OpenCV的基础使用方法及运行成果

本期将带大家带来一期可以称作番外篇的一期：暂且称为OpenCV实战篇，将介绍OpenCV的一些基础使用方法，以及在MCU上实际运行起来的效果。

首先是OpenCV的简单介绍，前面的文章已经介绍过，OpenCV具有模块化的结构，这意味着其中包含了多种共享/静态库，概括如下：

• Core functionality：定义了所要用到的基础数据结构体

• Image Processing：包含了多种线性/非线性的图像滤波器，几何图像变换等

• Video：视频处理模块，包括运动估计，背景减除等

• Calib3d：单目/双目相机支持，3D重建等

• Features2D：特征检测

• Objdetect：目标检测等，例如人脸、眼睛等

• Highgui：简单的UI功能

• Video I/O：视频编解码接口

• Gpu：gpu加速算法

所有的OpenCV类/函数都被归在cv命名空间下。因此，应用层想要访问任何代码都需要使用cv::限定符或是直接使用using namespace cv，例如：

cv::Mat H = cv::findHomography(points1, points2, CV_RANSAC, 5);

或是：

using namespace cv;
Mat H = findHomography(points1, points2, CV_RANSAC, 5 );

同时，由于当前或是之后的OpenCV源码中导出的外部符号，可能会和STL或是其他库中的名字冲突。这就建议用户在使用时，要显示指定已避免冲突，例如：

Mat a(100, 100, CV_32F);
randu(a, Scalar::all(1), Scalar::rand()));
cv::log(a, a);
a /= std::log(2.);

接下来要讲的是一个OpenCV中的重要结构Mat。

如果你想要使用OpenCV的话，Mat是你无论如何躲不过的一步。通俗点讲，这个结构体代表了一种n维数组，并且能够抽象表达成矩阵/图像/光流图等。

其公共属性如下：

attribute	description
MatAllocator* allocator	Custom allocator
int cols	The image’s width
int rows	The image’s height, the cols & rows will be (-1, -1) when the matrix has more than 2 dimensions
uchar* data	Pointer to the data
uchar* dataend	-
uchar* datalimit	-
uchar* datastart	-
int dims	The matrix dimensionality, >=2
int flags	-
int* refcount	Pointer to the reference counter
MSize size	-
MSize step	-

作为一个名副其实的C++类，OpenCV为其编写了多种构造函数，这也使得有多种方式能够创建一个cv::Mat对象，用的比较多的几种方式如下：

1.使用cv::Create(nrows, ncols, type) 或是 cv::Mat(nrows, ncols, type[, fill,_vale])如有雷同，那必然不是巧合。

// make 7x7 complex matrix filled with 1+3j.
cv::Mat M(7,7,CV_32FC2,Scalar(1,3));
// and now turn M to 100x60 15-channel 8-bit matrix.
// The old content will be deallocated
M.create(100,60,CV_8UC(15));

2.使用拷贝构造函数，时间复杂度为O(1)，因为这种方式将只拷贝header并增加引用计数，数据部分将公用，也称作浅拷贝。当然也可以使用深拷贝，cv::clone()可以做到这一点。

3.仅构造头部，并使用用户预分配数据：

void init_mat_with_ptr(const unsigned char* pixels,
                         int width, int height, int step)
{
    cv::Mat img(height, width, CV_8UC3, pixels, step);
    cv::GaussianBlur(img, img, cv::Size(7,7), 1.5, 1.5);
}

4.使用MATLAB格式的矩阵初始化法，cv::zeros(), cv::ones(), cv::eye()

5.对象与数据空间的释放：cv::release()

了解了OpenCV的基础知识，下面是基于MCUXPresso的代码实测部分。这里我们基于SDK中的“Hello World”工程搭建我们的第一个OpenCV代码。小编先卖个关子，详细的工程配置方法将在下期为大家揭秘。

首先，要选取测试图，小编随便在手机里找了一张图片并裁成500*500的jpg图像，之后会对其进行解码随后将其放缩成(320, 240)。

为了方便我们在没有文件系统的MCU平台使用测试图像，需要借助一条汇编指令.incbin, 并且声明两个全局符号告诉代码数据位置:

  .global img_start
  .global img_end

img_start:
 .incbin "data/picture.jpg"
img_end:

接下来是main函数：

// decode the image
std::vector data(img_start, img_start + IMG_LEN);
cv::Mat img_encode(data);
cv::Mat img = cv::imdecode(img_encode, cv::IMREAD_UNCHANGED);
// resize the decoded imagecv::Mat resizeImg;
cv::resize(img, resizeImg, cv::Size(320, 240), cv::INTER_LINEAR);

编译下载后，让我们看看转出的数据是不是正确，我们就需要将数据传输到PC上进行验证：

1.在MCUXpresso IDE中添加一个memory窗口并且键入resizeImage.data:

2. 点击Export，输入起止地址，IDE会自动计算长度。选择保存类型为RAW Binary, 并选择本地保存位置

3.点击OK下载数据

4. 为了验证数据的准确性，我们直接编写一个简单的上位机OpenCV的基于Python的预览程序，代码中的文件名对应第2步保存的文件：

import numpy as np
import cv2 as cv 
img_raw_data = np.fromfile(“your_path/your_file_name.bin”, dtype=”uint8”)
img = np.reshape(img_raw_data, (240, 320, 3)) # the new shape
cv.imshow(“img”, img)
cv.waitKey(0)

注意：这里假设电脑上已经安装了Python，并且安装了numpy以及opencv代码库

5. 程序执行之后，让我们看看最终结果：

至此，我们就用了一个简单的代码验证了我们所编译的OpenCV库的正确性。下期小编将为大家揭秘，如何从0开始构建一个完整的OpenCV测试例程。

审核编辑：郭婷