本系列文章我将为大家介绍一些基于Qt的OpenCV图像处理实现。
Qt得益于信号和槽的抽象概念，使得在此利用OpenCV实现图像处理并不困难。只需要简单的初始化，就可以使用它了。
初始化
首先在Qt项目的.pro文件下添加语句导入OpenCV库：
1
2
3
4
5
| INCLUDEPATH += D:/Work/Code/Learn/OpenCV01/Qt/opencv-mingw-3.4.5/include\
D:/Work/Code/Learn/OpenCV01/Qt/opencv-mingw-3.4.5/include/opencv\
D:/Work/Code/Learn/OpenCV01/Qt/opencv-mingw-3.4.5/include/opencv2
LIBS += -L D:/Work/Code/Learn/OpenCV01/Qt/opencv-mingw-3.4.5/lib/libopencv_*.a
|
接着声明三个基本槽：
1
2
3
| void initMainWindow(); //初始化
void imgShow(); //图像显示
Mat myImg; //图像存放变量
|
最后编写基本代码段：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
| //初始化
void MainWindow::initMainWindow(){
QString imgPath="test.jpg";
Mat imgData=imread(imgPath.toLatin1().data());
cvtColor(imgData,imgData,COLOR_BGR2RGB);
myImg=imgData;
myQImg=QImage((const unsigned char*)(imgData.data),imgData.cols,imgData.rows,QImage::Format_RGB888);
imgShow();
}
myImg=imgData;：赋给myImg全局变量待处理，myImg是点阵类型的以图像形式缓存图片。
//将图像通过QPixmap到Label控件上显示
void MainWindow::imgShow(){
ui->viewLabel->setPixmap(QPixmap::fromImage(myQImg.scaled(ui->viewLabel->size(),Qt::KeepAspectRatio)));
}
|
至此就可以开始编写你程序的其它功能了。
对比度与亮度
https://github.com/MoeDisk/OpenCV_Qt_Learn/tree/master/Pic_Contrast_Brightness
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
| void MainWindow::imgProc(float con,int bri){
Mat imgSrc=myImg;
Mat imgDst=Mat::zeros(imgSrc.size(),imgSrc.type());
imgSrc.convertTo(imgDst,-1,con,bri);
myQImg=QImage((const unsigned char*)(imgDst.data),imgDst.cols,imgDst.rows,QImage::Format_RGB888);
imgShow();
}
void MainWindow::on_contrastVerticalSlider_sliderMoved(int position){
imgProc(position/33.3,0);
}
void MainWindow::on_contrastVerticalSlider_valueChanged(int value){
imgProc(value/33.3,0);
}
void MainWindow::on_brightnessVerticalSlider_sliderMoved(int position){
imgProc(1.0,position);
}
void MainWindow::on_brightnessVerticalSlider_valueChanged(int value){
imgProc(1.0,value);
}
|
imgSrc.convertTo(imgDst,-1,con,bri);：
OpenCV增强图片使用的是点算子，即用常数对每个像素点执行乘法和加法的复合运算：g(i,j)=af(i,j)+b。
式中，f(i,j)代表一个原图的像素点；a是增益参数，控制图片对比度；b是偏值参数，控制图片亮度；而g(i,j)则表示经处理后的对应像素点。这两个参数分别对应程序中的变量con和bri，执行时将它们的值传入OpenCV的convertTo()方法，在其内部就会对图片上的每个点均匀用上式的算法进行处理变换。
平滑滤波
https://github.com/MoeDisk/OpenCV_Qt_Learn/tree/master/Pic_Blur_Gaussian_Median_Bilateral_1
均值滤波：
1
2
3
| Mat imgDst1=imgSrc.clone();
for(int i=1;i<ker;i+=2) blur(imgSrc,imgDst1,Size(i,i),Point(-1,-1));
myBlurQImg=QImage((const unsigned char*)(imgDst1.data),imgDst1.cols,imgDst1.rows,QImage::Format_RGB888);
|
高斯滤波：
1
2
3
| Mat imgDst2=imgSrc.clone();
for(int i=1;i<ker;i+=2) GaussianBlur(imgSrc,imgDst2,Size(i,i),0,0);
myGaussianQImg=QImage((const unsigned char*)(imgDst2.data),imgDst2.cols,imgDst2.rows,QImage::Format_RGB888);
|
中值滤波：
1
2
3
| Mat imgDst3=imgSrc.clone();
for(int i=1;i<ker;i+=2) medianBlur(imgSrc,imgDst3,i);
myMedianQImg=QImage((const unsigned char*)(imgDst3.data),imgDst3.cols,imgDst3.rows,QImage::Format_RGB888);
|
双边滤波：
1
2
3
| Mat imgDst4=imgSrc.clone();
for(int i=1;i<ker;i+=2) bilateralFilter(imgSrc,imgDst4,i,i*2,i/2);
myBilateralQImg=QImage((const unsigned char*)(imgDst4.data),imgDst4.cols,imgDst4.rows,QImage::Format_RGB888);
|
旋转与缩放
https://github.com/MoeDisk/OpenCV_Qt_Learn/tree/master/Pic_Zoom_Rotate_1
1
2
3
4
5
6
7
8
9
10
11
12
| void MainWindow::imgProc(float ang, float sca){
Point2f srcMatrix[3];
Point2f dstMatrix[3];
Mat imgRot(2,3,CV_32FC1);
Mat imgSrc=myImg;
Mat imgDst;
Point centerPoint=Point(imgSrc.cols/2,imgSrc.rows/2);
imgRot=getRotationMatrix2D(centerPoint,ang,sca);
warpAffine(imgSrc,imgDst,imgRot,imgSrc.size());
myQImg=QImage((const unsigned char*)(imgDst.data),imgDst.cols,imgDst.rows,QImage::Format_RGB888);
imgShow();
}
|
该方法接收两个参数，皆为单精度实型，ang表示旋转角度(正为顺时针、负为逆时针)，sca表示缩放率(大于1为放大、小于1为缩小)。
imgRot=getRotationMatrix2D(centerPoint,ang,sca);：
OpenCV内部用仿射变换算法来实现图片的旋转缩放。它需要三个参数：
(1)旋转图片所要围绕的中心；
(2)旋转的角度，在OpenCV中逆时针角度为正值，反之为负值；
(3)缩放因子(可选)，在本例中分别对应centerPoint、ang和sca参数值。
任何一个仿射变换都能表示为向量乘以一个矩阵(线性变换)再加上另一个向量(平移)，研究表明，不论是对图片的旋转还是缩放操作，本质上都是对其每个像素施加了某种线性变换，如果不考虑平移，实际上也就是一个仿射变换。因此，变换的关键在于求出变换矩阵，这个矩阵实际上代表了变换前后两张图片之间的关系。这里用OpenCV的getRotationMatrix2D()方法来获得旋转矩阵，然后通过warpAffine()方法将获得的矩阵用到对图片的旋转缩放操作中。
人脸识别
https://github.com/MoeDisk/OpenCV_Qt_Learn/tree/master/Pic_FaceRecognition_1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
| void MainWindow::imgProc(){
CascadeClassifier face_detector;
CascadeClassifier eyes_detector;
string fDetectorPath="D:/Work/Code/Learn/OpenCV01/Qt/face_recognition/haarcascade_frontalface_alt.xml";
face_detector.load(fDetectorPath);
string eDetectorPath="D:/Work/Code/Learn/OpenCV01/Qt/face_recognition/haarcascade_eye_tree_eyeglasses.xml";
eyes_detector.load(eDetectorPath);
vector<Rect> faces;
Mat imgSrc=myImg;
Mat imgGray;
cvtColor(imgSrc,imgGray,CV_RGB2GRAY);
equalizeHist(imgGray,imgGray);
face_detector.detectMultiScale(imgGray,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));
for(int i=0;i<faces.size();i++){
Point center(faces[i].x+faces[i].width*0.5,faces[i].y+faces[i].height*0.5);
ellipse(imgSrc,center,Size(faces[i].width*0.5,faces[i].height*0.5),0,0,360,Scalar(255,0,255),4,8,0);
Mat faceROI=imgGray(faces[i]);
vector<Rect> eyes;
eyes_detector.detectMultiScale(faceROI,eyes,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));
for(int j=0;j<eyes.size();j++){
Point center(faces[i].x+eyes[j].x+eyes[j].width*0.5,faces[i].y+eyes[j].y+eyes[j].height*0.5);
int radius=cvRound((eyes[j].width+eyes[i].height)*0.25);
circle(imgSrc,center,radius,Scalar(255,0,0),4,8,0);
}
}
Mat imgDst=imgSrc;
myQImg=QImage((const unsigned char*)(imgDst.data),imgDst.cols,imgDst.rows,QImage::Format_RGB888);
QMessageBox::about(NULL, " ", "Done");
imgShow();
}
|
eyes_detector.load(eDetectorPath);：
load()方法用于加载一个XML分类器文件，OpenCV既支持Haar特征算法也支持LBP特征算法的分类器。
