OpenCV 使用方式与典型场景：Python 与 C++ 两个可运行示例

使用方式与典型场景：Python 与 C++ 两个可运行示例

Python 适合做原型验证与算法调试，改一行就能重跑，是确定参数的最快路径。下面这段完成「读图 → 灰度 → 高斯滤波 → Canny 边缘 → 落盘」的经典链路：

import cv2
import numpy as np

img = cv2.imread("input.jpg", cv2.IMREAD_COLOR)   # 注意：默认是 BGR
if img is None:
    raise SystemExit("imread failed, check path and codec support")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
edges = cv2.Canny(blur, 50, 150)

cv2.imwrite("edges.png", edges)
print("shape:", img.shape, "dtype:", img.dtype)

Python 版本同样能跑 dnn，用于验证模型输入输出形状、确定阈值，这一步做完再迁到 C++：

import cv2
import numpy as np

net = cv2.dnn.readNetFromONNX("model.onnx")
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)

img = cv2.imread("input.jpg")
blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (640, 640),
                             swapRB=True, crop=False)
net.setInput(blob)
outs = net.forward()
print("output shape:", outs.shape)

C++ 是端侧落地的形式，逻辑与 Python 一致，差别主要在类型显式化与内存管理：

#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>

int main()
{
    cv::Mat img = cv::imread("input.jpg", cv::IMREAD_COLOR);
    if (img.empty()) {
        std::cerr << "imread failed" << std::endl;
        return -1;
    }

    // 预处理：转 RGB，再交给 blobFromImage 做缩放与归一化
    cv::Mat rgb;
    cv::cvtColor(img, rgb, cv::COLOR_BGR2RGB);

    cv::dnn::Net net = cv::dnn::readNetFromONNX("model.onnx");
    net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
    net.setPreferableTarget(cv::dnn::DNN_TARGET_CPU);

    cv::Mat blob = cv::dnn::blobFromImage(rgb, 1.0 / 255.0,
                                          cv::Size(640, 640),
                                          cv::Scalar(), false, false);
    net.setInput(blob);
    cv::Mat out = net.forward();

    std::cout << "output dims: " << out.dims << std::endl;
    return 0;
}

编译时按安装前缀指定头文件与库路径，静态链接时把依赖一起带上。具体链接哪些第三方库与编译选项有关，遇到未定义符号时按报错逐个补：

g++ -O2 detect.cpp -o detect \
  -I./install-arm64/include/opencv4 \
  -L./install-arm64/lib \
  -lopencv_core -lopencv_imgproc -lopencv_imgcodecs -lopencv_dnn

适合用 OpenCV 的场景：需要在端侧完成确定性图像处理与轻量推理、需要一套代码同时覆盖原型与产品、需要相机标定与几何测量这类成熟算法、以及团队要在 Python 与 C++ 之间来回切换。它在这类场景里的优势是接口稳定、文档与社区足够厚。

不适合的场景：需要训练模型（该用训练框架）、需要极致的推理吞吐与算子覆盖（该评估专用推理引擎）、需要在没有操作系统的 MCU 上跑（完整 OpenCV 不面向裸机，需要用它的裁剪版或选择更轻的库）、以及只需要极少量图像操作却引入了完整依赖链的场景——为一个 resize 背上一整套库并不划算。