opencv测试代码c++

这是一段使用OpenCV库的C语言代码示例，用于读取并显示一张图片：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    Mat img = imread("test.png"); // 读取图片
    if (img.empty()) { // 判断是否读取成功
        cerr << "Failed to open image file!" << endl;
        return -1;
    }

    namedWindow("Image"); // 创建窗口
    imshow("Image", img); // 在窗口中显示图片
    waitKey(); // 等待键盘输入
    destroyAllWindows(); // 关闭窗口

    return 0;
}

使用OpenCV库需要先安装和链接好库文件。在gcc编译器下，可以使用以下命令行进行编译：

g++ -o test test.c `pkg-config opencv --cflags --libs`

其中`pkg-config`用于获取OpenCV的头文件路径和库文件路径。具体路径可能因环境而异，如果不确定，可以使用以下命令查询：

pkg-config opencv --cflags --libs

相关问题

opencv凸包检测C++代码

以下是opencv凸包检测C代码示例：

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {
    // 读取图像
    Mat img = imread("image.jpg");

    // 转换为灰度图像
    Mat gray;
    cvtColor(img, gray, COLOR_BGR2GRAY);

    // 二值化
    Mat binary;
    threshold(gray, binary, 100, 255, THRESH_BINARY);

    // 轮廓检测
    std::vector<std::vector<Point>> contours;
    findContours(binary, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

    // 绘制凸包
    std::vector<std::vector<Point>> hull(contours.size());
    for (int i = 0; i < contours.size(); i++) {
        convexHull(contours[i], hull[i], true);
    }
    Mat result = img.clone();
    drawContours(result, hull, -1, Scalar(0, 0, 255), 2);

    // 显示结果
    imshow("result", result);
    waitKey(0);

    return 0;
}

该代码将读取名为`image.jpg`的图像，并将其转换为灰度图像。然后使用二值化将其转换为二值图像。接下来，使用`findContours`函数检测图像中的轮廓。使用`convexHull`函数绘制凸包，最后在原始图像上绘制凸包并显示结果。

opencv 图像配准c++代码

以下是使用OpenCV进行基于特征点匹配的图像配准的C++代码示例：

#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main(int argc, char** argv)
{
    // 加载需要进行配准的图像
    Mat img1 = imread("img1.jpg", IMREAD_GRAYSCALE);
    Mat img2 = imread("img2.jpg", IMREAD_GRAYSCALE);

    // 提取图像中的特征点
    Ptr<FeatureDetector> detector = ORB::create();
    vector<KeyPoint> kp1, kp2;
    detector->detect(img1, kp1);
    detector->detect(img2, kp2);

    // 对提取出的特征点进行描述
    Ptr<DescriptorExtractor> extractor = ORB::create();
    Mat desc1, desc2;
    extractor->compute(img1, kp1, desc1);
    extractor->compute(img2, kp2, desc2);

    // 对两张图像中的特征点进行匹配
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");
    vector<DMatch> matches;
    matcher->match(desc1, desc2, matches);

    // 筛选匹配的特征点
    double min_dist = DBL_MAX, max_dist = 0;
    for (int i = 0; i < desc1.rows; i++) {
        double dist = matches[i].distance;
        if (dist < min_dist) min_dist = dist;
        if (dist > max_dist) max_dist = dist;
    }
    vector<DMatch> good_matches;
    for (int i = 0; i < desc1.rows; i++) {
        if (matches[i].distance <= max(2 * min_dist, 30.0)) {
            good_matches.push_back(matches[i]);
        }
    }

    // 计算变换矩阵
    vector<Point2f> pts1, pts2;
    for (int i = 0; i < good_matches.size(); i++) {
        pts1.push_back(kp1[good_matches[i].queryIdx].pt);
        pts2.push_back(kp2[good_matches[i].trainIdx].pt);
    }
    Mat H = findHomography(pts1, pts2, RANSAC);

    // 应用变换矩阵进行配准
    Mat img_aligned;
    warpPerspective(img1, img_aligned, H, img1.size());

    // 显示结果
    imshow("img1", img1);
    imshow("img2", img2);
    imshow("img_aligned", img_aligned);
    waitKey(0);

    return 0;
}

以上代码中使用了ORB特征点检测和描述算法、BruteForce-Hamming特征点匹配算法以及RANSAC算法进行变换矩阵计算。在实际应用中，可能需要根据具体问题选用不同的算法并进行参数优化。