【02OpenCV】图片和视频读取，简单图像处理

openCV学习过程

第一章，图片和摄像头以及相机的读取

1.程序一

对应文件的目录如下：

wpf@wpfpc:~/Test/Opencv/ch1$ tree -L 1
.
├── build
├── cmake-build-debug
├── CMakeLists.txt
├── main.cpp
└── seuwx.jpg

#include 
#include 

int main(int argc,char** argv) {
    cv::Mat img = cv::imread(argv[1],-1);
    if(img.empty()){
        return -1;
    }
    // 创建一个窗口，并给这个窗口起名字，
    cv::namedWindow("example",cv::WINDOW_AUTOSIZE);
    //显示该图片
    cv::imshow("example",img);
    //等待终止该程序，参数的单位是ms
    cv::waitKey(0);
    cv::destroyWindow("example");

    std::cout << "Hello, wpf!" << std::endl;
    return 0;
}

执行命令，即可显示该图片

wpf@wpfpc:~/Test/Opencv/ch1$ cd build/
wpf@wpfpc:~/Test/Opencv/ch1/build$ ./ch1 …/seuwx.jpg

---

程序二 视频的读取和显示

#include 
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
int main(int argc,char** argv) {
    cv::namedWindow("example1",cv::WINDOW_AUTOSIZE);
    cv::VideoCapture cap;
    //给的是一个文件目录
    cap.open(std::string(argv[1]));
    cv::Mat frame ;
    while(true){
        cap>>frame;
        if (frame.empty()){
            break;
        }
        cv::imshow("example1",frame);
         //以30fps的速率播放视频
        if(cv::waitKey(33)>=0) break;
    }

    std::cout << "Hello, wpf!" << std::endl;
    return 0;
}

程序三 创建一个视频播放器

#include 
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include 
using namespace std;


//滑动指针位于的位置
int g_slide_position = 0;
//跳转的标志，跳转之后置零，为正表示停止之前还要播放多少图片，为负值表示连续播放
int g_run = 1, g_dontset = 0;

cv::VideoCapture g_cap;
//回调函数
void onTrackbarSlide(int pos, void *) {
    g_cap.set(CV_CAP_PROP_POS_FRAMES, pos);
    if (!g_dontset)
        g_run = 1;
    g_dontset = 0;
}

int main(int argc, char **argv) {

    cv::namedWindow("example2", cv::WINDOW_AUTOSIZE);
    g_cap.open(std::string(argv[1]));

    //获取视频的总帧数，以及视频高和宽
    int frames = (int) g_cap.get(CV_CAP_PROP_FRAME_COUNT);
    int tmpw = (int) g_cap.get(CV_CAP_PROP_FRAME_WIDTH);
    int tmph = (int) g_cap.get(CV_CAP_PROP_FRAME_HEIGHT);
    //并打印出来
    cout << "Video has" << frames << "frames of dimensions(" << tmpw << "," << tmph << ")," << endl;

    //滑动的状态条，起名字，以及创建的窗口，滑动的位置，最大帧数，以及回调函数进行回调。
    cv::createTrackbar("Position", "example2", &g_slide_position, frames, onTrackbarSlide);
    cv::Mat frame;
    while (true) {
        if (g_run != 0) {
            g_cap >> frame;
            if (frame.empty()) break;
            //获取当前帧
            int current_pos = g_cap.get(CV_CAP_PROP_POS_FRAMES);
            g_dontset = 1;
            //滑动到当前位置
            cv::setTrackbarPos("Position", "Example2", current_pos);
            //展示当前帧
            cv::imshow("example2", frame);
            g_run -= 1;
        }
        char c = (char) cv::waitKey(10);
        //单步模式
        if (c == 's') {
            g_run = 1;
            cout << "single step,run = " << g_run << endl;
        }
        //运行模式
        if (c == 'r') {
            g_run = -1;
            cout << "Run mode,run = " << g_run << endl;
        }
        //esc退出系统
        if (c == 27) break;

    }
    std::cout << "Hello, wpf!" << std::endl;
    return 0;
}

程序四简单的图像处理

主要包含，图像金字塔降采样，以及canny边缘检测，

CV_EXPORTS_W void Canny( InputArray image, OutputArray edges,
double threshold1, double threshold2,
int apertureSize = 3, bool L2gradient = false );

参数说明：
image：8位输入图像。
edges:输出边缘;单通道8位图像，与图像大小相同。
threshold1:迟滞过程的第一个阈值。
threshold2:迟滞过程的第二个阈值。
apertureSize : Sobel算子的孔径大小。
L2gradient:一个标志，指示是否应用更精确的方式计算图像梯度幅值.。

语法：GaussianBlur（src，ksize，sigmaX [，dst [，sigmaY [，borderType]]]）-> dst

——src输入图像；图像可以具有任意数量的通道，这些通道可以独立处理，但深度应为CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
——dst输出图像的大小和类型与src相同。
——ksize高斯内核大小。 ksize.width和ksize.height可以不同，但它们都必须为正数和奇数，也可以为零，然后根据sigma计算得出。
——sigmaX X方向上的高斯核标准偏差。
——sigmaY Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigma

金字塔降采样的方法

pyrDown 每次将图片的大小缩小为高和长的一半，面积变为1/4

#include 
#include 
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include 
using namespace std;
//图像的高斯模糊处理，
void example21(const cv::Mat & image){
    cv::namedWindow("in",CV_WINDOW_AUTOSIZE);
    cv::namedWindow("output",cv::WINDOW_AUTOSIZE);
    cv::imshow("in",image);
    cv::Mat out;
    //高斯核模糊的基本原理了解清楚，并且参数对应清楚即可，这里的右边x和y为对应的标准差
    cv::GaussianBlur(image,out,cv::Size(5,5),3,3);
    //分配了临时的存储空间，所以out可以作为输入和输出同时进行
    cv::GaussianBlur(out,out,cv::Size(5,5),3,3);
    cv::imshow("output",out);
    cv::waitKey(0);
}
//图像的金字塔处理，然后使用canny 边缘检测，显示图像
void example22(const cv::Mat &image){
    cv::namedWindow("input1",CV_WINDOW_AUTOSIZE);
    cv::namedWindow("output1",CV_WINDOW_AUTOSIZE);
    //使用金字塔降采样处理，并显示结果
    cv::imshow("input1",image);
    cv::Mat img1,img2,canny_img3,canny_output;
    //宽和高均为原始的1/2
    cv::pyrDown(image,img1);
    //再次缩小一倍
    cv::pyrDown(img1,img2);
    cv::cvtColor(img2,canny_img3,CV_BGR2GRAY);
    // 迟滞过程的两个阈值，上采样和下采样的区别 sobel算子的孔径大小，L2梯度，是否以更精确地方式计算梯度值
    cv::Canny(canny_img3,canny_output,10,100,3,true);
    cv::imshow("output1",canny_output);
    cv::waitKey(0);

}
int main(int argc, char **argv) {
    cv::Mat img = cv::imread(argv[1],-1);
    if(img.empty()){
        return -1;
    }
    //example21(img);
    example22(img);
    std::cout << "Hello, wpf!" << std::endl;
    return 0;
}

测试结果从略