基于 OpenCV 的机器视觉入门实验报告

一、实验目的

了解机器视觉的基本概念和原理。
熟悉 OpenCV 库的基本使用方法。
掌握 OpenCV 库中常用的图像处理和计算机视觉算法。

二、实验内容

安装 OpenCV 库并配置环境。
加载图像并显示。
图像处理（包括调整亮度、对比度、色彩平衡、直方图均衡等）。
边缘检测（包括 Sobel、Canny 等算法）。
目标检测（包括 Haar 特征分类器、HOG+SVM 等算法）。

三、实验步骤

安装 OpenCV 库并配置环境

在 Windows 系统下，可以通过以下步骤安装 OpenCV 库：

(1) 下载 OpenCV 库：从官网下载对应版本的 OpenCV 库。

(2) 安装 OpenCV 库：解压下载的文件，并按照说明进行安装。

(3) 配置环境变量：将 OpenCV 库的 bin 目录添加到系统环境变量中。

加载图像并显示

在 Python 中，可以使用 cv2.imread() 函数加载图像，并使用 cv2.imshow() 函数显示图像。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')

cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，cv2.imread() 函数的第一个参数是图像文件的路径，第二个参数是加载模式。cv2.imshow() 函数的第一个参数是窗口名称，第二个参数是要显示的图像。

图像处理

a. 调整亮度和对比度

可以通过 cv2.convertScaleAbs() 函数调整亮度和对比度。以下是示例代码：

import cv2
import numpy as np

img = cv2.imread('image.jpg')
alpha = 1.5 # 调整对比度
beta = 50 # 调整亮度
result = cv2.convertScaleAbs(img, alpha=alpha, beta=beta)

cv2.imshow('image', img)
cv2.imshow('result', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中，alpha 和 beta 分别表示对比度和亮度的调整参数。

b. 色彩平衡

可以通过 cv2.cvtColor() 函数将图像从 BGR 格式转换为 HSV 格式，然后调整 HSV 格式中的色相、饱和度和亮度，最后将图像转换为 BGR 格式。以下是示例代码：

import cv2
import numpy as np

img = cv2.imread('image.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 调整色相、饱和度和亮度
h, s, v = cv2.split(hsv)
h = (h + 20) % 180
s = np.clip(s * 1.2, 0, 255).astype(np.uint8)
v = np.clip(v * 1.2, 0, 255).astype(np.uint8)
hsv = cv2.merge((h, s, v))

result = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

cv2.imshow('image', img)
cv2.imshow('result', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

c. 直方图均衡

可以使用 cv2.equalizeHist() 函数对图像进行直方图均衡化。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

result = cv2.equalizeHist(gray)

cv2.imshow('image', img)
cv2.imshow('result', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

边缘检测

a. Sobel 算法

可以使用 cv2.Sobel() 函数进行 Sobel 算法的边缘检测。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

dx = cv2.Sobel(gray, cv2.CV_64F, 1, 0)
dy = cv2.Sobel(gray, cv2.CV_64F, 0, 1)

result = cv2.magnitude(dx, dy)

cv2.imshow('image', img)
cv2.imshow('result', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中，dx 和 dy 分别表示在 x 和 y 方向上的梯度。

b. Canny 算法

可以使用 cv2.Canny() 函数进行 Canny 算法的边缘检测。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

result = cv2.Canny(gray, 100, 200)

cv2.imshow('image', img)
cv2.imshow('result', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中，100 和 200 分别表示 Canny 算法中高低阈值的比例。

目标检测

a. Haar 特征分类器

可以使用 cv2.CascadeClassifier() 函数加载 Haar 特征分类器，并使用 detectMultiScale() 函数进行目标检测。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5, minSize=(30, 30))

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('image', img)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中，scaleFactor、minNeighbors 和 minSize 分别表示检测窗口的缩放比例、邻域个数和最小窗口大小。

b. HOG+SVM

可以使用 cv2.HOGDescriptor() 函数创建 HOG 描述符对象，并使用 SVM 分类器进行目标检测。以下是示例代码：

import cv2

img = cv2.imread('image.jpg')

hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
rects, weights = hog.detectMultiScale(img, winStride=(8, 8), padding=(32, 32), scale=1.05)

for (x, y, w, h) in rects:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('image', img)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中，winStride、padding 和 scale 分别表示检测窗口的步长、填充大小和缩放比例。

四、实验结果

本实验中的所有代码均在 Python 3.6 环境下测试通过。以下是实验结果的部分截图：

图 1、原始图像

图 2、调整亮度和对比度后的图像

图 3、色彩平衡后的图像

图 4、直方图均衡化后的图像

图 5、Sobel 算法的边缘检测结果

图 6、Canny 算法的边缘检测结果

图 7、Haar 特征分类器的人脸检测结果

图 8、HOG+SVM 的行人检测结果

五、实验总结

本实验通过使用 OpenCV 库，介绍了机器视觉的基本概念和原理，并实现了图像处理、边缘检测和目标检测等常用算法。通过本实验，我们可以更好地理解机器视觉的应用和意义，为后续的深入学习和研究打下基础。