OpenCV 是计算机视觉领域最常用的开源库，而 C++ 作为其原生支持语言，具有运行效率高、适合工程化开发的特点。本文基于实战代码，从环境搭建、核心数据结构、基础图像操作到面向对象封装，全面讲解 OpenCV C++ 的入门知识，帮助你快速掌握图像编程的核心技能。

一、环境准备与工程搭建

在开始代码编写前，需完成 OpenCV C++ 环境配置，主要步骤如下：

1. 安装 OpenCV：从 OpenCV 官网 下载对应系统的安装包，解压并配置环境变量（Windows 需添加 opencv/build/x64/vc15/bin 到 Path）。
2. IDE 配置：以 Visual Studio 为例，新建 C++ 项目后，在 “属性页” 中配置：
   • 包含目录：添加 opencv/build/include
   • 库目录：添加 opencv/build/x64/vc15/lib
   • 链接器输入：添加 opencv_world4xxd.lib（调试版）和 opencv_world4xx.lib（发布版，xx 为版本号）
3. 验证环境：编译运行基础图像显示代码，确认无链接错误。

二、核心数据结构：Mat 矩阵

cv::Mat 是 OpenCV 存储图像和矩阵的核心数据结构，相当于 “图像容器”，掌握其特性是入门的关键。

1. Mat 的基本属性

cv::Mat src = cv::imread("ocv01.jpg", cv::IMREAD_COLOR);
int cols = src.cols;      // 图像宽度（列数）
int rows = src.rows;      // 图像高度（行数）
int channels = src.channels();  // 通道数（1=灰度图，3=彩色图）
int type = src.type();     // 数据类型（如 CV_8UC3 表示 8 位无符号 3 通道）

• 通道数：灰度图为 1 通道（仅亮度信息），彩色图（BGR）为 3 通道（蓝、绿、红）。
• 数据类型：CV_[位数][符号][类型]C[通道数]，如 CV_8UC3 表示 8 位无符号字符型 3 通道。

2. Mat 的创建与复制

// 方法1：创建指定尺寸和类型的矩阵（初始化为0）
cv::Mat m1(Size(320, 240), CV_8UC3);  // 320x240 的 3 通道矩阵

// 方法2：用 zeros/ones 初始化
cv::Mat m2 = cv::Mat::zeros(Size(8, 8), CV_8UC1);  // 8x8 全 0 矩阵（黑色）
cv::Mat m3 = cv::Mat::ones(Size(8, 8), CV_32FC1);  // 8x8 全 1 矩阵（32位浮点）

// 方法3：复制已有矩阵（深拷贝）
cv::Mat src_copy1, src_copy2;
src.copyTo(src_copy1);  // 推荐方式
src_copy2 = src.clone(); // 等价于 copyTo

• 深拷贝 vs 浅拷贝：cv::Mat dst = src 是浅拷贝（仅复制引用），修改 dst 会影响 src；copyTo 和 clone 是深拷贝（复制数据），两者独立。

三、基础图像操作

1. 图像读取与显示

图像读取是所有视觉程序的第一步，需注意路径合法性和显示窗口的管理。

// 读取图像（IMREAD_COLOR：忽略透明度，返回 3 通道 BGR 图像）
cv::Mat src = cv::imread("ocv01.jpg", cv::IMREAD_COLOR);

// 检查图像是否读取成功
if (src.empty()) {
    printf("无法打开图像！\n");
    return -1;
}

// 创建窗口（WINDOW_FREERATIO：支持自由缩放）
cv::namedWindow("原图", cv::WINDOW_FREERATIO);
cv::imshow("原图", src);  // 显示图像

cv::waitKey(0);           // 等待按键（0 表示无限等待）
cv::destroyAllWindows();   // 销毁所有窗口

• 路径注意事项：Windows 系统路径用 // 或 /（如 E:/Project/ocv01.jpg），Linux/macOS 用 /；相对路径基于程序运行目录。

2. 颜色空间转换

OpenCV 支持多种颜色空间转换，其中 BGR↔灰度图 和 BGR↔HSV 最常用。

void Test::colorSpace(cv::Mat& image) {
    cv::Mat gray, hsv;
    // BGR 转灰度图（3 通道→1 通道，用于边缘检测、阈值处理）
    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);
    // BGR 转 HSV（适合颜色分割，抗光照变化）
    cv::cvtColor(image, hsv, cv::COLOR_BGR2HSV);
    
    cv::imshow("灰度图", gray);
    cv::imshow("HSV图", hsv);
    cv::waitKey(0);
    cv::destroyAllWindows();
}

• HSV 优势：H（色调）、S（饱和度）、V（明度）分离，比 BGR 更适合颜色过滤（如检测红色物体只需指定 H 范围）。
• 转换码：cvtColor 第三个参数为转换码，完整列表见 OpenCV 文档。

3. 像素级访问与操作

直接操作像素是图像处理的基础（如反色、亮度调整），OpenCV 提供两种高效方式：

方式 1：at<> 函数（简单直观，适合小规模操作）

// 遍历像素并反色（灰度图）
for (int row = 0; row < image.rows; row++) {
    for (int col = 0; col < image.cols; col++) {
        // 读取像素值（uchar 适用于 8 位图像）
        uchar pv = image.at<uchar>(row, col);
        // 反色操作（255 - 原像素值）
        image.at<uchar>(row, col) = 255 - pv;
    }
}

方式 2：指针访问（效率高，适合大图像）

// 遍历像素并反色（彩色图，BGR 通道）
for (int row = 0; row < image.rows; row++) {
    // 获取当前行首地址
    uchar* current_row = image.ptr<uchar>(row);
    for (int col = 0; col < image.cols; col++) {
        // 操作 B 通道（注意顺序：B→G→R）
        *current_row++ = 255 - *current_row;
        // 操作 G 通道
        *current_row++ = 255 - *current_row;
        // 操作 R 通道
        *current_row++ = 255 - *current_row;
    }
}

• 效率对比：指针访问比 at<> 快 10 倍以上，推荐在处理视频帧或大图像时使用。
• 通道顺序：OpenCV 彩色图默认是 BGR 顺序（而非 RGB），操作时需注意顺序。

4. 图像算术运算

通过算术运算可调整图像亮度、对比度，OpenCV 提供安全的运算函数（自动处理像素溢出）。

void Test::operate(cv::Mat& image) {
    cv::Mat dst;
    // 创建与原图同尺寸的矩阵，所有像素值为 (2,2,2)
    cv::Mat scale = cv::Mat::ones(image.size(), image.type()) * 2;
    // 像素乘法：每个通道值 × 2（整体提亮）
    cv::multiply(image, scale, dst);  // 自动截断超过 255 的值
    
    cv::imshow("亮度提升", dst);
    cv::waitKey(0);
}

• 常用函数：
  • cv::add(src1, src2, dst)：像素加法（亮度提升）
  • cv::subtract(src1, src2, dst)：像素减法（亮度降低）
  • cv::multiply(src1, src2, dst)：像素乘法（对比度提升）
  • cv::addWeighted(src1, alpha, src2, beta, gamma, dst)：加权融合（图像叠加）

四、交互工具：轨迹栏（Trackbar）

轨迹栏可实时调整参数（如阈值、亮度），是调试视觉算法的重要工具，需配合回调函数使用。

// 轨迹栏回调函数（必须为全局或静态函数）
static void on_trackbar(int val, void* userdata) {
    std::cout << "当前值：" << val << std::endl;
    // 可通过 userdata 传递图像等数据，实现实时更新
    cv::Mat* img = (cv::Mat*)userdata;
    cv::Mat dst = *img * val / 100.0;  // 用轨迹栏值调整亮度
    cv::imshow("轨迹栏演示", dst);
}

void Test::createTrackbar() {
    cv::Mat img = cv::imread("ocv01.jpg");
    cv::namedWindow("轨迹栏演示", cv::WINDOW_FREERATIO);
    
    // 创建轨迹栏：参数（名称，窗口名，初始值，最大值，回调函数，用户数据）
    cv::createTrackbar("亮度", "轨迹栏演示", 100, 200, on_trackbar, &img);
    
    cv::imshow("轨迹栏演示", img);
    cv::waitKey(0);
    cv::destroyAllWindows();
}

• 回调函数：必须符合 void(*)(int, void*) 格式，第一个参数为当前轨迹栏值，第二个参数为用户自定义数据（如图像指针）。
• 常见用途：实时调整 Canny 边缘检测阈值、HSV 颜色分割范围、滤波核大小等。

五、面向对象封装：Test 类设计

将功能封装到类中是工程化开发的核心思想，可提升代码复用性和可维护性。

1. 类结构设计（Test.h）

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

class Test {
public:
    void colorSpace(Mat& image);   // 颜色空间转换
    void createMat(Mat& image);    // 矩阵创建与复制
    void getPixel(Mat& image);     // 像素操作
    void operate(Mat& image);      // 算术运算
    void createTrackbar();         // 轨迹栏交互
};

2. 封装优势

• 模块化：每个函数负责单一功能（如 colorSpace 仅处理颜色转换），逻辑清晰。
• 可扩展：新增功能（如边缘检测）只需添加成员函数，不影响现有代码。
• 易维护：集中管理所有图像操作，便于调试和修改。

六、实战技巧与常见问题

1. 效率优化

• 大图像处理前先缩小（cv::pyrDown），减少计算量。
• 循环中用指针访问像素，避免 at<> 函数的性能损耗。
• 尽量使用 OpenCV 内置函数（如 cv::filter2D），底层已优化。

2. 常见错误

• 图像路径错误：imread 失败返回空矩阵，需用 empty() 检查。
• 通道数不匹配：对彩色图用灰度图的处理逻辑（如 at<uchar>）会导致崩溃。
• 像素溢出：手动运算（如 pixel * 2）需确保结果 ≤ 255，推荐用 cv::multiply。

3. 调试技巧

• 用 imshow 显示中间结果，观察每一步处理是否正确。
• 打印矩阵属性（rows、cols、channels），确认图像尺寸符合预期。
• 对轨迹栏回调函数，用 cout 输出参数值，验证交互逻辑。

七、总结与进阶方向

本文通过实战代码讲解了 OpenCV C++ 的核心基础：Mat 数据结构、图像读写、颜色空间转换、像素操作、算术运算和轨迹栏交互，以及面向对象封装思想。这些知识是计算机视觉开发的基石，后续可向以下方向进阶：

1. 图像处理：学习滤波（高斯滤波、中值滤波）、边缘检测（Canny、Sobel）、形态学操作（腐蚀、膨胀）。
2. 目标检测：掌握轮廓提取（findContours）、特征匹配（matchShapes）、Haar 级联分类器。
3. 视频处理：使用 cv::VideoCapture 读取视频，对帧进行实时处理。
4. 性能优化：学习多线程、GPU 加速（cv::cuda 模块），提升处理速度。

通过持续实践，可逐步掌握 OpenCV 在工业检测、机器人视觉、医学影像等领域的应用。