⭐️我叫忆_恒心，一名喜欢书写博客的在读研究生👨🎓。
如果觉得本文能帮到您，麻烦点个赞👍呗！
近期会不断在专栏里进行更新讲解博客~~~ 有什么问题的小伙伴 欢迎留言提问欧，喜欢的小伙伴给个三连支持一下呗。👍⭐️❤️
Qt5.9专栏定期更新Qt的一些项目Demo
项目与比赛专栏定期更新比赛的一些心得，面试项目常被问到的知识点。
一、引言
在当今数字化时代，图像处理技术在各个领域得到了广泛应用。无论是自动驾驶、医学影像分析，还是安防监控、虚拟现实，图像处理都扮演着重要角色。OpenCV（Open Source Computer Vision Library）作为一个开源的计算机视觉库，提供了丰富的图像处理函数和工具，使得图像处理变得更加简单和高效。本文将介绍如何使用C++结合OpenCV进行基础的图像处理操作。
二、 安装OpenCV
Windows系统详细的环境安装，可以参考我之前写的这一篇文章。
VS2019中配置C++ OpenCV 4.5.4完整指南
在使用OpenCV之前，我们需要先在开发环境中安装OpenCV库。以下是Windows和Ubuntu系统中安装OpenCV的基本步骤：
1. Windows系统：
- 下载OpenCV安装包：OpenCV官网
- 解压安装包到指定目录。
- 配置环境变量，将OpenCV的
bin目录添加到系统的PATH中。 - 在C++项目中添加OpenCV库的包含路径和库文件路径。
2. Ubuntu系统：
sudo apt update
sudo apt install libopencv-dev
三、 图像读取与显示
首先，我们来看一个简单的图像读取与显示的示例程序：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
// 读取图像
cv::Mat image = cv::imread("example.jpg");
// 检查图像是否读取成功
if(image.empty()) {
std::cout << "无法打开图像文件" << std::endl;
return -1;
}
// 显示图像
cv::imshow("Display Image", image);
cv::waitKey(0); // 等待按键按下
return 0;
}
在这个示例中，我们使用cv::imread函数读取一张图像，并使用cv::imshow函数显示图像。cv::waitKey(0)函数用于等待用户按键，以便窗口不会立即关闭。
四、 图像预处理
图像预处理是图像处理中的重要步骤，包括图像的灰度化、二值化、平滑处理等。以下是一个简单的图像预处理示例：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
cv::Mat image = cv::imread("example.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像
if(image.empty()) {
std::cout << "无法打开图像文件" << std::endl;
return -1;
}
cv::Mat blurredImage;
cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 1.5); // 高斯模糊处理
cv::imshow("Original Image", image);
cv::imshow("Blurred Image", blurredImage);
cv::waitKey(0);
return 0;
}
在这个示例中，我们使用cv::imread函数以灰度模式读取图像，并使用cv::GaussianBlur函数对图像进行高斯模糊处理。
五、图像形状检测
OpenCV还提供了丰富的形状检测功能，例如边缘检测和轮廓检测。以下是一个简单的边缘检测示例：
#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
cv::Mat image = cv::imread("example.jpg", cv::IMREAD_GRAYSCALE);
if(image.empty()) {
std::cout << "无法打开图像文件" << std::endl;
return -1;
}
cv::Mat edges;
cv::Canny(image, edges, 50, 150); // Canny边缘检测
cv::imshow("Edges", edges);
cv::waitKey(0);
return 0;
}
在这个示例中，我们使用cv::Canny函数进行边缘检测，并显示结果图像。
六、图像分类
图像分类是计算机视觉中的重要任务，常用于自动驾驶、安防监控、医疗诊断等领域。通过对图像内容进行分类，我们可以实现对不同类别物体的识别和区分。
1.1 使用Bag of Words (BOW)算法进行图像分类
Bag of Words (BOW)算法是一种经典的图像分类方法，通过将图像表示为特征词袋进行分类。下面是使用OpenCV和C++实现BOW算法进行图像分类的示例代码。
1.2 环境准备
首先，确保已安装OpenCV库，并配置好C++开发环境。需要安装额外的库如opencv_contrib，以便使用BOW相关模块。
1.3 示例代码
以下是实现BOW算法进行图像分类的代码：
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/ml.hpp>
#include <iostream>
#include <vector>
using namespace cv;
using namespace cv::ml;
using namespace std;
using namespace cv::xfeatures2d;
void extractFeatures(const vector<string>& imagePaths, vector<Mat>& features, Ptr<SIFT> detector) {
for (const auto& path : imagePaths) {
Mat image = imread(path, IMREAD_GRAYSCALE);
vector<KeyPoint> keypoints;
Mat descriptors;
detector->detectAndCompute(image, noArray(), keypoints, descriptors);
features.push_back(descriptors);
}
}
int main() {
// 图像路径
vector<string> trainImages = {"image1.jpg", "image2.jpg", "image3.jpg"};
vector<string> testImages = {"test1.jpg", "test2.jpg"};
// 创建SIFT特征检测器
Ptr<SIFT> detector = SIFT::create();
// 提取训练集特征
vector<Mat> trainFeatures;
extractFeatures(trainImages, trainFeatures, detector);
// 聚类，创建词典
BOWKMeansTrainer bowTrainer(100); // 词典大小
for (const auto& feature : trainFeatures) {
bowTrainer.add(feature);
}
Mat dictionary = bowTrainer.cluster();
// 创建BOW图像描述器
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("FlannBased");
BOWImgDescriptorExtractor bowDE(detector, matcher);
bowDE.setVocabulary(dictionary);
// 训练分类器
Ptr<SVM> svm = SVM::create();
Mat trainData, labels;
for (size_t i = 0; i < trainImages.size(); ++i) {
Mat bowDescriptor;
bowDE.compute(imread(trainImages[i], IMREAD_GRAYSCALE), bowDescriptor);
trainData.push_back(bowDescriptor);
labels.push_back((float)i); // 假设每个图像都有不同的标签
}
svm->train(trainData, ROW_SAMPLE, labels);
// 测试分类器
for (const auto& path : testImages) {
Mat testImage = imread(path, IMREAD_GRAYSCALE);
Mat bowDescriptor;
bowDE.compute(testImage, bowDescriptor);
float response = svm->predict(bowDescriptor);
cout << "Image: " << path << " classified as: " << response << endl;
}
return 0;
}
result
Image: test1.jpg classified as: 0
Image: test2.jpg classified as: 1
七、适合图像分类的优秀的仓库
我可以为您提供一些图片的链接，您可以使用这些图片作为博客中的例子。以下是一些公共领域图片资源网站的链接，您可以从这些网站下载适合用于图像分类任务的图片：
Pixabay - 提供大量免费图片，适用于个人和商业用途。
- 链接: Pixabay
Unsplash - 一个提供高分辨率照片的平台，所有照片均可免费使用。
- 链接: Unsplash
Pexels - 提供免费且高质量的图片，可用于商业用途，无需署名。
- 链接: Pexels
Open Images Dataset - Google 提供的一个大规模图片数据集，可用于图像识别和分类。
MNIST Database - 手写数字的图片数据集，常用于图像分类和机器学习任务。
- 链接: MNIST Database
- 链接: MNIST Database
CIFAR-10 and CIFAR-100 - 包含多种类别的图片数据集，适用于图像分类。
ImageNet - 一个非常大的图像数据库，用于视觉对象识别研究。
- 链接: ImageNet
Flickr - 通过Flickr的Creative Commons搜索，您可以找到许多可用于非商业或商业用途的图片。
Getty Images - 虽然Getty Images主要是版权图片，但它们也提供了一些免费图片的集合。
- 链接: Getty Images
NASA Image and Video Library - NASA提供的图片和视频资源，适合用于科学和教育目的。
请注意，使用图片时，您应遵守每个网站的使用条款和版权信息。对于商业用途，建议仔细检查图片的许可证，确保合法使用。
八、 结论
通过以上步骤，我们使用C++和OpenCV实现了基于BOW算法的图像分类。本文介绍了从特征提取、词典创建到模型训练和分类的全过程。这仅仅是图像分类的入门，OpenCV还支持更多复杂的算法和深度学习模型，读者可以进一步探索，以便在实际项目中更好地应用这些技术。希望本文对您在学习和应用图像分类技术方面有所帮助。
最后，最后
如果觉得有用，麻烦三连👍⭐️❤️支持一下呀，希望这篇文章可以帮到你，你的点赞是我持续更新的动力
