前言

在計算機視覺的絢麗舞臺上，OpenCV 無疑是一顆耀眼的明星，它賦予開發(fā)者操控圖像、挖掘視覺信息的超強能力。在正式深入那些令人驚嘆的代碼實例前，咱們先來夯實理論基礎(chǔ)，為后續(xù)實操筑牢根基。

一、OpenCV 基礎(chǔ)與圖像處理概覽

OpenCV（Open Source Computer Vision Library），開源計算機視覺庫，猶如一座裝滿圖像處理 “神器” 的百寶箱。歷經(jīng)多年迭代、無數(shù)開發(fā)者打磨，它橫跨多平臺，用 C++、Python 等熱門語言編寫接口，貼合不同編程習(xí)慣，攬下計算機視覺八成基礎(chǔ)任務(wù)，從簡單圖像讀取、存儲，到復(fù)雜目標(biāo)檢測、圖像識別，統(tǒng)統(tǒng)不在話下。

圖像處理本質(zhì)是對圖像像素的精心雕琢。圖像存于計算機里，像整齊排列的 “像素方陣”，每個像素懷揣顏色、亮度信息。咱做圖像處理，就是巧妙改變這些像素屬性。像調(diào)亮度，是給像素亮度值做加法；改顏色，是調(diào)配紅、綠、藍分量。手段不同，目的一致：讓圖像契合特定需求，或美輪美奐，或信息精準(zhǔn)。

二、圖像變換理論精析

（一）重映射（Remapping）

重映射堪稱圖像坐標(biāo)的 “乾坤大挪移”。正常圖像像素按行列規(guī)則站位，重映射打破常規(guī)，依自定義映射規(guī)則給像素 “搬家”。核心原理是新建兩張和原圖像同尺寸 “坐標(biāo)圖”（src_x、src_y），記錄新位置，好比導(dǎo)游圖，指引像素 “遷移” 方向。這操作實用性拉滿，制造波浪、扭曲特效時大顯身手，讓畫面瞬間靈動。

（二）縮放（Scaling）

縮放直白說就是給圖像 “放大縮小”。數(shù)學(xué)上，按比例因子（scale_x、scale_y）改變行列像素數(shù)量，近的像素合并變小圖，間隔插值變 “長胖” 成大圖。插值算法是關(guān)鍵，常見線性插值（cv::INTER_LINEAR），像經(jīng)驗老到的裁縫，憑周邊像素信息，算出新增像素 “恰當(dāng)臉色”，保圖像平滑過渡。

（三）旋轉(zhuǎn)（Rotation）

旋轉(zhuǎn)讓圖像優(yōu)雅 “轉(zhuǎn)身”。先鎖定旋轉(zhuǎn)中心，多為圖像幾何中心，再用旋轉(zhuǎn)矩陣（由 cv::getRotationMatrix2D 生成）做 “旋轉(zhuǎn)指令”。這矩陣蘊含旋轉(zhuǎn)角度、縮放比例信息，結(jié)合仿射變換（cv::warpAffine），像素依指令乖乖就位，畫面流暢旋動，毫無違和 “暈車感”。

三、圖像增強與特征提取理論

（一）顏色變換（Color Conversion）

顏色空間多如繁星，常見 RGB、HSV、灰度等。RGB 重色彩呈現(xiàn)，HSV 便顏色調(diào)整，灰度則聚焦亮度信息，拋棄色彩冗余。像轉(zhuǎn)灰度圖，用 cv::cvtColor 一鍵 “褪色”，按人眼亮度感知規(guī)則，加權(quán)融合 RGB 值，提取關(guān)鍵亮度，利于后續(xù)處理，還能降數(shù)據(jù)量、提處理速度。

（二）邊緣檢測（Edge Detection）

邊緣是圖像 “骨架”，藏關(guān)鍵輪廓信息。邊緣檢測算法像敏銳偵探，緊盯像素灰度突變處。Canny 算法是王牌，設(shè)低、高雙閾值，梯度超 “高線” 鎖定邊緣；在 “低線” 與 “高線” 間，看連接情況甄別；低過 “低線”，直接 pass。經(jīng)非極大值抑制、雙閾值篩選，精準(zhǔn)揪出邊緣，給目標(biāo)識別、圖像分割鋪好路。

（三）高斯模糊（Gaussian Blur）

現(xiàn)實圖像常帶噪聲，像老照片劃痕、數(shù)碼噪點。高斯模糊化身 “美顏磨皮師”，用高斯函數(shù)生成權(quán)重核，中心像素權(quán)重高、周邊遞減，加權(quán)平均周邊像素值，模糊圖像、柔化噪聲，讓畫面細膩干凈，為后續(xù)精準(zhǔn)處理清障。

（四）圖像銳化（Image Sharpening）

銳化是模糊 “克星”，找回圖像丟失細節(jié)。原理是強化高頻分量，弱化低頻?？刻刂凭矸e核（如文中 3x3 核）卷積圖像，中心像素 “突出”，周邊反向調(diào)節(jié)，反差凸顯邊緣細節(jié)，照片、掃描文檔處理后清晰度飆升。

（五）顏色反轉(zhuǎn)（Color Inversion）

顏色反轉(zhuǎn)堪稱圖像 “鏡像世界”，簡單粗暴按位取反像素值。白變黑、黑變白，各顏色分量翻轉(zhuǎn)，特定藝術(shù)創(chuàng)作、負(fù)片效果模擬時，輕松拿捏氛圍感。

三、實例分析

1. 定義常量 M_PI

#ifndef M_PI
#define M_PI 3.14159265358979323846 // 如果未定義 M_PI，則手動定義
#endif

這段代碼的目的是確保在編譯過程中，如果 M_PI 常量未被定義，則手動定義它為圓周率的值。這在一些情況下是必要的，因為不同的編譯器和環(huán)境可能對某些常量的定義有所不同。

2. 重映射圖像創(chuàng)建波形效果

void wave(const cv::Mat& img, cv::Mat& res, const std::string& wave_type, double amplitude, double frequency) {
    cv::Mat src_x(img.rows, img.cols, CV_32F);
    cv::Mat src_y(img.rows, img.cols, CV_32F);

    for (int i = 0; i < img.rows; i++) {
        for (int j = 0; j < img.cols; j++) {
            src_x.at<float>(i, j) = static_cast<float>(j);
            double wave_value = 0.0;

            if (wave_type == "sine") {
                wave_value = amplitude * sin(frequency * static_cast<double>(j)); // 正弦波
            }
            else if (wave_type == "cosine") {
                wave_value = amplitude * cos(frequency * static_cast<double>(j)); // 余弦波
            }
            else if (wave_type == "triangle") {
                wave_value = amplitude * (2.0 / M_PI) * asin(sin(frequency * static_cast<double>(j))); // 三角波
            }
            else if (wave_type == "sawtooth") {
                wave_value = amplitude * (2.0 * (j / static_cast<double>(img.cols)) - 1.0); // 鋸齒波
            }

            src_y.at<float>(i, j) = static_cast<float>(i + wave_value);
        }
    }

    cv::remap(img, res, src_x, src_y, cv::INTER_LINEAR);
}

這個函數(shù)用于創(chuàng)建不同類型的波形效果，通過重映射圖像的像素坐標(biāo)來實現(xiàn)。它接受輸入圖像 img、輸出圖像 res、波形類型 wave_type、振幅 amplitude 和頻率 frequency 作為參數(shù)。

首先，創(chuàng)建兩個與輸入圖像大小相同的矩陣 src_x 和 src_y，分別用于存儲重映射后的 x 和 y 坐標(biāo)。然后，通過雙層循環(huán)遍歷輸入圖像的每個像素。對于每個像素，將 src_x 中的對應(yīng)值設(shè)置為當(dāng)前像素的 x 坐標(biāo)，并根據(jù) wave_type 的不同計算出波形的值 wave_value。最后，將 src_y 中的對應(yīng)值設(shè)置為當(dāng)前像素的 y 坐標(biāo)加上波形值。

最后，使用 cv::remap 函數(shù)根據(jù) src_x 和 src_y 矩陣對輸入圖像進行重映射，得到輸出圖像 res。

3. 縮放圖像

void scale(const cv::Mat& img, cv::Mat& res, double scale_x, double scale_y) {
    cv::resize(img, res, cv::Size(), scale_x, scale_y, cv::INTER_LINEAR);
}

這個函數(shù)用于縮放圖像。它接受輸入圖像 img、輸出圖像 res、水平縮放比例 scale_x 和垂直縮放比例 scale_y 作為參數(shù)。

使用 cv::resize 函數(shù)對輸入圖像進行縮放，將輸出圖像的大小設(shè)置為輸入圖像的大小乘以縮放比例。這里使用 cv::INTER_LINEAR 插值方法，以獲得較為平滑的縮放效果。

4. 旋轉(zhuǎn)圖像

void rotate1(const cv::Mat& img, cv::Mat& res, double angle) {
    cv::Point2f center(img.cols / 2.0, img.rows / 2.0);
    cv::Mat rot = cv::getRotationMatrix2D(center, angle, 1.0);
    cv::warpAffine(img, res, rot, img.size());
}

這個函數(shù)用于旋轉(zhuǎn)圖像。它接受輸入圖像 img、輸出圖像 res 和旋轉(zhuǎn)角度 angle 作為參數(shù)。

首先，計算圖像的中心坐標(biāo)。然后，使用 cv::getRotationMatrix2D 函數(shù)創(chuàng)建一個旋轉(zhuǎn)矩陣 rot，該矩陣將圖像繞中心旋轉(zhuǎn)指定的角度。最后，使用 cv::warpAffine 函數(shù)根據(jù)旋轉(zhuǎn)矩陣對輸入圖像進行仿射變換，得到輸出圖像 res。

5. 顏色變換（灰度圖）

void grayscale(const cv::Mat& img, cv::Mat& res) {
    cv::cvtColor(img, res, cv::COLOR_BGR2GRAY);
}

這個函數(shù)用于將彩色圖像轉(zhuǎn)換為灰度圖像。它接受輸入圖像 img 和輸出圖像 res 作為參數(shù)。

使用 cv::cvtColor 函數(shù)將輸入圖像從 BGR 顏色空間轉(zhuǎn)換為灰度顏色空間，得到輸出圖像 res。

6. 邊緣檢測

void edge_detection(const cv::Mat& img, cv::Mat& res) {
    cv::Canny(img, res, 100, 200);
}

這個函數(shù)用于進行邊緣檢測。它接受輸入圖像 img 和輸出圖像 res 作為參數(shù)。

使用 cv::Canny 函數(shù)對輸入圖像進行邊緣檢測，該函數(shù)接受輸入圖像、輸出圖像、低閾值和高閾值作為參數(shù)。邊緣檢測算法會根據(jù)像素的梯度強度來確定是否為邊緣像素，如果像素的梯度強度大于高閾值，則被認(rèn)為是邊緣像素；如果像素的梯度強度小于低閾值，則被認(rèn)為不是邊緣像素；如果像素的梯度強度在低閾值和高閾值之間，則根據(jù)其與邊緣像素的連接情況來確定是否為邊緣像素。

7. 高斯模糊

void gaussian_blur(const cv::Mat& img, cv::Mat& res) {
    cv::GaussianBlur(img, res, cv::Size(5, 5), 0);
}

這個函數(shù)用于對圖像進行高斯模糊處理。它接受輸入圖像 img 和輸出圖像 res 作為參數(shù)。

使用 cv::GaussianBlur 函數(shù)對輸入圖像進行高斯模糊，該函數(shù)接受輸入圖像、輸出圖像、模糊核大小和標(biāo)準(zhǔn)差作為參數(shù)。這里使用的模糊核大小為 cv::Size(5, 5)，標(biāo)準(zhǔn)差為 0，表示由函數(shù)自動計算標(biāo)準(zhǔn)差。

8. 圖像銳化

void sharpen(const cv::Mat& img, cv::Mat& res) {
    cv::Mat kernel = (cv::Mat_<float>(3, 3) <<
        0, -1, 0,
        -1, 5, -1,
        0, -1, 0);
    cv::filter2D(img, res, img.depth(), kernel);
}

這個函數(shù)用于對圖像進行銳化處理。它接受輸入圖像 img 和輸出圖像 res 作為參數(shù)。

首先，定義一個 3x3 的銳化內(nèi)核 kernel。然后，使用 cv::filter2D 函數(shù)對輸入圖像進行卷積操作，該函數(shù)接受輸入圖像、輸出圖像、圖像深度和卷積內(nèi)核作為參數(shù)。這里將輸入圖像與銳化內(nèi)核進行卷積，得到輸出圖像 res，從而實現(xiàn)圖像銳化的效果。

9. 顏色反轉(zhuǎn)

void invert_colors(const cv::Mat& img, cv::Mat& res) {
    cv::bitwise_not(img, res);
}

這個函數(shù)用于對圖像進行顏色反轉(zhuǎn)處理。它接受輸入圖像 img 和輸出圖像 res 作為參數(shù)。

使用 cv::bitwise_not 函數(shù)對輸入圖像進行按位取反操作，即將每個像素的顏色值取反，得到輸出圖像 res。

四、主函數(shù)實現(xiàn)

int main() {
    cv::Mat img = cv::imread("E:/pro/sdl_code/res/test_img.png");

    if (img.empty()) {
        std::cerr << "Error: Image not found." << std::endl;
        return -1;
    }

    cv::Mat sine_wave_img, cosine_wave_img, triangle_wave_img, sawtooth_wave_img, scale_img, rotate_img, gray_img, edge_img, blur_img, sharp_img, invert_img;

    // 不同波形效果
    wave(img, sine_wave_img, "sine", 20, 0.1);        // 正弦波
    wave(img, cosine_wave_img, "cosine", 20, 0.1);    // 余弦波
    wave(img, triangle_wave_img, "triangle", 20, 0.1); // 三角波
    wave(img, sawtooth_wave_img, "sawtooth", 20, 10); // 鋸齒波

    // 縮放圖像
    scale(img, scale_img, 0.5, 0.5);

    // 旋轉(zhuǎn)圖像
    rotate1(img, rotate_img, 45);

    // 顏色變換（灰度圖）
    grayscale(img, gray_img);

    // 邊緣檢測
    edge_detection(img, edge_img);

    // 高斯模糊
    gaussian_blur(img, blur_img);

    // 圖像銳化
    sharpen(img, sharp_img);

    // 顏色反轉(zhuǎn)
    invert_colors(img, invert_img);

    // 顯示所有效果
    cv::imshow("Original Image", img);
    cv::imshow("Sine Wave Effect", sine_wave_img);
    cv::imshow("Cosine Wave Effect", cosine_wave_img);
    cv::imshow("Triangle Wave Effect", triangle_wave_img);
    cv::imshow("Sawtooth Wave Effect", sawtooth_wave_img);
    cv::imshow("Scaled Image", scale_img);
    cv::imshow("Rotated Image", rotate_img);
    cv::imshow("Grayscale Image", gray_img);
    cv::imshow("Edge Detection", edge_img);
    cv::imshow("Gaussian Blur", blur_img);
    cv::imshow("Sharpened Image", sharp_img);
    cv::imshow("Inverted Colors", invert_img);

    cv::waitKey(0);

    // 保存結(jié)果圖像
    //cv::imwrite("output_wave_image.jpg", wave_img);
    //cv::imwrite("output_scaled_image.jpg", scale_img);
    //cv::imwrite("output_rotated_image.jpg", rotate_img);
    //cv::imwrite("output_grayscale_image.jpg", gray_img);
    //cv::imwrite("output_edge_detection.jpg", edge_img);
    //cv::imwrite("output_gaussian_blur.jpg", blur_img);
    //cv::imwrite("output_sharpened_image.jpg", sharp_img);
    //cv::imwrite("output_inverted_colors.jpg", invert_img);

    return 0;
}

主函數(shù)首先讀取輸入圖像，如果圖像讀取失敗，則輸出錯誤信息并返回 -1。然后，創(chuàng)建多個輸出圖像用于存儲不同的處理效果。接下來，分別調(diào)用不同的函數(shù)對輸入圖像進行處理，得到各種效果的輸出圖像。最后，顯示所有的圖像，并等待用戶按下任意鍵退出程序。如果需要保存結(jié)果圖像，可以取消注釋相應(yīng)的代碼行。

五、總結(jié)

本文介紹了如何使用 OpenCV 實現(xiàn)多種圖像變換和處理效果，包括重映射圖像創(chuàng)建波形效果、縮放圖像、旋轉(zhuǎn)圖像、顏色變換、邊緣檢測、高斯模糊、圖像銳化和顏色反轉(zhuǎn)等。通過這些功能，我們可以對圖像進行各種操作，從而實現(xiàn)不同的視覺效果。在實際應(yīng)用中，可以根據(jù)具體需求選擇合適的圖像變換和處理方法，以達到更好的效果。

希望本文對大家學(xué)習(xí)和使用 OpenCV 有所幫助。如果有任何問題或建議，歡迎在評論區(qū)留言。首先介紹了 OpenCV 的重要性和本文要展示的內(nèi)容。接著進行環(huán)境準(zhǔn)備的說明，包括安裝 OpenCV 和 C++編譯器。然后對關(guān)鍵代碼進行詳細分析，分別解釋了定義常量 M_PI、各種圖像變換和處理函數(shù)的作用及實現(xiàn)原理。最后展示了主函數(shù)的實現(xiàn)，包括讀取圖像、創(chuàng)建輸出圖像、調(diào)用各種處理函數(shù)、顯示圖像和等待用戶操作等。整體文章結(jié)構(gòu)清晰，按照介紹、準(zhǔn)備、分析、實現(xiàn)和總結(jié)的順序進行撰寫，以幫助讀者更好地理解 OpenCV 的圖像變換和處理功能。

到此這篇關(guān)于OpenCV圖像變換與處理實戰(zhàn)方法的文章就介紹到這了,更多相關(guān)OpenCV圖像變換與處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論