这门课解决什么问题

很多做传统机器视觉或工业检测的岗位，日常面对的是零件缺陷识别、物料定位、图像预处理等任务。这类场景不需要深度学习那套庞大算力，而是依赖 OpenCV 的经典算法做几何变换、形态学操作和轮廓提取。这门课正是针对这类需求，把 C++ 结合 OpenCV 的基础图像处理流程拆解开来。它不教你怎么训模型，而是解决最底层的痛点：怎么用代码把图片读进来、怎么按掩膜规则改像素、怎么把目标物体的轮廓圈出来。如果你做的是流水线视觉质检、医疗影像预处理，或者需要给算法模型做前期数据清洗，这套流程是绕不开的基本功。

适合什么基础与学习顺序

资料默认你已经具备基本的 C++ 语法基础，至少能看懂指针、循环和函数调用，但不需要精通设计模式。如果你完全没写过 C++，建议先补完基础语法再看这套资料，否则在环境配置和指针操作环节容易卡壳。学习时建议按三个层级推进：先啃环境配置和像素读写，这部分看似枯燥，但是后续所有操作的地基，务必保证程序能成功读图并显示；接着重点看图像基本操作模块，特别是掩膜、模糊、阈值和形态学，这是工业场景里去噪和目标分割的核心；最后再进入进阶操作，优先看轮廓提取和连通区域分析，因为这两块在实际业务中用来定位目标物体的频率最高。

学完能做什么与资料怎么用

学完后，你应该能独立写出一个图像预处理工具：把一张含有杂点的输入图读入，通过灰度化、二值化去掉背景，用腐蚀膨胀操作消除孤立噪点，最后提取出目标物体的轮廓并计算其外接矩形。在配合资料练习时，不要只看不敲。建议每看完一个基础操作，就自己找一张真实照片来跑一遍代码，尝试修改参数看效果差异。比如学到形态学操作时，把腐蚀和膨胀的迭代次数分别调大，观察图像边缘的具体变化。学到滑块条交互时，试着把它和阈值操作结合起来，做个能动态调节二值化阈值的演示程序。只有把参数调到自己能预测输出结果，才算真正把这套资料吃透。


01 C++Opencv

课程目录

*   01 C++Opencv/

  *   01 OpenCV 入门/

    *   01 OpenCV安装与配置

    *   02 OpenCV最简单的程序

  *   02 OpenCV图像基础/

    *   01 图像读取与显示

    *   02 图像色彩模型与转换

    *   03 图像像素读写操作

    *   04 图像像素算术运算

    *   05 图形绘制与文字输出

  *   03 OpenCV基础交互/

    *   01 鼠标交互

    *   02 视频读写

    *   03 滑块条交互

  *   04 OpenCV图像基本操作/

    *   01 图像截取操作

    *   02 图像掩膜操作

    *   03 图像模糊操作

    *   04 图像阈值操作

    *   05 图像形态学操作之腐蚀和膨胀

    *   06 图像形态学操作之开和闭操作

  *   05 OpenCV图像进阶操作/

    *   01 图像连通区域操作

    *   02 图像轮廓操作

    *   03 图像凸包操作

    *   04 图像几何操作

    *   05 图像直方图操作

    *   06 图像金字塔操作

  *   06 OpenCV图像检测/

    *   01 图像边缘检测

    *   02 图像角点检测

    *   03 图像纹理检测

    *   04 LBP描述纹理

  *   07 OpenCV图像特征检测/

    *   01 SIFT特征检测

    *   02 FAST特征检测

    *   03 BRISK特征检测

    *   04 ORB特征检测

    *   05 MSER特征检测

    *   06 SimpleBlob特征检测

    *   07 KAZE特征检测

    *   08 AKAZE特征检测

    *   09 GFTT特征检测

    *   10 AGAST特征检测

  *   08 OpenCV图像特征匹配/

    *   01 FLANN特征匹配

    *   02 暴力特征匹配

    *   03 模板匹配

    *   04 KNN匹配

    *   05 RANSAC匹配

  *   09 OpenCV图像分割与修复/

    *   01 图像分割基础

    *   02 图像分割之分水岭法

    *   03 图像分割之GrabCut

    *   04 图像分割之meanshift

    *   05 图像分割之MOG

    *   06 图像修复

  *   10 OpenCV图像识别/

    *   01 Haar基础

    *   02 Haar人脸识别

    *   03 Haar眼睛识别

    *   04 Haar笑脸识别