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：
12345INCLUDEPATH += 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/opencv2LIBS += -L D:/Work/Code/Learn/OpenCV01/Qt/opencv-mingw-3.4.5/lib/libopencv_*.a
接着声明三个基本槽：
123void 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：
12345678910111213141516//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
1234567891011121314151617181920212223void 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：
123Mat 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：
123Mat 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：
123Mat 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：
123Mat 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
123456789101112void 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
123456789101112131415161718192021222324252627282930void 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。
