105 KiB
105 KiB
OpenCV C++ 零基础入门培训教案
适用对象：仅接触过一节 Linux 课程的大学新生
教学环境：WSL (Ubuntu)、不依赖 X11 图形界面
图像查看方式：cv::imwrite保存图片 → Windows 资源管理器直接浏览
课程时长：约 3～4 小时（含上机操作）
目录
1. 开场白与课程目标
开场白
同学们好！欢迎来到 RoboMaster 视觉组的第一堂 OpenCV 入门课。
在正式开始之前，我想先聊一个大家一定会问的问题——"什么是计算机视觉？"
我们每时每刻都在用眼睛看世界：你看到屏幕上有字、窗外有树、桌上有水杯。你的大脑能立刻识别出"这是一行字""那是一棵树""那是我的杯子"。这个过程对人来一眨眼就完成了，但对计算机来说却极其困难——因为计算机看到的只是一个个数字（像素值），它不知道哪些数字凑在一起是"杯子"，哪些是"桌子"。
而 OpenCV（Open Source Computer Vision Library，开源计算机视觉库）就是帮计算机"看懂"图像的工具箱。它提供了数千个经过优化的图像处理函数，让我们不需要从零发明轮子，就能快速实现各种视觉任务。
在 RoboMaster 比赛中，视觉组的核心工作就是用 OpenCV 处理摄像头采集的图像，识别出对方机器人的装甲板灯条，然后计算它的三维位置，发送给云台射击。今天这堂课，就是这一切的起点。
课程目标
通过本次课程，你将学会：
| 编号 | 技能 | 对应实验 |
|---|---|---|
| ① | 在 WSL 中安装 OpenCV，使用 CMake 编译 C++ 程序 | 全部 |
| ② | 读取、保存图像，理解 cv::Mat 数据类型 |
实验 1 |
| ③ | 在不同颜色空间（BGR、Gray、HSV）之间转换 | 实验 2 |
| ④ | 使用高斯模糊去除图像噪点 | 实验 3 |
| ⑤ | 用 Canny 算法检测图像中的边缘 | 实验 4 |
| ⑥ | 对灰度图做阈值化处理，生成二值图 | 实验 5 |
| ⑦ | 使用腐蚀和膨胀对二值图做形态学处理 | 实验 6 |
| ⑧ | 用 inRange 在 HSV 空间中提取特定颜色区域 | 实验 7 |
| ⑨ | 将以上所有技术串联成完整处理流水线 | 实验 8 |
Note
本教案假设你已经在 Windows 上安装了 WSL Ubuntu，并且完成了第一堂 Linux 基础课（知道
cd、ls、mkdir等基本命令）。如果还没安装 WSL，请参考学校提供的 WSL 安装指南。
2. 环境准备
2.1 确认 WSL Ubuntu 已安装
打开 Windows Terminal（或 PowerShell），输入：
wsl -l -v
你应该看到类似这样的输出，表示 Ubuntu 已安装并正在运行：
NAME STATE VERSION
* Ubuntu Running 2
Warning
如果这里显示的是
Stopped，输入wsl即可启动 Ubuntu。如果根本没有 Ubuntu，你需先在 Microsoft Store 搜索 "Ubuntu" 安装。
现在进入 WSL 终端：
wsl
你会看到命令行提示符变成了类似 username@DESKTOP:~$ 的样式，这表示你已经进入了 WSL Ubuntu 环境。
2.2 安装 OpenCV 开发库
在 WSL Ubuntu 终端中，依次执行以下命令（每行一条，逐行复制粘贴）：
# 第 1 步：更新软件包列表（就像是刷新应用商店的目录）
sudo apt update
# 第 2 步：安装 OpenCV C++ 开发库
# libopencv-dev 包含了头文件和 .so 动态库
# build-essential 包含了 g++ 编译器和 make 工具
# cmake 是我们用来管理编译过程的工具
sudo apt install -y build-essential cmake libopencv-dev
# 第 3 步：验证安装是否成功
# 这条命令会打印 OpenCV 的版本号，比如 4.5.4
pkg-config --modversion opencv4
Tip
sudo是什么？
在 Linux 中，普通用户不能随意修改系统文件。sudo的意思是"以管理员身份执行后面的命令"（Super User DO）。安装软件属于系统级操作，所以需要sudo。第一次使用时会提示你输入密码（不会显示任何字符，这是正常的安全设计，盲输即可）。
如果 pkg-config --modversion opencv4 输出了一个版本号（例如 4.5.4），恭喜，OpenCV 安装成功！
2.3 WSL 与 Windows 文件互访
这是很重要的知识点：WSL 和 Windows 虽然是两个系统，但它们的硬盘是互通的。
- 在 WSL 中访问 Windows 文件：Windows 的 C 盘对应 WSL 中的
/mnt/c，D 盘对应/mnt/d。所以你在 Windows 下的D:\RM\25教学\视觉1\OpenCV-CPP在 WSL 中的路径是/mnt/d/RM/25教学/视觉1/OpenCV-CPP。 - 在 Windows 中访问 WSL 文件：在 Windows 文件资源管理器的地址栏输入
\\wsl$\Ubuntu，然后回车，你就能看到整个 WSL 的文件系统。进入/home/你的用户名/就能找到你在 WSL 中的家目录。
Tip
为什么要把代码放在
/mnt/d/...而不是 WSL 的/home/...？
放在/mnt/d/...下的文件，可以直接通过 Windows 资源管理器打开和查看（包括图片），非常方便。如果放在/home/...下，虽然也能通过\\wsl$访问，但路径更深，而且跨文件系统读写性能稍差。
2.4 进入课程根目录
假设你已经通过 GitHub 把本次课程的代码仓库下载到了 D:\RM\25教学\视觉1\OpenCV-CPP。
在 WSL 终端中执行：
# 进入课程根目录（注意：路径中的"25教学"等中文是文件夹名）
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP
# 确认当前目录正确（查看当前路径）
pwd
# 查看目录内容，应该能看到 8 个 exp 开头的子文件夹
ls -l
如果 ls -l 显示了 exp1_read_write、exp2_color_space ... 等信息，说明你已经在正确的位置了。
2.5 创建所有实验文件夹
如果代码仓库尚未包含这些文件夹，你可以一次性创建它们：
mkdir -p exp1_read_write exp2_color_space exp3_gaussian_blur exp4_canny \
exp5_threshold exp6_morphology exp7_inrange exp8_pipeline
mkdir -p的-p参数：如果父目录不存在就自动创建（这里所有实验文件夹都在当前目录下，所以-p主要是防止"目录已存在"的错误）。
2.6 中文乱码处理
如果你在 WSL 终端中看到中文显示为乱码（比如 <EFBFBD>学<EFBFBD>视觉1），执行以下命令可以临时修复：
export LANG=zh_CN.UTF-8
这只是临时生效（当前终端窗口关闭后失效）。如果想永久生效，可以把它加入 ~/.bashrc 文件：
echo 'export LANG=zh_CN.UTF-8' >> ~/.bashrc
source ~/.bashrc
Note
中文乱码不影响代码的编译和运行，只是终端显示不好看而已。如果赶时间，可以跳过这一步。
3. 目录结构总览
本课程的文件夹结构如下。每个实验文件夹中都有且仅有两个文件：CMakeLists.txt（编译配置）和 main.cpp（源代码），均可独立编译运行。
OpenCV-CPP/
├── README.md ← 你正在看的这份教案
│
├── exp1_read_write/ ← 实验 1：图像读取与保存
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp2_color_space/ ← 实验 2：颜色空间转换
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp3_gaussian_blur/ ← 实验 3：高斯模糊
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp4_canny/ ← 实验 4：Canny 边缘检测
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp5_threshold/ ← 实验 5：图像阈值化
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp6_morphology/ ← 实验 6：形态学操作（腐蚀与膨胀）
│ ├── CMakeLists.txt
│ └── main.cpp
│
├── exp7_inrange/ ← 实验 7：颜色提取（inRange）
│ ├── CMakeLists.txt
│ └── main.cpp
│
└── exp8_pipeline/ ← 实验 8：综合流水线
├── CMakeLists.txt
└── main.cpp
每个实验的可执行文件命名规则：
| 实验 | 项目名 (CMake) | 可执行文件名 | 运行命令 |
|---|---|---|---|
| 1 | exp1_read_write |
exp1 |
./exp1 |
| 2 | exp2_color_space |
exp2 |
./exp2 |
| 3 | exp3_gaussian_blur |
exp3 |
./exp3 |
| 4 | exp4_canny |
exp4 |
./exp4 |
| 5 | exp5_threshold |
exp5 |
./exp5 |
| 6 | exp6_morphology |
exp6 |
./exp6 |
| 7 | exp7_inrange |
exp7 |
./exp7 |
| 8 | exp8_pipeline |
exp8 |
./exp8 |
4. 逐一展开每个实验
统一的编译与运行流程
为了避免在每个实验小节中重复说明，这里先给出标准操作步骤。之后每个实验的"编译与运行"小节将直接引用这套流程。
# 第 1 步：进入实验文件夹
cd expX_xxxxxx
# 第 2 步：创建编译目录 build 并进入
# 为什么要单独建一个 build 目录？
# 因为编译过程会生成很多中间文件（.o 文件、Makefile 等），
# 把它们和源代码混在一起会很乱，所以统一放在 build/ 里。
mkdir -p build
cd build
# 第 3 步：用 CMake 生成 Makefile
# cmake .. 中的 ".." 表示上级目录（即源代码所在的 expX_xxxxxx/）
# cmake 会根据 CMakeLists.txt 检查依赖、找到 OpenCV、生成编译规则
cmake ..
# 第 4 步：编译
# make 命令读取 cmake 生成的 Makefile，调用 g++ 编译源代码
# -j$(nproc) 表示"用所有 CPU 核心并行编译"，加速编译过程
make -j$(nproc)
# 第 5 步：运行可执行文件
./expX
# 第 6 步：返回根目录
cd ../..
Important
一定要在 build 目录中编译和运行！
原因是：程序用imwrite("xxx.jpg", image)保存图片时，图片文件会保存在程序运行时的当前工作目录（即build/下），而不是源代码所在的目录。这样做的好处是——生成的图片文件和编译中间文件在一起，方便清理（直接删掉build/目录就全干净了）。
4.1 实验 1：图像读取与保存
目标
- 理解
cv::Mat—— OpenCV 中存储图像的"万能容器" - 学会
cv::imread从文件中读取图像 - 学会
cv::imwrite将图像存入文件 - 养成
empty()检查的好习惯
涉及函数及参数详解
(1) cv::Mat
cv::Mat(行数, 列数, 类型, 初始值)
cv::Mat 是 OpenCV 最基本的数据类型。"Mat" 是 Matrix（矩阵）的缩写——因为图像本质上就是一个二维矩阵：
- 矩阵的每一行对应图像的一行像素
- 矩阵的每一列对应图像的一列像素
- 矩阵中每个元素的值就是该像素的亮度/颜色
生活比喻：把 cv::Mat 想象成一张坐标纸（就是数学课上用的那种方格纸）。每个小格子是一个像素，格子里填的数字就是颜色值。OpenCV 在内存中就是把图像存储为这样的"数字矩阵"。
(2) cv::imread
cv::Mat image = cv::imread("文件名", 读取模式);
- 第 1 个参数：文件路径（相对路径或绝对路径）。如果只写文件名如
"test.jpg"，程序会在当前工作目录（你运行程序时所在的目录）下查找。 - 第 2 个参数（可选，默认
cv::IMREAD_COLOR）：cv::IMREAD_COLOR（或数字1）：以彩色模式读取（BGR，3 通道）。即使原图是灰度的，也会被转换为 3 通道。cv::IMREAD_GRAYSCALE（或数字0）：以灰度模式读取（单通道）。cv::IMREAD_UNCHANGED（或数字-1）：保持原样不转换（如果图片包含 Alpha 透明通道，会一起读进来）。
生活比喻：imread 像是一台"扫描仪"——把纸上的照片（文件）转换为电脑里的数字矩阵（cv::Mat）。
(3) cv::imwrite
bool ok = cv::imwrite("文件名", 图像矩阵);
- 第 1 个参数：保存路径。文件格式由扩展名自动决定（
.jpg、.png、.bmp等）。 - 第 2 个参数：要保存的
cv::Mat图像。 - 返回值：
true= 保存成功，false= 失败（通常是因为路径不存在或磁盘满了）。
生活比喻：imwrite 像是一台"打印机"——把电脑里的数字矩阵（cv::Mat）打印成纸上的照片（文件）。
(4) image.empty() —— 不可忽略的检查
if (image.empty()) { /* 出错处理 */ }
如果 imread 找不到文件、文件损坏或格式不支持，它不会报错，而是返回一个"空"的 cv::Mat。这个空的 Mat 内部没有任何数据。如果你不检查 empty() 就直接用 image，后续任何操作（如显示、保存）都会导致程序崩溃。
生活比喻：就像你让朋友帮忙去超市买牛奶，结果超市卖完了，朋友空手回来。如果你不检查就拧开瓶盖喝，会喝到空气。empty() 就是那句"牛奶买到了吗？"的确认。
代码关键片段解释
本实验的 main.cpp 分为三个部分：
-
生成测试图片：用
cv::circle、cv::rectangle、cv::putText等画图函数在 640×480 的画布上画出彩色图形，然后用imwrite保存为test_image.jpg。这样做的目的是不依赖外部图片——程序自己生成测试素材。 -
读取图片：用
cv::imread("test_image.jpg", cv::IMREAD_COLOR)读回刚才保存的文件。紧接着就用image.empty()检查——如果因为某种原因读取失败，程序会打印清晰的错误提示并退出，而不是糊里糊涂地崩掉。 -
保存验证：把读到的
cv::Mat用imwrite保存为output.jpg。如果output.jpg和test_image.jpg一模一样，就证明了"读取 → 保存"的整个链条工作正常。
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp1_read_write
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp1
查看结果
在 Windows 文件资源管理器的地址栏输入：
\\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp1_read_write\build
你会发现这里面多了两个文件：test_image.jpg（程序生成的测试图）和 output.jpg（读取后再保存的图）。双击打开，看看是不是有蓝色、绿色、红色的圆和一个黄色矩形框？
Note
这条路径比较长，建议你把它收藏到资源管理器的快速访问栏，后面每个实验都要用。你只需要修改其中的实验文件夹名就能访问不同实验的输出。
运行结果预览：
| 程序生成的测试图 | 读取后再保存的验证图 |
|---|---|
 |
 |
4.2 实验 2：颜色空间转换
目标
- 理解"颜色空间"的含义——描述颜色的不同"语言"
- 掌握
cv::cvtColor函数 - 了解 Gray（灰度）、HSV、Lab、YCrCb 各自的用途
- 为后续的 inRange 颜色提取做好准备
涉及函数及参数详解
(1) cv::cvtColor
cv::cvtColor(输入图, 输出图, 转换代码);
这是 OpenCV 中最常用的函数之一。只要你想在颜色空间之间切换，就会用到它。
- 第 1 个参数：输入图像
- 第 2 个参数：输出图像（函数会自动分配空间，不需要手动创建）
- 第 3 个参数：转换代码，格式为
cv::COLOR_原空间2目标空间
最常用的转换代码：
| 转换代码 | 含义 | 典型用途 |
|---|---|---|
cv::COLOR_BGR2GRAY |
BGR → 灰度 | 边缘检测、阈值化的前置步骤 |
cv::COLOR_BGR2HSV |
BGR → HSV | 颜色提取（如 inRange） |
cv::COLOR_BGR2Lab |
BGR → Lab | 颜色距离计算 |
cv::COLOR_BGR2YCrCb |
BGR → YCrCb | 图像/视频压缩 |
cv::COLOR_GRAY2BGR |
灰度 → BGR | 把灰度图转回 3 通道便于拼接显示 |
cv::COLOR_HSV2BGR |
HSV → BGR | 在 HSV 空间调色后转回正常显示 |
(2) HSV 颜色空间详解
这是 RoboMaster 中最关键的颜色空间，一定要理解透彻。
- H（Hue，色相）：描述"什么颜色"。取值范围 0～180（OpenCV 把标准的 360° 压缩了一半）。0 是红色，60 是绿色，120 是蓝色——就像色环上的角度。
- S（Saturation，饱和度）：描述"颜色有多纯"。0 是灰色（没颜色），255 是纯色（最鲜艳）。就像往颜料里掺水——水越多，颜色越淡。
- V（Value，明度）：描述"有多亮"。0 是黑色（没光），255 是最亮。就像调灯光亮度。
为什么 HSV 比 BGR 更适合做颜色提取？
想象你有一件红衣服：在阳光下看是鲜红色的，在室内暗光下看是暗红色的。在 BGR 空间中，这两种红色对应的 (B, G, R) 数值差异巨大——亮红是 (0, 0, 255)，暗红可能是 (0, 0, 80)。但在 HSV 空间中，它们的 H（色相）值几乎不变（都是 0 左右），只是 V（明度）值不同。所以我们可以设定 H 的范围来框住"红色"，通过调节 S、V 的上下界来控制挑选条件，把颜色和亮度解耦——这是 inRange 提取颜色的核心原理。
(3) cv::split
cv::split(多通道图像, 单通道图像数组);
将一幅多通道图像（如 3 通道的 HSV 图）拆成多个独立的单通道图像。比如把 HSV 图拆成 H 图、S 图、V 图三张灰度图，方便你观察每个分量的样子。
代码关键片段解释
- 生成 6 个彩色矩形（红、绿、蓝、黄、青、品红），作为测试素材。
- 逐一对原始彩色图做
cv::cvtColor，分别转换为 Gray、HSV、Lab、YCrCb 空间并保存。 - 用
cv::split把 HSV 图拆分成 H、S、V 三个通道单独保存——观察 S 通道你会发现，白色文字区域的 S 值很低（因为白色没有"颜色"这个概念），这解释了为什么 inRange 时要把 S 下界设得足够高来排除白色。
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp2_color_space
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp2
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp2_color_space\build，你会看到 original.jpg、gray.jpg、hsv.jpg、hsv_channel_H.jpg、hsv_channel_S.jpg、hsv_channel_V.jpg 等图片。
运行结果预览：
| 原始彩色图 | 灰度转换 | HSV转换 |
|---|---|---|
 |
 |
 |
| H通道（色相） | S通道（饱和度） | V通道（明度） |
|---|---|---|
 |
 |
 |
| Lab转换 | YCrCb转换 |
|---|---|
 |
 |
4.3 实验 3：高斯模糊
目标
- 理解"模糊"的数学本质——邻域加权平均
- 掌握
cv::GaussianBlur及参数含义 - 观察不同核大小和 sigma 值对模糊效果的影响
涉及函数及参数详解
cv::GaussianBlur
cv::GaussianBlur(src, dst, ksize, sigmaX, sigmaY, borderType);
| 参数 | 类型 | 说明 |
|---|---|---|
src |
cv::Mat |
输入图像 |
dst |
cv::Mat |
输出图像（函数自动分配空间） |
ksize |
cv::Size(w, h) |
高斯核大小（必须为奇数！） |
sigmaX |
double |
X 方向标准差（0 = 根据 ksize 自动算） |
sigmaY |
double |
Y 方向标准差（0 = 等于 sigmaX） |
borderType |
int |
边界填充方式（可选，默认即可） |
核心参数：ksize 和 sigma
- ksize：决定了"模糊的范围"——每个像素要和周围多大范围内的邻居做平均。
(3, 3)很小，几乎看不出模糊；(21, 21)很大，图片糊成一片。必须设奇数（3, 5, 7, 9, ...），因为核必须有一个明确的"中心像素"。 - sigma：决定了"权重分配的陡缓"。sigma 越大，远处像素的权重越大，模糊越均匀（看起来更"绵软"）；sigma 越小，只有很近的像素才被计入，模糊效果较弱。一般来说直接设 0 让 OpenCV 自动算就可以了。
生活比喻：高斯模糊就像在 Photoshop 里拖动"模糊"滑块。ksize 是"模糊半径"——半径越大，糊得越厉害。高斯函数保证了距离中心越近的像素权重越大，这比简单的"取平均"更自然——毕竟你的好朋友对你的影响力，肯定比隔壁班不认识的同学大。
为什么核大小必须是奇数？
因为核需要有一个对称的"中心点"，就像靶子需要一个靶心。偶数核没有中心，没法对称。cv::Size(3, 3) 的中心是第 2 行第 2 列那个像素；cv::Size(4, 4) 呢？第 2 行和第 3 行的分界线上？这就没法定义了。
代码关键片段解释
本实验在 400×400 画布上画了圆、矩形、三角形、文字和随机散点（模拟噪声），然后用四种不同参数做高斯模糊：
blur_light：ksize=(3,3)——轻微模糊，只消掉最小的噪声blur_medium：ksize=(9,9)——中度模糊，散点开始消失，边缘变软blur_heavy：ksize=(21,21)——重度模糊，细节全无blur_aniso：ksize=(0,0)，sigmaX=15，sigmaY=3——各向异性模糊（horizontal 方向糊得很厉害，vertical 方向保持了较多的清晰度），演示了 sigmaX 和 sigmaY 独立控制的效果
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp3_gaussian_blur
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp3
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp3_gaussian_blur\build，对比 original.jpg、blur_3x3.jpg、blur_9x9.jpg、blur_21x21.jpg 四张图，观察散点噪声如何逐渐消失。
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) |
|---|---|---|
 |
 |
 |
| 重度模糊 (ksize=21×21) | 各向异性模糊 (sigmaX=15, sigmaY=3) |
|---|---|
 |
 |
4.4 实验 4：Canny 边缘检测
目标
- 理解什么是"边缘"——图像中亮度剧变的地方
- 初步了解 Canny 算法的工作流程
- 掌握
cv::Canny的用法及双阈值的含义
涉及函数及参数详解
cv::Canny
cv::Canny(src, dst, threshold1, threshold2, apertureSize, L2gradient);
| 参数 | 说明 |
|---|---|
src |
输入图像（必须是 8 位单通道灰度图！）彩色图必须先转灰度 |
dst |
输出图像（二值图，边缘 = 255 白色，非边缘 = 0 黑色） |
threshold1 |
低阈值（弱边缘的最低门槛） |
threshold2 |
高阈值（强边缘的门槛） |
apertureSize |
Sobel 算子孔径（默认 3，一般不改） |
L2gradient |
是否用更精确的梯度计算（默认 false，用更快的近似） |
threshold1 和 threshold2 的关系（迟滞阈值）：
Canny 算法最精妙的设计就是这个"双阈值 + 迟滞"机制：
- 梯度强度 > threshold2 的像素 → 必然是边缘（强边缘，保留）
- 梯度强度 < threshold1 的像素 → 必然不是边缘（直接丢弃）
- 梯度强度在 threshold1 和 threshold2 之间的像素 → 看情况：如果它与某个强边缘像素相邻（连成一条线），就保留；如果孤零零地没有"大腿抱"，就丢弃。
生活比喻：这就像大学社团招新——threshold2 是"面试官直接拍了板的优秀新生"（直接录取），threshold1 是"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（是否和已录取的人有关系）来决定。有关系的人优先录取，完全没背景的就算了。
推荐 threshold2 大约为 threshold1 的 2～3 倍。
(50, 150)和(100, 200)都是常用组合。
边缘检测前为什么要先高斯模糊？
噪点也是"亮度剧变"，如果不先模糊，Canny 会把噪点也当作边缘。先模糊能消除这些假边缘（所以实验 8 的 pipeline 里是"先模糊再 Canny"）。
代码关键片段解释
- 生成包含圆形、矩形、线条、文字和各种图形边缘的测试图
- 转灰度（因为 Canny 只接受单通道输入）
- 做三组不同阈值的 Canny：
(50, 150)：低阈值 → 大量细节边缘(100, 200)：中等阈值 → 适中结果(200, 400)：高阈值 → 只保留最强烈的边缘
- 多做一组：先
GaussianBlur再用(50, 150)做 Canny，与不做模糊的结果对比——你会发现模糊后的边缘更干净、连续
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp4_canny
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp4
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp4_canny\build，对比 edges_low.jpg、edges_mid.jpg、edges_high.jpg，以及 edges_after_blur.jpg，观察阈值和预处理对结果的影响。
运行结果预览：
| 原始彩色图 | 灰度转换 |
|---|---|
 |
 |
| 低阈值 (50/150) | 中等阈值 (100/200) | 高阈值 (200/400) |
|---|---|---|
 |
 |
 |
| 高斯模糊后 | 先模糊再Canny |
|---|---|
 |
 |
4.5 实验 5：图像阈值化
目标
- 理解"阈值化"——把灰度图按照某个界限一刀切成两部分
- 掌握
cv::threshold的 5 种阈值类型 - 理解二值图在后续处理中的基础地位
涉及函数及参数详解
cv::threshold
cv::threshold(src, dst, thresh, maxval, type);
| 参数 | 说明 |
|---|---|
src |
输入图像（必须是单通道灰度图） |
dst |
输出图像 |
thresh |
阈值（那个"分界线"） |
maxval |
满足条件时赋予的最大值（通常为 255） |
type |
阈值类型（决定"怎么切"） |
5 种阈值类型（假设 thresh=128, maxval=255）：
| 类型 | 像素 > 128 时 | 像素 ≤ 128 时 | 效果 |
|---|---|---|---|
THRESH_BINARY |
设为 255（白） | 设为 0（黑） | 标准二值化 |
THRESH_BINARY_INV |
设为 0（黑） | 设为 255（白） | 反色二值化 |
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 |
生活比喻：把 0255 的灰度值想象成 0100 分的考试成绩。阈值 = 60 分（及格线）。
THRESH_BINARY：≥60 分的算"通过(=255)"，<60 分的算"不通过(=0)"。成绩单上只有"通过/不通过"两种结果。THRESH_BINARY_INV：反过来，≥60 分的算"不通过"，<60 分的算"通过"。THRESH_TRUNC：≥60 分的全部记作 60 分（分数被"截断"了，不允许超过 60）。这就是某些竞赛里"满分就按 100 算，超过也按 100 算"。THRESH_TOZERO：≥60 分的保留原始分数，<60 分的全部记 0 分。THRESH_TOZERO_INV：反过来，<60 分的保留原始分数，≥60 分的全部记 0 分。
RoboMaster 中最常用哪个？
THRESH_BINARY——将灰度图直接转化为非黑即白的二值图，这是形态学处理和轮廓检测的前置要求。
代码关键片段解释
- 手工用双重循环生成一张从左到右灰度渐变的图（0 → 255）
- 在 x=256 处画一条白线标记阈值 128 的位置
- 对同一张渐变图分别应用 5 种阈值类型并保存——打开图片对比，你能直观地看到每种类型的"切法"完全不同
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp5_threshold
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp5
运行结果预览：
| 灰度渐变图 | THRESH_BINARY | THRESH_BINARY_INV |
|---|---|---|
 |
 |
 |
| THRESH_TRUNC | THRESH_TOZERO | THRESH_TOZERO_INV |
|---|---|---|
 |
 |
 |
4.6 实验 6：形态学操作——腐蚀与膨胀
目标
- 理解"腐蚀"和"膨胀"对二值图的作用
- 掌握
cv::erode、cv::dilate、cv::getStructuringElement - 了解"开运算"和"闭运算"及其应用场景
涉及函数及参数详解
(1) cv::erode（腐蚀）
cv::erode(src, dst, kernel, anchor, iterations);
效果：白色区域"瘦一圈"。腐蚀会吃掉白色区域的外层。如果白色物体本身就很小（如背景噪声点），腐蚀后可能直接消失。
生活比喻：海边的沙堡被涨潮的海水冲——沙堡边缘的沙子被海水"吃掉"了。
(2) cv::dilate（膨胀）
cv::dilate(src, dst, kernel, anchor, iterations);
效果：白色区域"胖一圈"。膨胀会把白色区域向外扩张，如果两个白色物体离得很近，膨胀后可能连在一起。
生活比喻：给房子外围砌了一圈围墙——房子变大了。
(3) cv::getStructuringElement
cv::Mat kernel = cv::getStructuringElement(形状, cv::Size(w, h));
| 形状 | 说明 |
|---|---|
MORPH_RECT |
矩形核（最常用） |
MORPH_ELLIPSE |
椭圆核（圆形范围） |
MORPH_CROSS |
十字形核（只影响上下左右方向） |
cv::Size(w, h) 越大，每次操作的"波及范围"越大。
(4) 开运算与闭运算
| 名称 | 步骤 | 效果 | RoboMaster 用途 |
|---|---|---|---|
| 开运算 | 先腐蚀，再膨胀 | 去掉小白点噪声，保持物体大小不变 | 去掉 inRange 后的散点误检 |
| 闭运算 | 先膨胀，再腐蚀 | 填充物体内部的黑色小洞，保持物体大小不变 | 填补灯条提取后出现的内部断裂 |
OpenCV 也提供了
cv::morphologyEx函数可以一步完成开/闭运算（参数MORPH_OPEN/MORPH_CLOSE），但为了让你理解原理，实验代码中手动实现了这两步。
代码关键片段解释
- 生成测试图：白色矩形（目标）+ 矩形内部两个黑色圆洞（模拟空洞）+ 背景大量白色小散点（模拟噪声）
- 腐蚀：背景散点被消除或缩小（因为太小），矩形变瘦，内部黑洞变大
- 膨胀：背景散点变大（坏事），矩形变胖，内部黑洞变小甚至被填充
- 开运算：先腐蚀消灭散点，再膨胀把矩形恢复原大小——但内部的黑洞被腐蚀放大了，恢复不了
- 闭运算：先膨胀填充黑洞，再腐蚀把矩形恢复原大小——但背景散点也被膨胀放大了，收不回来
- 3 次腐蚀：演示
iterations参数的作用
一个重要的观察：开运算擅长"去噪但保持大小"，闭运算擅长"填空但保持大小"——它们各有所长，实际应用中经常先开后闭，结合使用。
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp6_morphology
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp6
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp6_morphology\build，依次对比 binary.jpg（原始）→ eroded.jpg（腐蚀）→ dilated.jpg（膨胀）→ opened.jpg（开运算）→ closed.jpg（闭运算），感受每种操作的效果。
运行结果预览：
| 原始二值图 | 腐蚀后 | 膨胀后 |
|---|---|---|
 |
 |
 |
| 开运算 | 闭运算 | 3次腐蚀 |
|---|---|---|
 |
 |
 |
4.7 实验 7：颜色提取——inRange
Important
这是 RoboMaster 最核心的实验！ 本节课结束后，你将对"如何在图像中找到红色灯条"有完整的概念。
目标
- 掌握
cv::inRange的用法 - 理解为什么要在 HSV 空间而非 BGR 空间做颜色提取
- 掌握红色的典型 HSV 范围——这是 RoboMaster 红色灯条检测的基础
- 学会用
bitwise_and和bitwise_or操作 mask
涉及函数及参数详解
(1) cv::inRange
cv::inRange(src, lowerb, upperb, dst);
src：输入图像（强烈推荐先转为 HSV！）lowerb：颜色范围的下界——cv::Scalar(H_min, S_min, V_min)upperb：颜色范围的上界——cv::Scalar(H_max, S_max, V_max)dst：输出 mask 二值图- 白色（255）→ 该像素的 HSV 值在 [lowerb, upperb] 区间内
- 黑色（0）→ 不在区间内
(2) 红色的 HSV 范围（RoboMaster 红色灯条）
这是一个非常关键的知识点。在 OpenCV 中，红色的 H 值跨越了 0° 的分界线（因为色相是一个环，0°=360°=红色）。所以提取红色需要两个区间合并：
区间 1：H ∈ [0, 10] 纯红 ~ 偏橙红
区间 2：H ∈ [160, 180] 偏紫红 ~ 绕回到纯红
| 参数 | 推荐范围 | 说明 |
|---|---|---|
| H 下限 | 0 或 160 | 红色的两个 Hue 区间的起点 |
| H 上限 | 10 或 180 | 红色的两个 Hue 区间的终点 |
| S 下限 | 100 | 排除接近灰白的颜色（饱和度太低 = 没颜色） |
| S 上限 | 255 | 最鲜艳（一般不动） |
| V 下限 | 100 | 排除太暗的像素（可能是阴影或黑色物体） |
| V 上限 | 255 | 最亮（一般是 255） |
Warning
这些值不是一成不变的！实际比赛时，场地灯光、相机白平衡、曝光参数都会影响 HSV 值。你需要在比赛前做现场调参——用滑动条工具（比如
cv::createTrackbar）实时调整这些阈值，找到最适合当前场地的参数。这个会在后续的"调参实战"课中教学。
(3) cv::bitwise_or 和 cv::bitwise_and
cv::bitwise_or(src1, src2, dst); // 两个 mask 做"或"操作 → 合并
cv::bitwise_and(src1, src2, dst, mask); // 按 mask 提取原图
- bitwise_or：用于合并"红色区间 1"和"红色区间 2"的 mask
- bitwise_and：将 mask 覆盖在原图上，提取出"原图中满足 mask 的区域"
生活比喻：
bitwise_or：你有两张透明塑料片，片 1 上挖了"范围 1"的洞，片 2 上挖了"范围 2"的洞。把两张叠在一起，只要有任意一张有洞的位置，光就能透过去。这就是"或"。bitwise_and：你有一张完整的照片（src1 = src2 = 原图），在上面盖一张挖了洞的黑色卡纸（mask）。只有洞的位置你能看到照片内容，其他地方是黑的。
代码关键片段解释
- 生成包含多种颜色（红、蓝、绿、黄、青、品红）和多种深浅红色的测试图
- BGR → HSV 转换
- 用两个
inRange分别提取两个红色区间，用bitwise_or合并——得到完整的红色 mask - 用
bitwise_and将 mask 盖回原图，直观地看到"只保留了红色物体" - 附加实验：同样方法提取蓝色（为 RoboMaster 蓝方视觉组做铺垫）
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp7_inrange
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp7
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp7_inrange\build，依次查看：
original.jpg：原始彩色图mask_red1.jpg/mask_red2.jpg：两个红色区间的 maskmask_red_combined.jpg：合并后的完整红色 maskred_extracted.jpg：原图中只有红色的部分mask_blue.jpg/blue_extracted.jpg：蓝色提取
运行结果预览：
| 原始彩色图 | HSV转换 |
|---|---|
 |
 |
| 红色范围1 (H 0~10) | 红色范围2 (H 160~180) | 合并后的红色mask |
|---|---|---|
 |
 |
 |
| 提取的红色区域 | 蓝色mask | 提取的蓝色区域 |
|---|---|---|
 |
 |
 |
4.8 实验 8：综合流水线
目标
- 将前 7 个实验的技术串联成一个完整流程
- 理解"预处理 → 提取 → 后处理 → 检测"的标准套路
- 体验一个简化的 RoboMaster 灯条检测全流程
流水线设计
原始场景图
│
├──[阶段 1]── 生成模拟 RoboMaster 场景的测试图 ──► 01_original_scene.jpg
│
├──[阶段 2]── BGR → HSV 转换 ──► 02_hsv.jpg
│
├──[阶段 3]── 高斯模糊（去噪） ──► 03_hsv_blurred.jpg
│
├──[阶段 4]── inRange 提取红色 ──► 04_red_mask_raw.jpg
│
├──[阶段 5]── 形态学清理 ──► 05a_mask_opened.jpg → 05b_mask_cleaned.jpg
│ ├── 开运算：去掉噪点
│ └── 闭运算：填充空洞
│
└──[阶段 6]── 结果呈现 ──► 06a → 06b → 06c_result.jpg
├── bitwise_and 提取红色区域
├── Canny 边缘检测（可视化 mask 的边缘）
└── findContours + boundingRect 画框标记
新涉及函数
(1) cv::findContours
cv::findContours(二值图, 轮廓容器, 检索模式, 近似方法);
在二值图中找到所有白色区域的轮廓。
- 检索模式：
cv::RETR_EXTERNAL= 只找最外层轮廓（不关心嵌套的内部轮廓） - 近似方法：
cv::CHAIN_APPROX_SIMPLE= 压缩水平/垂直/对角线，只保留拐点（节省内存）
(2) cv::boundingRect
cv::Rect bbox = cv::boundingRect(轮廓);
计算能包围该轮廓的最小直立矩形。返回的 cv::Rect 包含 x, y, width, height 四个属性，可以直接用于 cv::rectangle 画框。
代码关键片段解释
- 阶段 1：生成模拟场景——深灰背景（模拟暗光比赛场地）+ 两个红色竖直灯条 + 装甲板连接 + 蓝色/绿色/黄色的干扰物 + 随机噪点
- 阶段 2-3：HSV 转换 + 高斯模糊（与实验 2、3 一致）
- 阶段 4：inRange 提取红色（与实验 7 一致，双范围合并）
- 阶段 5：形态学清理——先开运算去噪点，再闭运算填充灯条内的小黑洞，得到一个干净的 mask
- 阶段 6：
- 用
bitwise_and提取原图中的红色区域 - 用
Canny在 mask 上做边缘检测（可选，展示 mask 的轮廓质量） - 用
findContours找到所有白色区域的轮廓 - 对每个轮廓用
boundingRect计算外接矩形 - 筛选条件：面积 > 100 且 高度 > 宽度×2（竖直细长——灯条的特征）
- 在结果图上画绿色边框和
Target N标签
- 用
编译与运行
cd /mnt/d/RM/25教学/视觉1/OpenCV-CPP/exp8_pipeline
mkdir -p build && cd build
cmake .. && make -j$(nproc)
./exp8
查看结果
进入 \\wsl$\Ubuntu\mnt\d\RM\25教学\视觉1\OpenCV-CPP\exp8_pipeline\build：
01_original_scene.jpg→ 原始场景（找找红色灯条在哪儿）04_red_mask_raw.jpg→ inRange 的原始 mask（能看出哪些是红色的）05a_mask_opened.jpg→ 开运算后（噪点应该少了）05b_mask_cleaned.jpg→ 闭运算后（灯条更完整）06c_result.jpg→ 最终结果！绿灯条框标出的就是检测到的灯条！
Tip
如果你看
06c_result.jpg发现只有 0 个或 1 个检测框（预期应该是 2 个），别担心！这是因为代码中筛选条件比较严格。你可以在main.cpp中调整筛选参数（面积阈值和长宽比阈值），重新编译运行看看效果变化——这对后续的调参能力是很好的练习。
运行结果预览：
| 原始模拟场景 | HSV转换 | 高斯模糊后 |
|---|---|---|
 |
 |
 |
| inRange原始mask | 开运算去噪 | 闭运算填充 |
|---|---|---|
 |
 |
 |
| 提取的红色区域 | mask边缘检测 | 最终结果（绿框=检测到的灯条） |
|---|---|---|
 |
 |
 |
5. 结语与下一步预告
恭喜你！
完成了以上 8 个实验，你已经掌握了 OpenCV 图像处理的基础"武器库"：
| 你掌握的技能 | 对应的 OpenCV 函数 |
|---|---|
| 读取和保存图像 | imread / imwrite / Mat |
| 颜色空间转换 | cvtColor |
| 图像去噪 | GaussianBlur |
| 边缘检测 | Canny |
| 图像二值化 | threshold |
| 形态学去噪/填充 | erode / dilate |
| 颜色提取 | inRange + bitwise_or + bitwise_and |
| 流水线串联 | 全部以上函数 + findContours + boundingRect |
这些技能每一项单独看可能不太起眼，但串联在一起，你就已经有能力写出一个简化的 RoboMaster 红色灯条检测程序了——这正是今天实验 8 所做的事情。
接下来的课程预告
在后续的视觉组培训课程中，我们将逐步深入学习：
- 调参实战：如何在比赛现场快速调整 HSV 阈值、高斯核大小、Canny 阈值
- 工业相机使用：不再用
imread读文件，而是用 SDK 从真实相机实时取流 - 灯条匹配与筛选：如何将两个灯条配对成一个装甲板，并按面积、角度、长宽比过滤
- PNP 位姿解算：根据灯条在图像中的位置和已知的物理尺寸，解算装甲板的三维坐标
- 串口通信：将解算出的坐标（Yaw, Pitch）通过串口发送给云台控制板
- 多线程架构：图像采集、处理、通信并行运行，提高帧率
希望在接下来的课程中继续见到你！有任何问题，随时在答疑群或训练时向学长学姐提问。
6. 附录：所有实验源文件完整代码
说明：以下按文件夹列出每个实验的
CMakeLists.txt和main.cpp完整源代码。你可以对照教案中的讲解，在代码中找到对应的行。每个代码块上方的标题标明了相对路径。
exp1_read_write/CMakeLists.txt
# ============================================================
# 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})
exp1_read_write/main.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;
}
exp2_color_space/CMakeLists.txt
# ============================================================
# 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})
exp2_color_space/main.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;
}
exp3_gaussian_blur/CMakeLists.txt
# ============================================================
# 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})
exp3_gaussian_blur/main.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;
}
exp4_canny/CMakeLists.txt
# 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})
exp4_canny/main.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;
}
exp5_threshold/CMakeLists.txt
# 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})
exp5_threshold/main.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;
}
exp6_morphology/CMakeLists.txt
# 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})
exp6_morphology/main.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;
}
exp7_inrange/CMakeLists.txt
# 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})
exp7_inrange/main.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;
}
exp8_pipeline/CMakeLists.txt
# 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})
exp8_pipeline/main.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;
}
教案结束 — 现在你掌握了 OpenCV C++ 图像处理的基础，准备好迎接 RoboMaster 视觉组的真正挑战吧！