目录
本章记录OpenCV开发中的基本操作语法
一.基础
1.读取图像
2.显示图像
3.保存图像
二.图像
1.像素处理
2.彩色图像
三.滤波
1.高斯滤波（Gaussian Blur）
功能： 高斯滤波是一种常用的线性平滑滤波器，用于降低图像噪声和细节。
2.中值滤波（Median Blur）
功能： 中值滤波是一种非线性滤波方法，用于去除图像中的椒盐噪声或者斑点噪声。
四.形态学
1.cv::getStructuringElement 核函数
2.膨胀（Dilation）
3.腐蚀（Erosion）
4.开运算（Opening）
5.闭运算（Closing）
6.通用形态学操作
五. 二值化、轮廓、文本绘制
1.cv::cvtColor 颜色转换
2.cv::threshold 二值化
3.cv::findContours 查找轮廓
4. cv::drawContours 绘制轮廓
5.cv::moments 计算矩
6.cv::putText 绘制文本
7.cv::contourArea() 函数 轮廓面积
六.实战-物体计数
本章记录OpenCV开发中的基本操作语法
首先导入库
#include <opencv2/opencv.hpp>
#include <iostream>一.基础
1.读取图像
cv::Mat img = cv::imread("lenacolor.png",flags);语法：cv::Mat 图像名 = cv::imread(“图像名称”，flags);
flag标记值如下表：
| cv::IMREAD_UNCHANGED | 保持原格式不变 |
| cv::IMREAD_GRAYSCALE | 单通道灰度图像 |
| cv::IMREAD_COLOR | 三通道BGR格式 |
2.显示图像
cv::imshow("one", img);语法：cv::imshow("窗口名称", 图像名);
默认加入两个函数：
cv::waitKey(0); //暂停运行
cv::destroyAllWindows(); //按任意键释放窗口方便查看图像和释放。
3.保存图像
cv::imwrite("result",img)语法：cv::imwrite("目标文件完成路径", 图像名);
二.图像
1.像素处理
例子：
cv::Mat img = cv::imread("lena.bmp", cv::IMREAD_GRAYSCALE);
for (int i = 10; i < 100; ++i) {
for (int j = 80; j < 100; ++j) {
img.at<uchar>(i, j) = 255;
}
}
cv::imshow("after", img);
cv::waitKey(0);
cv::destroyAllWindows();读取灰度图像，并处理其中的像素点，案例中为改为白色。
2.彩色图像
例子：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
// 读取图像
cv::Mat img = cv::imread("lenacolor.png");
// 检查图像是否加载成功
if (img.empty()) {
std::cerr << "Error: Could not open or find the image 'lenacolor.png'" << std::endl;
return -1;
}
// 显示原始图像
cv::imshow("before", img);
// 访问并打印指定像素值
//cv::Vec3b 类型用于表示一个包含3个无符号字符（即一个像素的BGR值）的向量。
std::cout << "访问img[0,0] = " << img.at<cv::Vec3b>(0, 0) << std::endl;
std::cout << "访问img[0,0,0] = " << (int)img.at<cv::Vec3b>(0, 0)[0] << std::endl;
std::cout << "访问img[0,0,1] = " << (int)img.at<cv::Vec3b>(0, 0)[1] << std::endl;
std::cout << "访问img[0,0,2] = " << (int)img.at<cv::Vec3b>(0, 0)[2] << std::endl;
std::cout << "访问img[50,0] = " << img.at<cv::Vec3b>(50, 0) << std::endl;
std::cout << "访问img[100,0] = " << img.at<cv::Vec3b>(100, 0) << std::endl;
// 区域1：白色
for (int i = 0; i < 50; ++i) {
for (int j = 0; j < 100; ++j) {
img.at<cv::Vec3b>(i, j) = cv::Vec3b(255, 255, 255);
}
}
// 区域2：灰色
for (int i = 50; i < 100; ++i) {
for (int j = 0; j < 100; ++j) {
img.at<cv::Vec3b>(i, j) = cv::Vec3b(128, 128, 128);
}
}
// 区域3：黑色
for (int i = 100; i < 150; ++i) {
for (int j = 0; j < 100; ++j) {
img.at<cv::Vec3b>(i, j) = cv::Vec3b(0, 0, 0);
}
}
// 区域4：红色
for (int i = 150; i < 200; ++i) {
for (int j = 0; j < 100; ++j) {
img.at<cv::Vec3b>(i, j) = cv::Vec3b(0, 0, 255);
}
}
// 显示修改后的图像
cv::imshow("after", img);
// 打印修改后的像素值
std::cout << "修改后img[0,0] = " << img.at<cv::Vec3b>(0, 0) << std::endl;
std::cout << "修改后img[0,0,0] = " << (int)img.at<cv::Vec3b>(0, 0)[0] << std::endl;
std::cout << "修改后img[0,0,1] = " << (int)img.at<cv::Vec3b>(0, 0)[1] << std::endl;
std::cout << "修改后img[0,0,2] = " << (int)img.at<cv::Vec3b>(0, 0)[2] << std::endl;
std::cout << "修改后img[50,0] = " << img.at<cv::Vec3b>(50, 0) << std::endl;
std::cout << "修改后img[100,0] = " << img.at<cv::Vec3b>(100, 0) << std::endl;
// 等待按键
cv::waitKey(0);
// 销毁所有窗口
cv::destroyAllWindows();
return 0;
}这段代码主要展示了通道问题，指的是图像的颜色通道处理。在OpenCV中，图像以BGR格式存储，即每个像素由三个无符号字符（8位）组成，分别表示蓝色（B）、绿色（G）和红色（R）的强度。通过cv::Vec3b类型的向量可以访问和修改每个像素的BGR值，例如使用img.at<cv::Vec3b>(i, j)[0]访问蓝色通道的值，img.at<cv::Vec3b>(i, j)[1]访问绿色通道的值，img.at<cv::Vec3b>(i, j)[2]访问红色通道的值。在这段代码中，通过操作这些通道的数值，实现了对图像不同区域颜色的修改，从而展示了如何处理和操作图像的颜色通道信息。
三.滤波
1.高斯滤波（Gaussian Blur）
功能： 高斯滤波是一种常用的线性平滑滤波器，用于降低图像噪声和细节。
函数语法：
cv::GaussianBlur(src, dst, ksize, sigmaX, sigmaY, borderType);src: 输入图像，通常是cv::Mat类型。dst: 输出图像，与输入图像有相同的尺寸和类型。ksize: 高斯内核的大小。可以指定一个正奇数，例如cv::Size(3, 3)，表示3x3的内核。宽度和高度可以不同，但它们都必须是正的和奇数。sigmaX: X方向的高斯核标准差。0sigmaY: Y方向的高斯核标准差，如果为0，则默认与sigmaX相同。borderType: 边界模式，默认为cv::BORDER_DEFAULT。
2.中值滤波（Median Blur）
功能： 中值滤波是一种非线性滤波方法，用于去除图像中的椒盐噪声或者斑点噪声。
函数语法：
cv::medianBlur(src, dst, ksize);src: 输入图像，通常是cv::Mat类型。dst: 输出图像，与输入图像有相同的尺寸和类型。ksize: 中值滤波核的大小，必须是大于1的奇数，例如3、5、7等。
四.形态学
1.cv::getStructuringElement 核函数
功能：用于生成形态学操作中使用的结构元素（或称为内核、核）。形态学操作主要应用于二值图像处理，如腐蚀、膨胀、开运算、闭运算等。结构元素是形态学操作的核心，它定义了操作的形状和大小。
语法：
cv::getStructuringElement(int shape, cv::Size ksize);
| shape | 结构元素的形状，可以是以下值之一：
|
| ksize | 结构元素的大小，类型为 例如： cv::Size(5, 5) |
返回值为cv::Mat 类型。
示例：生成不同形状的结构元素并应用于形态学操作
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
// 读取图像
cv::Mat image = cv::imread("binary_image.png", cv::IMREAD_GRAYSCALE);
if (image.empty()) {
std::cerr << "Error: Could not open or find the image." << std::endl;
return -1;
}
// 生成矩形结构元素
cv::Mat rectElement = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
// 生成椭圆形结构元素
cv::Mat ellipseElement = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5));
// 生成十字形结构元素
cv::Mat crossElement = cv::getStructuringElement(cv::MORPH_CROSS, cv::Size(5, 5));
// 应用膨胀操作
cv::Mat dilatedRect, dilatedEllipse, dilatedCross;
cv::dilate(image, dilatedRect, rectElement);
cv::dilate(image, dilatedEllipse, ellipseElement);
cv::dilate(image, dilatedCross, crossElement);
// 显示结果
cv::imshow("Original Image", image);
cv::imshow("Dilated with Rect", dilatedRect);
cv::imshow("Dilated with Ellipse", dilatedEllipse);
cv::imshow("Dilated with Cross", dilatedCross);
// 等待按键
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
2.膨胀（Dilation）
膨胀操作将图像中的物体边界膨胀或扩展。它会将前景物体的像素值设为周围区域内的最大像素值。在图像中，膨胀可以填充物体内的空洞或连接物体，增加物体的大小。
示例代码语法：
cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::dilate(src, dst, element);3.腐蚀（Erosion）
腐蚀操作与膨胀相反，它会将前景物体的边界向内侵蚀。它会将前景物体的像素值设为周围区域内的最小像素值。在图像中，腐蚀可以去除物体边界附近的像素，减小物体的大小或分离物体。
示例代码语法：
cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::erode(src, dst, element);注意：如果需要用到膨胀或者腐蚀的迭代次数，需要用到第五个参数
示例：腐蚀4次膨胀3次
cv::Mat erosion;
cv::erode(binary, erosion, kernel, cv::Point(-1, -1), 4);
cv::Mat dilation;
cv::dilate(erosion, dilation, kernel, cv::Point(-1, -1), 3);4.开运算（Opening）
开运算是先进行腐蚀操作，然后进行膨胀操作的组合操作。它被用来去除图像中的噪声。开运算能够平滑物体的边界，消除细小的噪声。
示例代码语法：
cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::morphologyEx(src, dst, cv::MORPH_OPEN, element);5.闭运算（Closing）
闭运算是先进行膨胀操作，然后进行腐蚀操作的组合操作。它能够填充物体内部的小洞，连接物体。闭运算可以平滑物体的轮廓，连接相邻的物体。
示例代码语法：
cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::morphologyEx(src, dst, cv::MORPH_CLOSE, element);
6.通用形态学操作
在OpenCV中，形态学操作通常结合使用cv::Mat类型的图像和cv::morphologyEx函数来实现。
函数语法：
cv::morphologyEx(src, dst, op, kernel, anchor, iterations, borderType, borderValue);
src: 输入图像，通常是cv::Mat类型。dst: 输出图像，与输入图像有相同的尺寸和类型。op: 形态学操作类型，可以是以下几种：cv::MORPH_ERODE: 腐蚀cv::MORPH_DILATE: 膨胀cv::MORPH_OPEN: 开运算cv::MORPH_CLOSE: 闭运算- 其他自定义的形态学操作类型。
kernel: 结构元素（内核）大小和形状，通常是通过cv::getStructuringElement函数创建的，例如：
创建一个5x5的矩形结构元素。cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5))
常用上面几个就够了，下面几个可以了解一下：
anchor: 结构元素的锚点位置，默认为(-1, -1)表示结构元素的中心。iterations: 形态学操作的重复次数，默认为1。borderType: 边界模式，默认为cv::BORDER_CONSTANT。borderValue: 边界值，默认为cv::morphologyDefaultBorderValue()。
示例：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
cv::Mat img = cv::imread("shapes.jpg", cv::IMREAD_GRAYSCALE);
if (img.empty()) {
std::cerr << "Error: Could not open or find the image 'shapes.jpg'" << std::endl;
return -1;
}
// 创建结构元素（内核）
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
// 进行膨胀操作
cv::Mat dilated_img;
cv::morphologyEx(img, dilated_img, cv::MORPH_DILATE, kernel);
// 进行开运算（先腐蚀后膨胀）
cv::Mat opened_img;
cv::morphologyEx(img, opened_img, cv::MORPH_OPEN, kernel);
// 显示原始图像和处理后的图像
cv::imshow("Original Image", img);
cv::imshow("Dilated Image", dilated_img);
cv::imshow("Opened Image", opened_img);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
五. 二值化、轮廓、文本绘制
先展示完整案例：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
// 读取图像
cv::Mat o = cv::imread("cat3.jpg", 1);
// 检查图像是否加载成功
if (o.empty()) {
std::cerr << "Error: Could not open or find the image 'cat3.jpg'" << std::endl;
return -1;
}
// 显示原始图像
cv::imshow("original", o);
// 转换为灰度图像
cv::Mat gray;
cv::cvtColor(o, gray, cv::COLOR_BGR2GRAY);
// 二值化
cv::Mat binary;
cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY);
// 查找轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
// 绘制第一个轮廓
cv::drawContours(o, contours, 0, cv::Scalar(0, 0, 255), 3);
// 计算矩
cv::Moments m = cv::moments(contours[0]);
double m00 = m.m00; // 非0像素值的和
double m10 = m.m10; // 非0像素值*x轴坐标值的和
double m01 = m.m01; // 非0像素值*y轴坐标值的和
// 计算质心
int cx = static_cast<int>(m10 / m00);
int cy = static_cast<int>(m01 / m00);
// 在质心位置绘制文本
cv::putText(o, "cat", cv::Point(cx, cy), cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 0, 255), 3);
// 显示结果图像
cv::imshow("result", o);
// 等待按键
cv::waitKey(0);
// 销毁所有窗口
cv::destroyAllWindows();
return 0;
}
结果如图所示：
里面的重要函数：
1.cv::cvtColor 颜色转换
功能：将图像从一种颜色空间转换为另一种颜色空间。
语法：
cv::cvtColor(const cv::Mat& src, cv::Mat& dst, int code, int dstCn = 0)
src | 输入图像 |
dst | 输出图像 |
code | 颜色转换代码（常用 例如 |
dstCn | 目标图像的通道数（可选参数） |
示例： 将彩色图像 o 转化为灰度图像 gray
cv::Mat gray;
cv::cvtColor(o, gray, cv::COLOR_BGR2GRAY);
2.cv::threshold 二值化
！！！！！！！重要！！！！！！！
功能：将灰度图像转换为二值图像。
语法：
cv::threshold(const cv::Mat& src, cv::Mat& dst, double thresh, double maxval, int type)
src | 输入图像（单通道，通常是灰度图像） |
dst | 输出图像（与输入图像大小相同） |
thresh | 阈值，用于比较像素值的基准值 |
maxval | 满足条件时分配给像素的最大值 |
type | 阈值类型，例如 cv::THRESH_BINARY |
常用的type： 0纯黑，255纯白
cv::THRESH_BINARY：如果像素值大于阈值，则将其设置为maxval，否则设置为0。cv::THRESH_BINARY_INV：如果像素值大于阈值，则将其设置为0，否则设置为maxval。cv::THRESH_TRUNC：如果像素值大于阈值，则将其设置为阈值，否则保持不变。cv::THRESH_TOZERO：如果像素值大于阈值，则保持不变，否则设置为0。cv::THRESH_TOZERO_INV：如果像素值大于阈值，则设置为0，否则保持不变。- cv::THRESH_BINARY_INV + cv::THRESH_OTSU：增加
THRESH_OTSU方法，以自动确定最佳阈值
示例：将灰度图像 gray 转换为二值图像 binary，阈值为127，超过阈值的像素值设为255
cv::Mat binary;
cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY);
//自动最优阈值
cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY_INV+cv::THRESH_OTSU);
3.cv::findContours 查找轮廓
功能：查找图像中的轮廓。
语法：
cv::findContours(
cv::Mat& image,
std::vector<std::vector<cv::Point>>& contours,
std::vector<cv::Vec4i>& hierarchy,
int mode,
int method
)image | 输入的单通道二值图像。此函数会修改输入图像，因此需要传递图像的副本。 |
contours | 输出的轮廓向量，每个轮廓是一个点的向量。 |
hierarchy | 输出的层次结构信息向量。 |
mode | 轮廓检索模式 |
method | 轮廓逼近方法 |
其中的mode和method:
-
mode（轮廓检索模式）：cv::RETR_EXTERNAL：只检索最外层的轮廓。cv::RETR_LIST：检索所有的轮廓，不建立层次结构。cv::RETR_CCOMP：检索所有的轮廓，并将它们组织成两层的层次结构。cv::RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的完整层次结构。
-
method（轮廓逼近方法）：cv::CHAIN_APPROX_NONE：存储所有的轮廓点。cv::CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线段，仅保留它们的端点。cv::CHAIN_APPROX_TC89_L1和cv::CHAIN_APPROX_TC89_KCOS：使用Teh-Chin链逼近算法。
示例： 在二值图像中查找轮廓，并将结果存储在 contours 和 hierarchy 中。
//二值化图像
cv::Mat binary;
cv::threshold(src, binary, 127, 255, cv::THRESH_BINARY);
//查找轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
4. cv::drawContours 绘制轮廓
功能：在图像上绘制轮廓。
语法：
cv::drawContours(
cv::Mat& image,
const std::vector<std::vector<cv::Point>>& contours,
int contourIdx,
const cv::Scalar& color,
int thickness,
int lineType，
const std::vector<cv::Vec4i>& hierarchy = std::vector<cv::Vec4i>(),
int maxLevel = INT_MAX,
cv::Point offset = cv::Point()
)
image | 目标图像，在该图像上绘制轮廓 |
contours | 包含所有轮廓的向量，每个轮廓是一个点的向量。 使用 |
contourIdx | 轮廓的索引。 例如： -1表示绘制所有轮廓；0表示绘制第一个轮廓。 |
color | 轮廓的颜色，用 例如： |
thickness | 轮廓线的粗细，默认为 1。如果为负值，则填充轮廓。（以像素为单位） |
以上为常用的参数，后面的几个为可选参数，通常不使用。
示例：（在上面的基础上）
cv::drawContours(o, contours, 0, cv::Scalar(0, 0, 255), 3);
5.cv::moments 计算矩
功能：计算给定轮廓或二值图像的空间矩。矩的计算是基于图像或轮廓中的像素值，通过数学公式来提取图像中的几何特征。
矩的具体定义和计算如下：
1.零阶矩（m00）: 表示图像中非零像素的总和，即图像中物体的面积。
其中，I(x,y)I(x,y)I(x,y)是图像中点(x,y)(x,y)(x,y)的像素值。
2.一阶矩（m10 和 m01）: 分别表示图像中非零像素的x坐标和y坐标的加权和，用于计算质心。
3.质心（Centroid）: 质心是图像中物体的重心位置，通过零阶矩和一阶矩计算得到。
语法：
cv::Moments m = cv::moments(const InputArray &array, bool binaryImage = false);
| array | 输入的二值图像或轮廓（可以是cv::Mat或者std::vector<cv::Point>） |
| binaryImage | 如果是二值图像，设为 这个参数在处理二值图像时有助于提高计算效率。 |
示例：从cv::Moments对象中提取零阶矩和一阶矩，并计算质心坐标。
cv::Moments m = cv::moments(contours[0]);
double m00 = m.m00; // 非0像素值的和
double m10 = m.m10; // 非0像素值*x轴坐标值的和
double m01 = m.m01; // 非0像素值*y轴坐标值的和
// 计算质心
int cx = static_cast<int>(m10 / m00);
int cy = static_cast<int>(m01 / m00);6.cv::putText 绘制文本
功能：用于在图像上绘制指定的文本。
语法：
cv::putText(
cv::Mat &img,
const std::string &text,
cv::Point org, int fontFace,
double fontScale, cv::Scalar color,
int thickness = 1,
int lineType = 8,
bool bottomLeftOrigin = false
);
img | 输入的图像，文本将绘制在这张图像上。 |
text | 要绘制的文本字符串 |
org | 文本起始点的坐标，用cv::Point表示，指定文本左下角的位置。 |
fontFace | 字体类型，OpenCV支持多种字体类型。 例如 |
fontScale | 字体缩放系数，控制文本的大小。（设为1就行） |
color | 文本颜色，使用 例如 |
thickness | （可选参数）文本的线条粗细（可选），默认为1。 |
lineType | （可选参数）线条类型，默认为8，表示8连接线。 其他选项包括4和 |
bottomLeftOrigin | （可选参数）布尔值。 如果为 否则：否则是左上角。默认为 |
示例：在图像的质心位置绘制文本"cat"
// 计算质心
int cx = static_cast<int>(m10 / m00);
int cy = static_cast<int>(m01 / m00);
// 在质心位置绘制文本
cv::putText(o, "cat", cv::Point(cx, cy), cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 0, 255), 3);
7.cv::contourArea() 函数 轮廓面积
功能：用于计算各轮廓的面积。
语法：
cv::contourArea(const InputArray &contour, bool oriented = false);
| contour | 输入的轮廓，是一个点的向量（std::vector<cv::Point>） |
| oriented | （可选参数）布尔值，如果为true，则返回有符号的面积，表示轮廓的方向（顺时针或逆时针）。默认值为false，返回绝对面积。 |
返回值：返回轮廓的面积（double类型）
完整示例：
#include <iostream>
#include <opencv2/opencv.hpp>
#include <vector>
#include <string>
using namespace cv;
int main() {
// 读取图像
cv::Mat o = cv::imread("opencv.png", 1);
if (o.empty()) {
std::cerr << "Error: Could not open or find the image 'opencv.png'" << std::endl;
return -1;
}
// 转换为灰度图像
cv::Mat gray;
cv::cvtColor(o, gray, cv::COLOR_BGR2GRAY);
// 二值化
cv::Mat binary;
cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY);
// 查找轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
int n = contours.size();
for (int i = 0; i < n; ++i) {
double area = cv::contourArea(contours[i]);
if (area > 1000) {
// 绘制轮廓
cv::drawContours(o, contours, i, cv::Scalar(0, 0, 255), 1);
// 计算质心
cv::Moments m = cv::moments(contours[i]);
if (m.m00 != 0) { // 确保 m00 不为零
int cx = static_cast<int>(m.m10 / m.m00);
int cy = static_cast<int>(m.m01 / m.m00);
// 在质心位置绘制文本
std::string ii = std::to_string(i);
cv::putText(o, ii, cv::Point(cx, cy), cv::FONT_HERSHEY_SCRIPT_SIMPLEX, 1, cv::Scalar(0, 0, 255));
// 打印面积
std::cout << "轮廓" << i << "的面积为" << area << std::endl;
}
}
}
// 显示结果图像
cv::imshow("result", o);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
六.实战-物体计数
#include <iostream>
#include <opencv2/opencv.hpp>
#include <vector>
#include <string>
using namespace std;
int main() {
// 读取图像
cv::Mat o = cv::imread("count.jpg", 1);
if (o.empty()) {
cerr << "Error: Could not open or find the image." << endl;
return -1;
}
// 转换为灰度图像
cv::Mat gray;
cv::cvtColor(o, gray, cv::COLOR_BGR2GRAY);
// 二值化，使用 OTSU 方法自动确定阈值
cv::Mat binary;
cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY_INV + cv::THRESH_OTSU);
// 生成结构元素
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5));
// 腐蚀和膨胀操作
cv::Mat erosion;
cv::erode(binary, erosion, kernel, cv::Point(-1, -1), 4);
cv::Mat dilation;
cv::dilate(erosion, dilation, kernel, cv::Point(-1, -1), 3);
// 高斯模糊
cv::Mat gaussian;
cv::GaussianBlur(dilation, gaussian, cv::Size(3, 3), 1);
// 查找轮廓
vector<vector<cv::Point>> contours;
vector<cv::Vec4i> hierarchy;
cv::findContours(gaussian, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
// 筛选符合要求的轮廓
vector<vector<cv::Point>> contoursOK;
for (size_t i = 0; i < contours.size(); ++i) {
double area = cv::contourArea(contours[i]);
if (area > 30) {
contoursOK.push_back(contours[i]);
}
}
// 绘制筛选后的轮廓
cv::drawContours(o, contoursOK, -1, cv::Scalar(0, 255, 0), 1);
// 标记质心
for (size_t i = 0; i < contoursOK.size(); ++i) {
cv::Moments m = cv::moments(contoursOK[i]);
if (m.m00 != 0) {
int cx = static_cast<int>(m.m10 / m.m00);
int cy = static_cast<int>(m.m01 / m.m00);
string ii = to_string(i + 1);
cv::putText(o, ii, cv::Point(cx, cy), cv::FONT_HERSHEY_PLAIN, 1.5, cv::Scalar(0, 0, 255), 2);
}
}
// 显示结果
cv::imshow("result", o);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
结果如图：
