,   R=255)
        cv::Scalar(0,   255, 0),    // 绿色   (B=0,   G=255, R=0)
        cv::Scalar(255, 0,   0),    // 蓝色   (B=255, G=0,   R=0)
        cv::Scalar(0,   255, 255),  // 黄色   (B=0,   G=255, R=255)
        cv::Scalar(255, 255, 0),    // 青色   (B=255, G=255, R=0)
        cv::Scalar(255, 0,   255)   // 品红色 (B=255, G=0,   R=255)
    };

    // 用循环依次画出每个色块
    for (int i = 0; i < 6; i++)
    {
        // 每个矩形宽 100 像素，所以左上角 x = i * 100
        int x_start = i * 100;
        cv::rectangle(color_image,
                      cv::Point(x_start, 0),           // 左上角
                      cv::Point(x_start + 100, 300),   // 右下角
                      colors[i],                        // 填充颜色
                      -1);                              // -1 = 填充
    }

    // 在每个色块上写颜色名称
    std::vector<std::string> color_names = {"Red", "Green", "Blue", "Yellow", "Cyan", "Magenta"};
    for (int i = 0; i < 6; i++)
    {
        cv::putText(color_image, color_names[i],
                    cv::Point(i * 100 + 10, 150),
                    cv::FONT_HERSHEY_SIMPLEX, 0.6,
                    cv::Scalar(255, 255, 255),  // 白色文字
                    2);
    }

    // 保存原始彩色图
    cv::imwrite("original.jpg", color_image);
    std::cout << "  -> 原始彩色图已保存为 original.jpg" << std::endl;

    // ==========================================
    // 第二部分：执行各种颜色空间转换
    // ==========================================

    // --- 转换 1：BGR → 灰度 (Gray) ---
    // 灰度图像只有一个通道，每个像素的取值范围是 0~255
    // 转换公式（心理学灰度）：
    //   Gray = 0.299 × R + 0.587 × G + 0.114 × B
    // 人眼对绿色最敏感（权重 0.587），对蓝色最不敏感（权重 0.114）
    std::cout << "[步骤 2] BGR -> Gray（灰度）..." << std::endl;
    cv::Mat gray_image;
    cv::cvtColor(color_image, gray_image, cv::COLOR_BGR2GRAY);
    cv::imwrite("gray.jpg", gray_image);
    std::cout << "  -> 已保存为 gray.jpg（单通道灰度图）" << std::endl;

    // --- 转换 2：BGR → HSV ---
    // HSV 三分量：
    //   H (Hue，色相)       ：0~180（OpenCV 中缩放到此范围，实际是 0~360 度）
    //   S (Saturation，饱和度)：0~255（越大越鲜艳，0 就是灰色）
    //   V (Value，明度)     ：0~255（越大越亮）
    std::cout << "[步骤 3] BGR -> HSV..." << std::endl;
    cv::Mat hsv_image;
    cv::cvtColor(color_image, hsv_image, cv::COLOR_BGR2HSV);
    cv::imwrite("hsv.jpg", hsv_image);
    std::cout << "  -> 已保存为 hsv.jpg（注意：HSV 图片直接查看颜色会怪怪的，"
              << "因为查看器把它当 BGR 解释了）" << std::endl;

    // --- 转换 3：BGR → Lab ---
    // Lab 是设备无关的颜色空间，设计目标是接近人类视觉感知
    //   L (Lightness，亮度) ：0~100（实际 OpenCV 映射到 0~255）
    //   a (绿-红轴)        ：负值偏绿，正值偏红
    //   b (蓝-黄轴)        ：负值偏蓝，正值偏黄
    std::cout << "[步骤 4] BGR -> Lab..." << std::endl;
    cv::Mat lab_image;
    cv::cvtColor(color_image, lab_image, cv::COLOR_BGR2Lab);
    cv::imwrite("lab.jpg", lab_image);
    std::cout << "  -> 已保存为 lab.jpg" << std::endl;

    // --- 转换 4：BGR → YCrCb ---
    // YCrCb 常用于图像/视频压缩（如 JPEG、MPEG）
    //   Y  (亮度分量)       ：类似灰度
    //   Cr (红色色度分量)    ：红色与亮度的差异
    //   Cb (蓝色色度分量)    ：蓝色与亮度的差异
    // 人眼对亮度敏感，对色度不敏感，所以压缩时可以对 CbCr 做更多压缩
    std::cout << "[步骤 5] BGR -> YCrCb..." << std::endl;
    cv::Mat ycrcb_image;
    cv::cvtColor(color_image, ycrcb_image, cv::COLOR_BGR2YCrCb);
    cv::imwrite("ycrcb.jpg", ycrcb_image);
    std::cout << "  -> 已保存为 ycrcb.jpg" << std::endl;

    // ==========================================
    // 第三部分：演示 HSV 各通道的分离
    // ==========================================
    std::cout << "[步骤 6] 分离 HSV 各通道..." << std::endl;

    // cv::split(输入图像, 输出通道数组)  ——  将多通道图像拆分成多个单通道图像
    // 例如 3 通道的 HSV 图像可以拆成 H、S、V 三张独立的灰度图
    // std::vector<cv::Mat> 是一个能存放多个 cv::Mat 的动态数组
    std::vector<cv::Mat> hsv_channels;
    cv::split(hsv_image, hsv_channels);
    // 拆分后：
    //   hsv_channels[0] = H 通道（色相）
    //   hsv_channels[1] = S 通道（饱和度）
    //   hsv_channels[2] = V 通道（明度）

    // 分别保存三个通道
    cv::imwrite("hsv_channel_H.jpg", hsv_channels[0]);  // 色相通道
    cv::imwrite("hsv_channel_S.jpg", hsv_channels[1]);  // 饱和度通道
    cv::imwrite("hsv_channel_V.jpg", hsv_channels[2]);  // 明度通道
    std::cout << "  -> 已保存 hsv_channel_H.jpg / S.jpg / V.jpg" << std::endl;

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 2 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. cv::cvtColor() 可以在不同颜色空间之间转换" << std::endl;
    std::cout << "  2. BGR → Gray：加权平均得到亮度" << std::endl;
    std::cout << "  3. BGR → HSV：分开颜色和亮度，对光照变化更鲁棒" << std::endl;
    std::cout << "  4. cv::split() 把多通道图像拆成单通道" << std::endl;
    std::cout << "  5. RoboMaster 中 HSV 是核心！后面实验 7 会用到" << std::endl;

    return 0;
}
```

### 15.6 exp3_gaussian_blur/CMakeLists.txt

```cmake
# ============================================================
# 实验 3：高斯模糊  -  CMake 构建配置文件
# ============================================================

# 最低 CMake 版本要求
cmake_minimum_required(VERSION 3.10)

# 项目标识名称
project(exp3_gaussian_blur)

# 使用 C++11 标准进行编译
set(CMAKE_CXX_STANDARD 11)

# 强制 C++11，不可降级
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 自动搜索并配置 OpenCV 的头文件和库文件路径
find_package(OpenCV REQUIRED)

# 生成名为 "exp3" 的可执行文件，编译源文件 main.cpp
add_executable(exp3 main.cpp)

# 链接 OpenCV 库到可执行文件
# ${OpenCV_LIBS} 变量由 find_package 自动设置，包含所有必需的 OpenCV 模块
target_link_libraries(exp3 ${OpenCV_LIBS})

# 添加 OpenCV 头文件搜索路径
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.7 exp3_gaussian_blur/main.cpp

```cpp
/*
 * ============================================================
 * 实验 3：高斯模糊 (Gaussian Blur)
 * 知识点：cv::GaussianBlur
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解"模糊"本质上是什么（图像怎么变模糊的）
 *   2. 掌握 cv::GaussianBlur 函数的参数含义
 *   3. 观察不同卷积核大小对模糊效果的影响
 *
 * 【生活化比喻】
 *   高斯模糊就像透过一块"毛玻璃"或"近视眼镜"看东西：
 *   - 原来的图像每个像素都很清晰（边界分明）
 *   - 模糊后，每个像素和它周围的像素颜色混在一起了
 *   - 核（kernel）越大，相当于毛玻璃越厚，混的范围越大，越模糊
 *
 *   为什么叫"高斯"？
 *   - 高斯（Gauss）是一位伟大的数学家
 *   - 他发现了一种"钟形曲线"（正态分布），用来描述自然界的很多现象
 *   - 在图像上，就是用这个钟形曲线来决定"周围的像素各占多大权重"
 *   - 距离中心越近的像素权重越大（理所当然嘛，最近的邻居影响最大）
 *
 *   在 RoboMaster 中为什么需要模糊？
 *   - 消除图像噪声（摄像头传感器本身的噪点）
 *   - 让后续的边缘检测、颜色提取更稳定
 *   - 像是"先把细节捋平，再找关键特征"
 *
 * 【函数详解】
 *   cv::GaussianBlur(src, dst, ksize, sigmaX, sigmaY, borderType)
 *
 *   src        ：输入图像（可以是一张有明显边缘的图）
 *   dst        ：输出图像（大小和类型与输入相同）
 *   ksize      ：高斯核的大小，必须是奇数！（如 (3,3), (5,5), (15,15)）
 *                为什么是奇数？因为要有一个"中心像素"，核以它为中心对称展开
 *   sigmaX     ：X 方向上的高斯标准差（控制左右方向的模糊程度）
 *                如果设为 0，OpenCV 会根据 ksize 自动帮你算一个合适的值
 *   sigmaY     ：Y 方向上的高斯标准差（控制上下方向的模糊程度）
 *                如果设为 0，等于 sigmaX
 *   borderType ：边界处理方式（可选参数，默认即可）
 */

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>

int main()
{
    std::cout << "[步骤 1] 正在生成测试图片（含清晰边缘和纹理）..." << std::endl;

    // 创建一张 400×400 的白色画布
    cv::Mat original(400, 400, CV_8UC3, cv::Scalar(255, 255, 255));

    // 画各种形状 —— 这些形状有清晰的边缘，模糊后效果明显
    // 蓝色实心圆
    cv::circle(original, cv::Point(100, 100), 60, cv::Scalar(255, 0, 0), -1);
    // 绿色矩形框
    cv::rectangle(original, cv::Point(200, 50), cv::Point(350, 150),
                  cv::Scalar(0, 200, 0), 3);
    // 红色三角形（用 line 画三条线）
    cv::line(original, cv::Point(50,  320), cv::Point(200, 200),
             cv::Scalar(0, 0, 255), 5);
    cv::line(original, cv::Point(200, 200), cv::Point(350, 320),
             cv::Scalar(0, 0, 255), 5);
    cv::line(original, cv::Point(350, 320), cv::Point(50,  320),
             cv::Scalar(0, 0, 255), 5);

    // 写文字（文字边缘也是测试模糊的好素材）
    cv::putText(original, "OpenCV", cv::Point(80, 370),
                cv::FONT_HERSHEY_SIMPLEX, 1.2, cv::Scalar(0, 0, 0), 3);

    // 画一些散点（模拟噪声，模糊后会被消除）
    for (int i = 0; i < 300; i++)
    {
        int x = rand() % 400;  // 随机 X 坐标（0~399）
        int y = rand() % 400;  // 随机 Y 坐标（0~399）
        // 每个点画一个 2×2 的小方块（因为单个像素可能看不清）
        cv::rectangle(original, cv::Point(x, y), cv::Point(x + 2, y + 2),
                      cv::Scalar(0, 0, 0), -1);
    }

    cv::imwrite("original.jpg", original);
    std::cout << "  -> 原始图片已保存为 original.jpg（注意看上面的散点噪声）" << std::endl;

    // ==========================================
    // 核心实验：对比不同模糊程度
    // ==========================================

    // --- 模糊程度 1：轻微模糊（ksize = 3×3）---
    // 3×3 的核非常小，只混合当前像素和它最近的 8 个邻居
    // 效果：能消除最细小的噪点，但基本保留图像结构
    std::cout << "[步骤 2] 应用轻微高斯模糊 (ksize = 3x3)..." << std::endl;
    cv::Mat blur_light;
    cv::GaussianBlur(original, blur_light, cv::Size(3, 3), 0, 0);
    cv::imwrite("blur_3x3.jpg", blur_light);
    std::cout << "  -> 已保存为 blur_3x3.jpg（轻微模糊，细节基本保留）" << std::endl;

    // --- 模糊程度 2：中度模糊（ksize = 9×9）---
    // 9×9 的核覆盖了 81 个像素的范围
    // 效果：散点噪声明显消失，边缘变得柔和
    std::cout << "[步骤 3] 应用中度高模糊 (ksize = 9x9)..." << std::endl;
    cv::Mat blur_medium;
    cv::GaussianBlur(original, blur_medium, cv::Size(9, 9), 0, 0);
    cv::imwrite("blur_9x9.jpg", blur_medium);
    std::cout << "  -> 已保存为 blur_9x9.jpg（中度模糊，噪声消失，边缘变软）" << std::endl;

    // --- 模糊程度 3：重度模糊（ksize = 21×21）---
    // 21×21 的核非常大，覆盖了 441 个像素的范围
    // 效果：图像变得严重模糊，细节几乎全部丢失
    // 这在实际应用中通常不会用这么大的核，这里纯粹为了演示
    std::cout << "[步骤 4] 应用重度高斯模糊 (ksize = 21x21)..." << std::endl;
    cv::Mat blur_heavy;
    cv::GaussianBlur(original, blur_heavy, cv::Size(21, 21), 0, 0);
    cv::imwrite("blur_21x21.jpg", blur_heavy);
    std::cout << "  -> 已保存为 blur_21x21.jpg（重度模糊，近乎一片朦胧）" << std::endl;

    // --- 模糊程度 4：X/Y 方向不同模糊程度 ---
    // 前面三个例子 sigmaX 和 sigmaY 都设为 0（自动计算）
    // 这里我们手动指定不同方向的标准差：X 方向模糊大，Y 方向模糊小
    std::cout << "[步骤 5] 应用各向异性模糊 (sigmaX=15, sigmaY=3)..." << std::endl;
    cv::Mat blur_aniso;
    cv::GaussianBlur(original, blur_aniso, cv::Size(0, 0), 15, 3);
    // 注意：当 ksize 设为 (0,0) 时，OpenCV 会根据 sigma 自动计算合适的核大小
    // sigmaX=15（水平方向大模糊）比 sigmaY=3（垂直方向小模糊）大很多
    // 所以效果是：水平方向被"抹平"得很厉害，垂直方向相对清晰
    cv::imwrite("blur_anisotropic.jpg", blur_aniso);
    std::cout << "  -> 已保存为 blur_anisotropic.jpg（水平方向很糊，垂直方向较清晰）" << std::endl;

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 3 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. GaussianBlur 用高斯分布对像素进行加权平均" << std::endl;
    std::cout << "  2. ksize 越大，模糊范围越大（必须是奇数！）" << std::endl;
    std::cout << "  3. sigma 控制模糊的标准差（0 表示自动计算）" << std::endl;
    std::cout << "  4. 模糊是后续边缘检测、颜色提取的重要预处理步骤" << std::endl;

    return 0;
}
```

### 15.8 exp4_canny/CMakeLists.txt

```cmake
# 实验 4：Canny 边缘检测 - CMake 构建配置
cmake_minimum_required(VERSION 3.10)
project(exp4_canny)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED)
add_executable(exp4 main.cpp)
target_link_libraries(exp4 ${OpenCV_LIBS})
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.9 exp4_canny/main.cpp

```cpp
/*
 * ============================================================
 * 实验 4：Canny 边缘检测
 * 知识点：cv::Canny
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解什么是"边缘"——图像中亮度急剧变化的地方
 *   2. 掌握 Canny 边缘检测算法的原理和参数
 *   3. 观察不同阈值对边缘检测结果的影响
 *
 * 【生活化比喻】
 *   边缘检测就像用铅笔"描边"：
 *   - 给你一张彩色照片，让你把照片中所有物体的轮廓描出来
 *   - Canny 算法就是一个"自动描边机器人"
 *   - threshold1 像是"最低标准"：低于这个的统统不是边缘
 *   - threshold2 像是"最高标准"：高于这个的绝对是边缘
 *   - 介于两者之间的，看它是否和已确认的边缘连着（连着的算，孤立的忽略）
 *
 *   这就是所谓的"迟滞阈值"（Hysteresis Threshold）：
 *   - 高于高阈值 → 肯定是边缘（强边缘）
 *   - 低于低阈值 → 肯定不是边缘（直接丢弃）
 *   - 介于中间   → 如果和强边缘相邻，就算是边缘；否则丢弃
 *   - 这就像"朋友的朋友也是朋友"——只要你能通过边缘连到确认真边缘，你就是边缘
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    // ==========================================
    // 第一部分：生成测试图片
    // ==========================================
    std::cout << "[步骤 1] 正在生成测试图片（包含各种边缘结构）..." << std::endl;

    // 创建一个 400×500 的白色画布
    cv::Mat image(400, 500, CV_8UC3, cv::Scalar(255, 255, 255));

    // 画各种几何图形 —— 这些都有清晰的边缘
    cv::circle(image, cv::Point(100, 100), 60, cv::Scalar(50, 50, 50), -1);     // 深灰实心圆
    cv::rectangle(image, cv::Point(220, 40), cv::Point(420, 160),
                  cv::Scalar(100, 100, 100), -1);                                // 灰实心矩形
    cv::rectangle(image, cv::Point(300, 60), cv::Point(360, 140),
                  cv::Scalar(200, 200, 200), -1);                                // 浅灰小矩形(内嵌)

    // 画一些粗细不等的线条
    cv::line(image, cv::Point(20, 200), cv::Point(480, 200),
             cv::Scalar(0, 0, 0), 2);        // 细横线
    cv::line(image, cv::Point(20, 250), cv::Point(480, 250),
             cv::Scalar(0, 0, 0), 8);        // 粗横线
    cv::line(image, cv::Point(250, 200), cv::Point(250, 380),
             cv::Scalar(0, 0, 0), 2);        // 细竖线
    cv::line(image, cv::Point(100, 300), cv::Point(400, 380),
             cv::Scalar(50, 50, 50), 4);     // 斜线

    // 画一些文字
    cv::putText(image, "Canny", cv::Point(150, 370),
                cv::FONT_HERSHEY_SIMPLEX, 1.5, cv::Scalar(0, 0, 0), 3);

    cv::imwrite("original.jpg", image);
    std::cout << "  -> 原始图片已保存为 original.jpg" << std::endl;

    // ==========================================
    // 第二部分：转为灰度图（Canny 输入必须是灰度图！）
    // ==========================================
    std::cout << "[步骤 2] 转换为灰度图..." << std::endl;
    cv::Mat gray;
    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);
    cv::imwrite("gray.jpg", gray);
    std::cout << "  -> 灰度图已保存为 gray.jpg" << std::endl;

    // ==========================================
    // 第三部分：Canny 边缘检测 —— 不同阈值对比
    // ==========================================

    // --- Canny 场景 1：低阈值 (50, 150) ---
    std::cout << "[步骤 3] Canny 边缘检测 (阈值 50 / 150)..." << std::endl;
    cv::Mat edges_low;
    cv::Canny(gray, edges_low, 50, 150);
    cv::imwrite("edges_low.jpg", edges_low);
    std::cout << "  -> 已保存为 edges_low.jpg（低阈值，细节丰富）" << std::endl;

    // --- Canny 场景 2：中等阈值 (100, 200) ---
    std::cout << "[步骤 4] Canny 边缘检测 (阈值 100 / 200)..." << std::endl;
    cv::Mat edges_mid;
    cv::Canny(gray, edges_mid, 100, 200);
    cv::imwrite("edges_mid.jpg", edges_mid);
    std::cout << "  -> 已保存为 edges_mid.jpg（中等阈值，适中结果）" << std::endl;

    // --- Canny 场景 3：高阈值 (200, 400) ---
    std::cout << "[步骤 5] Canny 边缘检测 (阈值 200 / 400)..." << std::endl;
    cv::Mat edges_high;
    cv::Canny(gray, edges_high, 200, 400);
    cv::imwrite("edges_high.jpg", edges_high);
    std::cout << "  -> 已保存为 edges_high.jpg（高阈值，只保留强边缘）" << std::endl;

    // --- Canny 场景 4：先模糊再做边缘检测 ---
    std::cout << "[步骤 6] 先高斯模糊，再 Canny 边缘检测..." << std::endl;
    cv::Mat blurred;
    cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);
    cv::Mat edges_blurred;
    cv::Canny(blurred, edges_blurred, 50, 150);
    cv::imwrite("blurred.jpg", blurred);
    cv::imwrite("edges_after_blur.jpg", edges_blurred);
    std::cout << "  -> 已保存为 blurred.jpg（高斯模糊后）" << std::endl;
    std::cout << "  -> 已保存为 edges_after_blur.jpg（模糊后再做 Canny，边缘更干净）" << std::endl;

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 4 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. Canny 是一种经典的边缘检测算法" << std::endl;
    std::cout << "  2. threshold1 和 threshold2 控制检测灵敏度" << std::endl;
    std::cout << "  3. 输入必须是灰度图（单通道！）" << std::endl;
    std::cout << "  4. 先模糊 + 再 Canny = 更干净的边缘" << std::endl;

    return 0;
}
```

### 15.10 exp5_threshold/CMakeLists.txt

```cmake
# 实验 5：图像阈值化 - CMake 构建配置
cmake_minimum_required(VERSION 3.10)
project(exp5_threshold)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED)
add_executable(exp5 main.cpp)
target_link_libraries(exp5 ${OpenCV_LIBS})
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.11 exp5_threshold/main.cpp

```cpp
/*
 * ============================================================
 * 实验 5：图像阈值化 (Thresholding)
 * 知识点：cv::threshold
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解"阈值化"是什么——把灰度图变成黑白图
 *   2. 掌握 cv::threshold 函数的各种阈值类型
 *   3. 理解阈值化在图像分割中的基础地位
 *
 * 【生活化比喻】
 *   阈值化就像是"考试及格线"：
 *   - 考试成绩 0~100 分
 *   - 学校规定 60 分及格：>= 60 算"通过"，< 60 算"不通过"
 *   - 这里的"60"就是阈值 (threshold)
 *
 *   应用到图像上：
 *   - 每个像素的灰度值 0~255（相当于 0~100 分）
 *   - 设定阈值 128（相当于 60 分）
 *   - 灰度 >= 128 的像素 -> 变白色（255，相当于"通过"）
 *   - 灰度 < 128 的像素 -> 变黑色（0，相当于"不通过"）
 *   - 整张图就只剩黑白两色了！
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    // ==========================================
    // 第一部分：生成一张灰度渐变图
    // ==========================================
    std::cout << "[步骤 1] 正在生成灰度渐变测试图..." << std::endl;

    // 创建一张 300（高）x 512（宽）的灰度图
    // CV_8UC1 表示：8位无符号整数、1通道（灰度）
    cv::Mat gradient(300, 512, CV_8UC1);

    // 用手工方式生成从左到右的灰度渐变
    // 左边的像素灰度值为 0（全黑），右边为 255（全白），逐渐过渡
    for (int row = 0; row < gradient.rows; row++)
    {
        for (int col = 0; col < gradient.cols; col++)
        {
            // 灰度值 = 列索引 * 255 / 511（比例映射）
            // 这样 col=0 对应灰度 = 0，col=511 对应灰度 = 255
            // gradient.at<uchar>(row, col) —— 访问/修改单个像素值
            // .at<uchar> 中的 uchar = unsigned char = 8比特无符号整数
            gradient.at<uchar>(row, col) = static_cast<uchar>(col * 255 / 511);
        }
    }

    // 在渐变图上画一条垂直线标记阈值 128 的位置
    cv::line(gradient, cv::Point(256, 0), cv::Point(256, 299),
             cv::Scalar(255), 1);
    // 放一些标注文字
    cv::putText(gradient, "0", cv::Point(5, 150),
                cv::FONT_HERSHEY_SIMPLEX, 0.6, cv::Scalar(255));
    cv::putText(gradient, "128", cv::Point(240, 150),
                cv::FONT_HERSHEY_SIMPLEX, 0.6, cv::Scalar(255));
    cv::putText(gradient, "255", cv::Point(470, 150),
                cv::FONT_HERSHEY_SIMPLEX, 0.6, cv::Scalar(0));

    cv::imwrite("gradient.jpg", gradient);
    std::cout << "  -> 原始渐变图已保存为 gradient.jpg" << std::endl;

    // ==========================================
    // 第二部分：演示各种阈值类型
    // ==========================================
    // 统一使用阈值 128（中间值），maxval = 255（纯白）

    // --- 类型 1：THRESH_BINARY（标准二值化）---
    std::cout << "[步骤 2] THRESH_BINARY（标准二值化）..." << std::endl;
    cv::Mat thresh_binary;
    cv::threshold(gradient, thresh_binary, 128, 255, cv::THRESH_BINARY);
    cv::imwrite("thresh_binary.jpg", thresh_binary);

    // --- 类型 2：THRESH_BINARY_INV（反二值化）---
    std::cout << "[步骤 3] THRESH_BINARY_INV（反二值化）..." << std::endl;
    cv::Mat thresh_binary_inv;
    cv::threshold(gradient, thresh_binary_inv, 128, 255, cv::THRESH_BINARY_INV);
    cv::imwrite("thresh_binary_inv.jpg", thresh_binary_inv);

    // --- 类型 3：THRESH_TRUNC（截断）---
    std::cout << "[步骤 4] THRESH_TRUNC（截断）..." << std::endl;
    cv::Mat thresh_trunc;
    cv::threshold(gradient, thresh_trunc, 128, 255, cv::THRESH_TRUNC);
    cv::imwrite("thresh_trunc.jpg", thresh_trunc);

    // --- 类型 4：THRESH_TOZERO（置零）---
    std::cout << "[步骤 5] THRESH_TOZERO（置零）..." << std::endl;
    cv::Mat thresh_tozero;
    cv::threshold(gradient, thresh_tozero, 128, 255, cv::THRESH_TOZERO);
    cv::imwrite("thresh_tozero.jpg", thresh_tozero);

    // --- 类型 5：THRESH_TOZERO_INV（反置零）---
    std::cout << "[步骤 6] THRESH_TOZERO_INV（反置零）..." << std::endl;
    cv::Mat thresh_tozero_inv;
    cv::threshold(gradient, thresh_tozero_inv, 128, 255, cv::THRESH_TOZERO_INV);
    cv::imwrite("thresh_tozero_inv.jpg", thresh_tozero_inv);

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 5 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. 阈值化就是把灰度图按某个界限分成两部分" << std::endl;
    std::cout << "  2. 有 5 种阈值类型，最常用的是 THRESH_BINARY" << std::endl;
    std::cout << "  3. 阈值化是图像分割的基础操作" << std::endl;

    return 0;
}
```

### 15.12 exp6_morphology/CMakeLists.txt

```cmake
# 实验 6：形态学操作：腐蚀与膨胀 - CMake 构建配置
cmake_minimum_required(VERSION 3.10)
project(exp6_morphology)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED)
add_executable(exp6 main.cpp)
target_link_libraries(exp6 ${OpenCV_LIBS})
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.13 exp6_morphology/main.cpp

```cpp
/*
 * ============================================================
 * 实验 6：形态学操作 —— 腐蚀 (Erode) 与膨胀 (Dilate)
 * 知识点：cv::erode、cv::dilate、cv::getStructuringElement
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解"腐蚀"和"膨胀"对二值图像的作用
 *   2. 了解"开运算"和"闭运算"的组合效果
 *   3. 掌握结构元素 (kernel) 的概念
 *
 * 【生活化比喻】
 *   腐蚀 (Erosion)：
 *   想象沙滩上写着一些字，涨潮时海水冲上来，把字的边缘"吃掉"一圈
 *   -> 白色区域被"侵蚀"，变小了、断开了、甚至消失了
 *   -> 作用：消除小白点噪声、断开粘连的物体
 *
 *   膨胀 (Dilation)：
 *   想象给一栋房子外围再砌一圈围墙，房子"胖了"
 *   -> 白色区域被"扩张"，变大了、连在一起了
 *   -> 作用：填充小黑洞、连接断裂的物体
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    // ==========================================
    // 第一部分：生成一张带噪声的二值测试图
    // ==========================================
    std::cout << "[步骤 1] 正在生成二值测试图片..." << std::endl;

    // 创建黑色背景
    cv::Mat binary(300, 500, CV_8UC1, cv::Scalar(0));

    // 画一个大的白色矩形（作为"主体目标"）
    cv::rectangle(binary, cv::Point(80, 60), cv::Point(420, 240),
                  cv::Scalar(255), -1);  // 白色填充矩形

    // 在矩形内部打几个孔（黑色小圆，模拟"目标内部的空洞"）
    cv::circle(binary, cv::Point(180, 150), 20, cv::Scalar(0), -1);  // 内部孔洞 1
    cv::circle(binary, cv::Point(320, 150), 20, cv::Scalar(0), -1);  // 内部孔洞 2

    // 在背景中撒一些白色噪点（模拟"背景中的噪声"）
    for (int i = 0; i < 50; i++)
    {
        int x = rand() % 500;
        int y = rand() % 300;
        cv::circle(binary, cv::Point(x, y), 3, cv::Scalar(255), -1);
    }

    cv::imwrite("binary.jpg", binary);
    std::cout << "  -> 原始二值图已保存为 binary.jpg" << std::endl;

    // ==========================================
    // 第二部分：创建结构元素
    // ==========================================
    // 结构元素的大小会影响腐蚀/膨胀的效果范围
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));

    // ==========================================
    // 第三部分：腐蚀操作
    // ==========================================
    std::cout << "[步骤 2] 执行腐蚀操作 (Erosion)..." << std::endl;
    cv::Mat eroded;
    cv::erode(binary, eroded, kernel);
    cv::imwrite("eroded.jpg", eroded);

    // ==========================================
    // 第四部分：膨胀操作
    // ==========================================
    std::cout << "[步骤 3] 执行膨胀操作 (Dilation)..." << std::endl;
    cv::Mat dilated;
    cv::dilate(binary, dilated, kernel);
    cv::imwrite("dilated.jpg", dilated);

    // ==========================================
    // 第五部分：开运算（先腐蚀再膨胀）
    // ==========================================
    std::cout << "[步骤 4] 执行开运算 (Opening = 腐蚀 + 膨胀)..." << std::endl;
    cv::Mat opened;
    cv::erode(binary, opened, kernel);
    cv::dilate(opened, opened, kernel);
    cv::imwrite("opened.jpg", opened);

    // ==========================================
    // 第六部分：闭运算（先膨胀再腐蚀）
    // ==========================================
    std::cout << "[步骤 5] 执行闭运算 (Closing = 膨胀 + 腐蚀)..." << std::endl;
    cv::Mat closed;
    cv::dilate(binary, closed, kernel);
    cv::erode(closed, closed, kernel);
    cv::imwrite("closed.jpg", closed);

    // ==========================================
    // 第七部分：多次形态学操作
    // ==========================================
    std::cout << "[步骤 6] 执行多次腐蚀 (iterations=3)..." << std::endl;
    cv::Mat eroded_multi;
    cv::erode(binary, eroded_multi, kernel, cv::Point(-1, -1), 3);
    cv::imwrite("eroded_x3.jpg", eroded_multi);

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 6 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. 腐蚀：白色区域缩小，可以去噪点" << std::endl;
    std::cout << "  2. 膨胀：白色区域扩大，可以填黑洞" << std::endl;
    std::cout << "  3. 开运算：去噪点但大体保持目标大小" << std::endl;
    std::cout << "  4. 闭运算：填空洞但大体保持目标大小" << std::endl;
    std::cout << "  5. 结构元素决定了操作的形状和范围" << std::endl;

    return 0;
}
```

### 15.14 exp7_inrange/CMakeLists.txt

```cmake
# 实验 7：颜色提取：inRange - CMake 构建配置
cmake_minimum_required(VERSION 3.10)
project(exp7_inrange)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED)
add_executable(exp7 main.cpp)
target_link_libraries(exp7 ${OpenCV_LIBS})
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.15 exp7_inrange/main.cpp

```cpp
/*
 * ============================================================
 * 实验 7：颜色提取 —— inRange
 * 知识点：cv::inRange、HSV 颜色空间、颜色阈值
 * ============================================================
 *
 * 【实验目标】
 *   1. 掌握 cv::inRange 函数的用法——按颜色范围提取目标
 *   2. 理解为什么要用 HSV 而不是 BGR 来做颜色提取
 *   3. 掌握 RoboMaster 红色灯条的 HSV 范围设定
 *
 * 【生活化比喻】
 *   inRange 就像是一个"颜色过滤器"（或者说"筛子"）：
 *   - 你有一堆混在一起的彩色糖果（红、绿、蓝、黄...）
 *   - 你只想挑出红色的糖果
 *   - inRange 就是那个"只能通过红色"的筛子
 *   - 筛出来的就是红色糖果（二值 mask），其他颜色的都被丢掉了
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    // ==========================================
    // 第一部分：生成包含多种颜色的测试图片
    // ==========================================
    std::cout << "[步骤 1] 正在生成彩色测试图片..." << std::endl;

    // 400x600 画布，白色背景
    cv::Mat image(400, 600, CV_8UC3, cv::Scalar(255, 255, 255));

    // 画 6 个彩色矩形，模拟不同颜色的物体（含红色系多深浅）
    cv::rectangle(image, cv::Point(20,  50),  cv::Point(180, 130),
                  cv::Scalar(0, 0, 255), -1);    // 红色
    cv::rectangle(image, cv::Point(210, 50),  cv::Point(370, 130),
                  cv::Scalar(255, 0, 0), -1);    // 蓝色
    cv::rectangle(image, cv::Point(400, 50),  cv::Point(560, 130),
                  cv::Scalar(0, 255, 0), -1);    // 绿色
    cv::rectangle(image, cv::Point(20,  160), cv::Point(180, 240),
                  cv::Scalar(0, 255, 255), -1);  // 黄色
    cv::rectangle(image, cv::Point(210, 160), cv::Point(370, 240),
                  cv::Scalar(255, 255, 0), -1);  // 青色
    cv::rectangle(image, cv::Point(400, 160), cv::Point(560, 240),
                  cv::Scalar(255, 0, 255), -1);  // 品红

    // 不同深浅的红色矩形（模拟光照变化）
    cv::rectangle(image, cv::Point(20,  260), cv::Point(100, 320),
                  cv::Scalar(0, 0, 120), -1);    // 深红
    cv::rectangle(image, cv::Point(120, 260), cv::Point(200, 320),
                  cv::Scalar(0, 0, 200), -1);    // 中红
    cv::rectangle(image, cv::Point(220, 260), cv::Point(300, 320),
                  cv::Scalar(0, 50, 255), -1);   // 亮红
    cv::rectangle(image, cv::Point(320, 260), cv::Point(400, 320),
                  cv::Scalar(100, 0, 200), -1);  // 紫红

    cv::imwrite("original.jpg", image);
    std::cout << "  -> 原始彩色图片已保存为 original.jpg" << std::endl;

    // ==========================================
    // 第二部分：转换为 HSV
    // ==========================================
    std::cout << "[步骤 2] 将 BGR 图片转换为 HSV..." << std::endl;
    cv::Mat hsv;
    cv::cvtColor(image, hsv, cv::COLOR_BGR2HSV);
    cv::imwrite("hsv.jpg", hsv);

    // ==========================================
    // 第三部分：使用 inRange 提取红色
    // ==========================================
    std::cout << "[步骤 3] 使用 inRange 提取红色区域..." << std::endl;

    // 红色需要两个范围（色相环跨越 0 度）
    cv::Scalar lower_red1(0,   100, 100);
    cv::Scalar upper_red1(10,  255, 255);
    cv::Scalar lower_red2(160, 100, 100);
    cv::Scalar upper_red2(180, 255, 255);

    cv::Mat mask_red1, mask_red2, mask_red_combined;
    cv::inRange(hsv, lower_red1, upper_red1, mask_red1);
    cv::inRange(hsv, lower_red2, upper_red2, mask_red2);
    cv::bitwise_or(mask_red1, mask_red2, mask_red_combined);

    cv::imwrite("mask_red1.jpg", mask_red1);
    cv::imwrite("mask_red2.jpg", mask_red2);
    cv::imwrite("mask_red_combined.jpg", mask_red_combined);

    // ==========================================
    // 第四部分：把 mask 应用到原图（可视化提取结果）
    // ==========================================
    std::cout << "[步骤 4] 用 mask 提取原图中的红色部分..." << std::endl;
    cv::Mat red_extracted;
    cv::bitwise_and(image, image, red_extracted, mask_red_combined);
    cv::imwrite("red_extracted.jpg", red_extracted);

    // ==========================================
    // 第五部分（附加）：也提取蓝色
    // ==========================================
    std::cout << "[步骤 5] 额外实验：提取蓝色区域..." << std::endl;
    cv::Scalar lower_blue(100, 100, 100);
    cv::Scalar upper_blue(130, 255, 255);
    cv::Mat mask_blue;
    cv::inRange(hsv, lower_blue, upper_blue, mask_blue);
    cv::imwrite("mask_blue.jpg", mask_blue);

    cv::Mat blue_extracted;
    cv::bitwise_and(image, image, blue_extracted, mask_blue);
    cv::imwrite("blue_extracted.jpg", blue_extracted);

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 7 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. inRange 按颜色范围提取目标区域" << std::endl;
    std::cout << "  2. 为什么要用 HSV：分离颜色和亮度" << std::endl;
    std::cout << "  3. 红色需要两个 H 范围（因为色相是环状）" << std::endl;
    std::cout << "  4. bitwise_or 合并 mask，bitwise_and 提取原图" << std::endl;
    std::cout << "  5. 这是 RoboMaster 视觉灯条检测的基础！" << std::endl;

    return 0;
}
```

### 15.16 exp8_pipeline/CMakeLists.txt

```cmake
# 实验 8：综合流水线 - CMake 构建配置
cmake_minimum_required(VERSION 3.10)
project(exp8_pipeline)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED)
add_executable(exp8 main.cpp)
target_link_libraries(exp8 ${OpenCV_LIBS})
include_directories(${OpenCV_INCLUDE_DIRS})
```

### 15.17 exp8_pipeline/main.cpp

```cpp
/*
 * ============================================================
 * 实验 8：综合流水线 (Pipeline)
 * 知识点：串联前面 7 个实验的所有技术
 * ============================================================
 *
 * 【实验目标】
 *   1. 将前面学到的所有技术串联成一个完整流程
 *   2. 理解图像处理中"预处理 → 提取 → 后处理"的标准套路
 *   3. 为 RoboMaster 灯条检测打下完整基础
 *
 * 【生活化比喻】
 *   一条完整的图像处理流水线就像工厂的"生产流水线"：
 *   - 原材料进厂（读取图像）
 *   - 清洗处理（模糊去噪、颜色转换）
 *   - 核心加工（颜色提取 inRange）
 *   - 精修打磨（形态学操作去掉毛刺）
 *   - 质检包装（边缘检测找轮廓、画框标记）
 *   - 成品出厂（保存结果图片）
 *
 *   每一步都依赖前一步的输出，整个流程像一个多米诺骨牌，
 *   任何一个环节出问题，最终结果都会受影响。
 *
 * 【RoboMaster 灯条检测的标准流水线】
 *   1. 读取摄像头采集的图像
 *   2. BGR → HSV 颜色空间转换
 *   3. inRange 提取目标颜色（红/蓝）
 *   4. 形态学操作（开运算去噪、闭运算填充）
 *   5. 轮廓检测与筛选（按面积、长宽比、角度过滤）
 *   6. 画出灯条的位置框
 *
 *   本实验完整演示整个流程！
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    std::cout << "===== 实验 8：综合流水线 开始 =====\n" << std::endl;

    // ==========================================
    // 阶段 1：生成模拟场景的测试图片
    // ==========================================
    std::cout << "[阶段 1/6] 生成模拟 RoboMaster 场景的测试图片..." << std::endl;

    // 600×450 画布，深灰色背景（模拟比赛场地的昏暗环境）
    cv::Mat scene(450, 600, CV_8UC3, cv::Scalar(40, 40, 40));

    // --- 先画背景噪点（必须在灯条之前！否则噪点会覆盖在灯条上）---
    for (int i = 0; i < 200; i++)
    {
        int x = rand() % 600;
        int y = rand() % 450;
        uchar noise_color = static_cast<uchar>(rand() % 128 + 60);
        cv::circle(scene, cv::Point(x, y), 1,
                   cv::Scalar(noise_color, noise_color, noise_color), -1);
    }

    // 画一些干扰物（场地上可能有其他颜色的物体）
    cv::circle(scene, cv::Point(100, 100), 30, cv::Scalar(255, 0, 0), -1);    // 蓝色干扰圆
    cv::rectangle(scene, cv::Point(450, 300), cv::Point(550, 380),
                  cv::Scalar(0, 255, 0), -1);                                  // 绿色干扰矩形
    cv::circle(scene, cv::Point(80, 350), 40, cv::Scalar(0, 255, 255), -1);   // 黄色干扰圆

    // 画装甲板的中间横梁（深灰色，不会被 inRange 误检为红色）
    // 注意：横梁必须在灯条之前画！这样红色灯条覆盖在横梁上方，
    //       保证灯条从顶到底都是纯红色，不被横梁切断
    cv::rectangle(scene, cv::Point(200, 180), cv::Point(400, 220),
                  cv::Scalar(80, 80, 80), -1);  // 深灰色横梁

    // 在上面画红色灯条（最后画，确保不被其他元素覆盖）
    // 灯条是竖直的细长矩形，模拟 RoboMaster 装甲板侧面的 LED 灯条
    // 左灯条
    cv::rectangle(scene, cv::Point(200, 120), cv::Point(240, 280),
                  cv::Scalar(0, 0, 255), -1);  // 纯红色竖直矩形 (B=0,G=0,R=255)
    // 右灯条
    cv::rectangle(scene, cv::Point(360, 120), cv::Point(400, 280),
                  cv::Scalar(0, 0, 255), -1);  // 纯红色竖直矩形

    cv::imwrite("01_original_scene.jpg", scene);
    std::cout << "  -> 已保存 01_original_scene.jpg（原始场景图）" << std::endl;

    // ==========================================
    // 阶段 2：颜色空间转换 BGR → HSV
    // ==========================================
    std::cout << "[阶段 2/6] BGR → HSV 颜色空间转换..." << std::endl;

    cv::Mat hsv;
    cv::cvtColor(scene, hsv, cv::COLOR_BGR2HSV);
    cv::imwrite("02_hsv.jpg", hsv);
    std::cout << "  -> 已保存 02_hsv.jpg" << std::endl;

    // ==========================================
    // 阶段 3：高斯模糊（去噪预处理）
    // ==========================================
    std::cout << "[阶段 3/6] 高斯模糊（减少噪点对后续处理的影响）..." << std::endl;

    cv::Mat hsv_blurred;
    // 使用 5×5 的高斯核对 HSV 图像进行模糊
    // 为什么在 inRange 之前模糊？
    // - 噪点在 HSV 空间中也可能落在红色范围内，产生误检
    // - 先模糊可以平滑掉这些随机噪点，减少误检
    // 注意：核不要太大（5~7 比较合适），否则会模糊掉灯条的边缘
    cv::GaussianBlur(hsv, hsv_blurred, cv::Size(5, 5), 0);
    cv::imwrite("03_hsv_blurred.jpg", hsv_blurred);
    std::cout << "  -> 已保存 03_hsv_blurred.jpg（模糊后的 HSV 图）" << std::endl;

    // ==========================================
    // 阶段 4：颜色提取（inRange 提取红色）
    // ==========================================
    std::cout << "[阶段 4/6] inRange 提取红色区域..." << std::endl;

    // 红色需要两个范围（如实验 7 所述）
    cv::Scalar lower_red1(0,   100, 100);
    cv::Scalar upper_red1(10,  255, 255);
    cv::Scalar lower_red2(160, 100, 100);
    cv::Scalar upper_red2(180, 255, 255);

    cv::Mat mask1, mask2, red_mask;
    cv::inRange(hsv_blurred, lower_red1, upper_red1, mask1);
    cv::inRange(hsv_blurred, lower_red2, upper_red2, mask2);
    cv::bitwise_or(mask1, mask2, red_mask);

    cv::imwrite("04_red_mask_raw.jpg", red_mask);
    std::cout << "  -> 已保存 04_red_mask_raw.jpg（原始红色 mask）" << std::endl;

    // ==========================================
    // 阶段 5：形态学后处理（清理 mask）
    // ==========================================
    std::cout << "[阶段 5/6] 形态学操作清理 mask..." << std::endl;

    // 创建结构元素（5×5 矩形核）
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));

    // 步骤 5a：开运算（先腐蚀再膨胀）—— 消除小白点噪声
    // 那些随机噪点中落在红色范围内的，经过腐蚀会消失
    cv::Mat mask_opened;
    cv::erode(red_mask, mask_opened, kernel);
    cv::dilate(mask_opened, mask_opened, kernel);
    cv::imwrite("05a_mask_opened.jpg", mask_opened);
    std::cout << "  -> 已保存 05a_mask_opened.jpg（开运算：去除噪点）" << std::endl;

    // 步骤 5b：闭运算（先膨胀再腐蚀）—— 填充灯条内部的小黑洞
    cv::Mat mask_cleaned;
    cv::dilate(mask_opened, mask_cleaned, kernel);
    cv::erode(mask_cleaned, mask_cleaned, kernel);
    cv::imwrite("05b_mask_cleaned.jpg", mask_cleaned);
    std::cout << "  -> 已保存 05b_mask_cleaned.jpg（闭运算：填充内部空洞）" << std::endl;

    // ==========================================
    // 阶段 6：在原始场景上展示检测结果
    // ==========================================
    std::cout << "[阶段 6/6] 在原图上标记检测结果..." << std::endl;

    // 步骤 6a：用 mask 提取原图中的红色区域
    cv::Mat red_only;
    cv::bitwise_and(scene, scene, red_only, mask_cleaned);
    cv::imwrite("06a_red_extracted.jpg", red_only);
    std::cout << "  -> 已保存 06a_red_extracted.jpg（仅保留红色区域）" << std::endl;

    // 步骤 6b：用 Canny 边缘检测在 mask 上找灯条边缘
    // 这样可以看到灯条的轮廓是否被正确提取
    cv::Mat mask_edges;
    cv::Canny(mask_cleaned, mask_edges, 50, 150);
    cv::imwrite("06b_mask_edges.jpg", mask_edges);
    std::cout << "  -> 已保存 06b_mask_edges.jpg（mask 的边缘检测结果）" << std::endl;

    // 步骤 6c：使用 findContours 找到灯条的轮廓并画框（进阶内容预览）
    // 这是 RoboMaster 视觉的下一步：从 mask 中提取灯条的位置
    // findContours: 在二值图中寻找所有白色区域的轮廓
    std::vector<std::vector<cv::Point>> contours;
    // RETR_EXTERNAL: 只检索最外层轮廓
    // CHAIN_APPROX_SIMPLE: 压缩水平/垂直/对角线，只保留端点
    cv::findContours(mask_cleaned, contours, cv::RETR_EXTERNAL,
                     cv::CHAIN_APPROX_SIMPLE);

    // 创建结果图：在原图上画检测框
    cv::Mat result = scene.clone();  // clone() 创建一个完全相同的副本

    std::cout << "  -> 共找到 " << contours.size() << " 个轮廓" << std::endl;

    int valid_count = 0;  // 统计有效灯条的个数
    for (size_t i = 0; i < contours.size(); i++)
    {
        // 用 boundingRect 获取能包围轮廓的最小直立矩形
        cv::Rect bbox = cv::boundingRect(contours[i]);

        // 筛选条件：灯条应该是细长竖直的矩形
        // - 面积不能太小（过滤残留的噪点）
        double area = bbox.width * bbox.height;
        if (area < 100) continue;  // 面积小于 100 像素，忽略

        // - 高度应该大于宽度（竖直灯条的特征）
        if (bbox.height < bbox.width * 2) continue;  // 不满足"细长"条件，忽略

        // 通过筛选，画框标记
        cv::rectangle(result, bbox, cv::Scalar(0, 255, 0), 3);  // 绿色边框，线宽 3
        valid_count++;

        // 在框上方写标签
        cv::putText(result, "Target " + std::to_string(valid_count),
                    cv::Point(bbox.x, bbox.y - 10),
                    cv::FONT_HERSHEY_SIMPLEX, 0.6,
                    cv::Scalar(0, 255, 0), 2);
    }

    cv::imwrite("06c_result.jpg", result);
    std::cout << "  -> 已保存 06c_result.jpg（最终结果：绿灯条框标记 = 检测到的灯条）" << std::endl;
    std::cout << "  -> 共检测到 " << valid_count << " 个有效灯条" << std::endl;

    // ==========================================
    // 总结
    // ==========================================
    std::cout << std::endl;
    std::cout << "===== 实验 8 完成 =====" << std::endl;
    std::cout << "流水线回顾（你完整的加工步骤）：" << std::endl;
    std::cout << "  1. 读取 / 生成图像" << std::endl;
    std::cout << "  2. BGR → HSV 颜色空间转换" << std::endl;
    std::cout << "  3. 高斯模糊（去噪）" << std::endl;
    std::cout << "  4. inRange 提取目标颜色" << std::endl;
    std::cout << "  5. 形态学操作（清理 mask）" << std::endl;
    std::cout << "  6. 轮廓检测 + 画框（定位目标）" << std::endl;
    std::cout << std::endl;
    std::cout << "恭喜你！这已经是一个简化的 RoboMaster 灯条检测流程了！" << std::endl;
    std::cout << "接下来的课程将学习：颜色空间调参、轮廓筛选优化、以及用工业相机实时处理" << std::endl;

    return 0;
}
```

---

> **📚 讲义到此结束**  
> 记住：编程不是背出来的，是**敲**出来的。每个实验都亲手敲一遍代码、编译一遍、运行一遍，你才能真正掌握。遇到问题先自己排查，再问学长学姐。祝你在 RoboMaster 视觉组学有所成！