3、OpenCV基础：OpenCV简介与安装、图像读取与显示、色彩空间转换、ROI区域提取

各位同学，欢迎来到第三讲。从这一章开始，我们正式进入OpenCV的世界。说实话，OpenCV是我在嵌入式视觉领域打交道最多的库，没有之一。从最早的ARM9平台到现在的RK3588，我几乎每个项目都离不开它。今天咱们就把最基础、最核心的几个概念讲透。

3.1 OpenCV简介与安装

OpenCV全称是Open Source Computer Vision Library，说白了就是一个开源的计算机视觉库。它支持C++、Python、Java等多种语言，在嵌入式平台上我们通常用C++版本。我个人习惯在Ubuntu系统下开发，因为交叉编译工具链支持得最好。

为什么嵌入式首选OpenCV？ 你想想看，一个库能同时搞定图像读取、矩阵运算、特征提取、模型推理，而且还有硬件加速接口——这简直就是为嵌入式量身定做的。我在做工业相机项目时，曾经对比过其他库，最后还是回到了OpenCV，因为它的API设计太成熟了，踩坑成本低。

安装方式（以Ubuntu 20.04为例）

有两种主流安装方式：apt直接安装和源码编译。我建议初学者先用apt，省时间。

# 方式一：apt安装（快速，但版本较旧）
sudo apt update
sudo apt install libopencv-dev python3-opencv

# 方式二：源码编译（推荐，可定制模块）
git clone https://github.com/opencv/opencv.git
cd opencv
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D WITH_GTK=ON \
      -D WITH_FFMPEG=ON ..
make -j4
sudo make install
⚠️ 注意： 嵌入式平台交叉编译时，记得关闭不必要的模块（如CUDA、VTK），否则编译时间会让你怀疑人生。我曾经在树莓派上编译了整整6个小时...后来学乖了，只编译core、imgproc、highgui这几个核心模块。

3.2 图像读取与显示

图像读取是视觉处理的第一步。OpenCV用imread()读取图像，用imshow()显示图像。这里有个坑：OpenCV默认读取的是BGR格式，不是我们熟悉的RGB。很多新手在这里翻车，包括我当年第一次做颜色识别时，死活找不到红色区域，后来才发现是通道顺序搞反了。

#include <opencv2/opencv.hpp>
using namespace cv;

int main() {
    // 读取图像，IMREAD_COLOR表示彩色图
    Mat img = imread("test.jpg", IMREAD_COLOR);
    
    if (img.empty()) {
        printf("图像读取失败！检查路径\n");
        return -1;
    }
    
    // 显示图像
    imshow("Display Window", img);
    
    // 等待按键，参数0表示无限等待
    waitKey(0);
    
    // 保存图像
    imwrite("output.jpg", img);
    
    return 0;
}

读取模式详解：

标志位 含义 适用场景
IMREAD_COLOR 彩色图（默认） 通用场景
IMREAD_GRAYSCALE 灰度图 模板匹配、边缘检测
IMREAD_UNCHANGED 包含Alpha通道 透明图像处理
💡 我的经验： 在嵌入式设备上，尽量用IMREAD_GRAYSCALE读取灰度图。因为彩色图是3通道，灰度图只有1通道，内存占用直接减少2/3。对于模板匹配这种算法，灰度图完全够用，没必要浪费宝贵的DDR带宽。

3.3 色彩空间转换

色彩空间转换是图像预处理的关键步骤。OpenCV提供了cvtColor()函数，支持超过150种转换方式。但实际项目中，我们最常用的就三种：BGR↔GRAY、BGR↔HSV、BGR↔RGB。

为什么需要HSV？ 因为RGB受光照影响太大。你想想看，同一个红色物体，在强光下可能变成粉红色，在暗光下变成暗红色。但HSV中的H（色调）分量基本不变。我在做工业零件分拣时，就是靠HSV空间稳定识别不同颜色的螺丝。

Mat bgr_img = imread("color.jpg");
Mat gray_img, hsv_img;

// BGR转灰度
cvtColor(bgr_img, gray_img, COLOR_BGR2GRAY);

// BGR转HSV
cvtColor(bgr_img, hsv_img, COLOR_BGR2HSV);

// 提取红色区域（H范围：0-10 和 160-180）
Mat mask;
inRange(hsv_img, Scalar(0, 50, 50), Scalar(10, 255, 255), mask);

🔑 核心要点： HSV的H范围是0-180（OpenCV中），不是0-360。S和V范围是0-255。这个细节我至少被问过10次，每次都是因为H范围设错了导致识别失败。

3.4 ROI区域提取

ROI（Region of Interest）就是感兴趣区域。说白了，就是只处理图像中我们关心的那一小块，其他部分直接忽略。这在嵌入式平台上特别重要——处理整张1080p图像可能需要50ms，但只处理一个200x200的ROI，可能只需要2ms。

两种提取方式：

// 方式一：使用Rect矩形区域
Mat img = imread("scene.jpg");
Rect roi_rect(100, 100, 200, 200);  // (x, y, width, height)
Mat roi = img(roi_rect);

// 方式二：使用Range范围
Mat roi2 = img(Range(100, 300), Range(100, 300));

// 对ROI进行处理（比如转灰度）
Mat roi_gray;
cvtColor(roi, roi_gray, COLOR_BGR2GRAY);

// 注意：roi和img共享数据内存！
// 修改roi会直接影响原图
rectangle(img, roi_rect, Scalar(0, 255, 0), 2);
⚠️ 重要提醒： OpenCV的ROI是浅拷贝！也就是说，roi和原图img指向同一块内存。如果你只想读取ROI而不修改原图，一定要用clone()做深拷贝：Mat roi_copy = img(roi_rect).clone();。我曾经在项目中因为这个问题，调试了整整一个下午才发现是浅拷贝导致的bug。

3.5 实战小技巧

最后分享几个我在嵌入式项目中积累的经验：

  • 图像尺寸检查： 每次读取图像后，先检查img.empty()和img.size()。嵌入式设备的文件系统可能不稳定，图片损坏是常有的事。
  • 内存管理： 及时释放不再使用的Mat对象。虽然OpenCV有引用计数，但在循环中创建大量临时Mat会导致内存碎片。我习惯在关键循环里手动调用release()。
  • 调试技巧： 在开发板上没有显示器时，可以用imwrite()保存中间结果到SD卡，然后拷贝到电脑上查看。这个方法虽然土，但非常有效。
  • 性能优化： 尽量使用UMat（通用内存）来利用OpenCL加速。在支持GPU的嵌入式平台（如Jetson系列）上，性能提升非常明显。

好了，这一章的内容就到这里。记住，OpenCV的基础操作就像练武的扎马步，看似简单，但决定了你后续所有算法实现的稳定性。下一章我们会讲图像预处理，包括滤波、直方图均衡化等，这些都是模板匹配的前置步骤。咱们下节课见。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →