2660 lines
112 KiB
Markdown
2660 lines
112 KiB
Markdown
# 🎯 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
|
||
|
||
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)
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
### 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 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| H通道（色相） | S通道（饱和度） | V通道（明度） |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| Lab转换 | YCrCb转换 |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
---
|
||
|
||
## 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) |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| 重度模糊 (ksize=21×21) | 各向异性模糊 (sigmaX=15, sigmaY=3) |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
| 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 |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| THRESH_TRUNC | THRESH_TOZERO | THRESH_TOZERO_INV |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| 开运算 | 闭运算 | 3次腐蚀 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|
|
||
|  |  |
|
||
|
||
| 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 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
---
|
||
|
||
## 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 |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
| 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） |
|
||
|---|---|---|
|
||
|  |  |  |
|
||
|
||
---
|
||
|
||
## 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！ |