OpenCV für C++: Vollständiger Leitfaden mit Beispielen

Was ist OpenCV und wozu wird es benötigt?

\n\n

OpenCV (Open Source Computer Vision Library) ist eine plattformübergreifende Open-Source-Bibliothek für Aufgaben des maschinellen Sehens und des maschinellen Lernens. Sie bietet über 2500 optimierte Algorithmen, die nahezu alle Bereiche des maschinellen Sehens abdecken: von der einfachen Bildverarbeitung (Filterung, geometrische Transformationen) bis hin zu komplexen Aufgaben (Gesichtserkennung, Objektverfolgung, 3D-Rekonstruktion, Videoanalyse).

\n\n

Die Bibliothek ist in C++ und C geschrieben, was eine hohe Leistung gewährleistet, und verfügt über Anbindungen an Python, Java, MATLAB und andere Sprachen. In diesem Leitfaden konzentrieren wir uns auf die Verwendung von OpenCV in C++ – dies ist die optimale Wahl für Produktionssysteme, bei denen Geschwindigkeit und effiziente Speicherverwaltung entscheidend sind.

\n\n

Wozu wird OpenCV benötigt?

\n

\n
• Bildverarbeitung: Größenänderung, Drehung, Filterung, Kontrastverbesserung, Farbkorrektur.
\n
• Videoanalyse: Lesen/Schreiben von Videos, Bewegungserkennung, Objektverfolgung.
\n
• Objekterkennung: Gesichter, Autos, Text (OCR), Gesten.
\n
• Kamerakalibrierung: Beseitigung von Verzerrungen, Stereosehen.
\n
• Maschinelles Lernen: Integrierte Klassifikatoren (SVM, KNN, Decision Trees) und Integration mit DNN (Deep Neural Networks) für die Arbeit mit Modellen von TensorFlow, Caffe, PyTorch.
\n

\n\n

Installation von OpenCV für C++

\n\n

Im Gegensatz zu Python, wo ein einziger Befehl pip install opencv-python ausreicht, erfordert die Installation von OpenCV für C++ die Kompilierung oder die Verwendung vorgefertigter Binärpakete. Betrachten wir die wichtigsten Methoden.

\n\n

1. Installation über den Paketmanager (Linux/macOS)

\n

Ubuntu/Debian:

\n

sudo apt update\nsudo apt install libopencv-dev

\n

macOS (Homebrew):

\n

brew install opencv

\n\n

2. Installation über vcpkg (Windows, Linux, macOS)

\n

vcpkg ist ein plattformübergreifender Paketmanager von Microsoft. Installieren Sie zunächst vcpkg:

\n

git clone https://github.com/Microsoft/vcpkg.git\ncd vcpkg\n./bootstrap-vcpkg.sh  # Linux/macOS\n.\\bootstrap-vcpkg.bat # Windows

\n

Installieren Sie dann OpenCV:

\n

./vcpkg install opencv4

\n

Binden Sie die Bibliothek nach der Installation in CMake ein:

\n

cmake_minimum_required(VERSION 3.10)\nproject(MyOpenCVProject)\nfind_package(OpenCV REQUIRED)\nadd_executable(main main.cpp)\ntarget_link_libraries(main ${OpenCV_LIBS})

\n\n

3. Kompilierung aus dem Quellcode (fortgeschrittene Stufe)

\n

Diese Methode bietet maximale Kontrolle über die enthaltenen Module und Optimierungen:

\n

git clone https://github.com/opencv/opencv.git\ncd opencv\nmkdir build && cd build\ncmake -D CMAKE_BUILD_TYPE=RELEASE \\\n      -D CMAKE_INSTALL_PREFIX=/usr/local \\\n      -D WITH_TBB=ON \\\n      -D WITH_V4L=ON \\\n      -D WITH_QT=ON \\\n      -D WITH_OPENGL=ON ..\nmake -j$(nproc)\nsudo make install

\n\n

Schnellstart: Bild laden und anzeigen

\n

Überprüfen wir, ob OpenCV korrekt installiert ist, indem wir ein einfaches Programm schreiben, das ein Bild lädt, es in Graustufen umwandelt und anzeigt.

\n\n

#include <opencv2/opencv.hpp>\n#include <iostream>\n\nint main() {\n    // Bild laden\n    cv::Mat img = cv::imread("example.jpg");\n    if (img.empty()) {\n        std::cerr << "Bild konnte nicht geladen werden!" << std::endl;\n        return -1;\n    }\n\n    // In Graustufen umwandeln\n    cv::Mat gray;\n    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);\n\n    // Beide Bilder anzeigen\n    cv::imshow("Original", img);\n    cv::imshow("Graustufen", gray);\n\n    // Auf Tastendruck warten\n    cv::waitKey(0);\n    cv::destroyAllWindows();\n\n    return 0;\n}
                
    

  
Auch in der Bibliothek
  

                
                  
                 PDF-Berichte mit PHP generieren: Überblick über Bibliotheken und Werkzeuge
      
                
                  
                 Serde für Rust: Vollständige Anleitung mit Beispielen
      
                
                  
                 Arbeiten mit Excel in Rust: Bibliotheken zum Lesen und Schreiben
      
                
                  
                 Gensim: Textanalyse & Word2Vec Modelle in Python
      
                
                  
                 Scikit-learn – maschinelles Lernen