前言：
jetson nano前一篇给大家介绍了学习的一些思路和资料，今天继续给大家分享一篇在jetson nano使用opencv的文章。
OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发，以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。
在视觉处理中，opencv使用是基础的部分，所以在板卡使用过程中，opecv使用是第一道关。接下来我给大家介绍一下，在jetson nano里面使用opencv的python版本和c++版本的过程，其中c++使用部分会分别给大家介绍cmake和makefile编译两种方法。
作者：良知犹存
转载授权以及围观：欢迎关注微信公众号：羽林君
或者添加作者个人微信：become_me
oepcv介绍:
OpenCV 的目标是为计算机视觉需要解决的问题提供工具。在某些情况下，函数库中的高级功能可以有效解决计算机视觉中的问题。即使遇到不能够一次性解决的问题，函数库中的基础组件也具有足够的完备性来增强解决方案的性能，以应对任意的计算机视觉难题。
基本功能：
opencv的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶，此外，它还提供了机器学习模块，你可以使用正态贝叶斯、K最近邻、支持向量机、决策树、随机森林、人工神经网络等机器学习算法。
注：示例代码参考了其他博主文章。
opencv-python使用:
opencv-python使用比较简单，import导入cv2，这样我们就可以使用opencv-python模块的函数执行我们需要的动作了，下面介绍了一个比较简单的图像转换的demo。
opencv-python安装
pip3 install opencv-python
示例代码：
""" 彩图转灰度图 """ #import 导入模块，每次使用模块中的函数都要是定是哪个模块。 #from…import * 导入模块，每次使用模块中的函数，直接使用函数就可以了；注因为已经知道该函数是那个模块中的了 from skimage.color import rgb2gray #skimage图形处理库 color是颜色空间转换子模块 pip install scikit-image import numpy as np import matplotlib.pyplot as plt #matlab的python库 pip install matplotlib from PIL import Image # Python Imaging Library 图像处理库 pip install pillow import cv2 #图像灰度化 #cv2的方式 img = cv2.imread("/home/lyn/Pictures/318c944a7daa47eaa37eaaf8354fe52f.jpeg") h,w = img.shape[:2] #获取图片的high和wide img_gray=np.zeros([h,w],img.dtype) #创建一张和当前图片大小一样的单通道图片 for i in range(h): for j in range(w): m = img[i,j] img_gray[i,j] =int(m[0]*0.11+m[1]*0.59+m[2]*0.3) #将BGR坐标转换为gray坐标 print(img_gray) print("image show grap:%s"%img_gray) cv2.imshow("imageshow gray", img_gray) #plt方式 plt.subplot(221) #表示将整个图像窗口分为2行2列, 当前位置为1. img = plt.imread("/home/lyn/Pictures/318c944a7daa47eaa37eaaf8354fe52f.jpeg") plt.imshow(img) print("----image lenna -----") print(img) #灰度化 img_gray = rgb2gray(img) plt.subplot(222) plt.imshow(img_gray,cmap="gray") print("-----image gray-------") print(img_gray) #二值化 img_binary = np.where(img_gray >= 0.5, 1, 0) print("-----imge_binary------") print(img_binary) print(img_binary.shape) #plt方式 plt.subplot(223) plt.imshow(img_binary, cmap='gray') plt.show()
opencv c++使用:
opencv-c++安装
一般系统使用opencv 需要我们自己去官网：https://opencv.org，下载自己对应的包，然后camke->make->make install ，直至把编译好的opencv的文件安装到指定目录。
但是在Jetson Nano的镜像包中，预装了opencv4，版本的话是从4.1版本以后的。
我使用命令查询之后，我安装的镜像opencv版本是4.1.1
jetson@jetson-desktop:/usr/include/opencv4/opencv2$ opencv_version 4.1.1
C++下开发Opencv需要进行一些额外的配置，先看一下opencv的头文件位置。
jetson中，opencv的头文件在这个目录 /usr/include/opencv4/，待会要把该目录写如编译链接文件中去。
链接文件位置：
ls libopencv*
具体路径为 /usr/lib/aarch64-linux-gnu，待会也要把该目录写如编译链接文件中去。
在c++开发中，我们一般会使用make工具或者cmake工具，帮助我们进行打包编译，这里我也给大家分享makefle和cmake两种c++调用opencv的库。
makefile
Makefile文件分享，注意这里 LIBS 链接的opencv链接的具体文件，需要一个一个写进去。这里我随便写了几个常用的包，大家可以按照需求自行添加。
OBJS = *.o CFLAGS = -Wall -g -std=c++11 CC = gcc CPP = g++ INCLUDES +=-I /usr/include/opencv4/ -I /usr/local/include #编译头文件目录 LIBS += -L/usr/lib/aarch64-linux-gnu -lopencv_core -lopencv_imgcodecs -lopencv_imgproc -lopencv_highgui -lopencv_objdetect #链接具体使用的库 target:${OBJS} # g++ -o target boost_thread.o -llua -ldl @echo "-- start " ${CC} ${CFLAGS} ${OBJS} -o $@ ${INCLUDES} ${LIBS} $(CPP) ${CFLAGS} ${OBJS} -o $@ ${INCLUDES} ${LIBS} clean: -rm -f *.o core *.core target %.o:%.cpp #将src目录下所有的.cpp文件编译成.o文件 ${CPP} ${CFLAGS} ${INCLUDES} -c $<
代码show_img.cpp：
#include <opencv2/opencv.hpp> #include <iostream> using namespace std; using namespace cv; int main(int argc,char** argv) { std::cout<<"hello opencv"<<std::endl; //灰度图显示 Mat src = imread("/home/jetson/lyn_work/c++/sp_noise.png",IMREAD_GRAYSCALE);//读取进来的数据以矩阵的形势,第二个参数代表显示一张灰度图像。 if (src.empty()) { std::cout<<"could not load image"<<endl;//如果图片不存在 将无法读取，打印到终端。 } //超过屏幕的图像无法显示时候调用此函数。 namedWindow("输入窗口", WINDOW_GUI_EXPANDED);//创建了一个新窗口，参数1表示名称，第二个参数代表一个自由的比例 imshow("输入窗口", src);//表示显示在新创建的输入窗口上，第一个参数表示窗口名称，src表示数据对象Mat waitKey(0);//执行到这句，程序阻塞。参数表示延时时间。单位ms destroyAllWindows();//销毁前面创建的显示窗口 return 0; }
编译并执行：
make
./target
cmake
对应CMakeLists.txt文件内容：
cmake编译中，我们使用的链接对应OpenCV动态库文件就不用像Makefile文件那样要一个个添加了，cmake相当与添加了所有的opencv链接文件，这个是很方便的。所以后面cmake的类子里面，我多写了一个范例。
cmake_minimum_required( VERSION 2.8 ) # 声明一个 cmake 工程 project(opencv_learn) # 设置编译模式 #set( CMAKE_BUILD_TYPE "Debug" ) #添加OPENCV库 #指定OpenCV版本，代码如下 #find_package(OpenCV 4.2 REQUIRED) #如果不需要指定OpenCV版本，代码如下 find_package(OpenCV REQUIRED) include_directories( ./src/) #添加OpenCV头文件 include_directories(${OpenCV_INCLUDE_DIRS}) #显示OpenCV_INCLUDE_DIRS的值 message(${OpenCV_INCLUDE_DIRS}) FILE(GLOB_RECURSE TEST_SRC #src/*.cpp #src/*.c ${CMAKE_SOURCE_DIR}/*.cpp ${CMAKE_SOURCE_DIR}/*.cp ) # 添加一个可执行程序 # 语法：add_executable( 程序名 源代码文件 ） add_executable(target show_img.cpp ${TEST_SRC}) # 将库文件链接到可执行程序上 target_link_libraries(target ${OpenCV_LIBS})
执行cmake编译：
mkdir build cmake .. make
demo1 ：使用了和make示例同样的show_img.cpp代码文件，内容参考上面：
./target
demo2 ：使用C++编程读取CSI摄像头，可以看到已经可以正常的显示视频流图像了，但是由于vnc连接的原因，颜色也有些失真.
CMakeLists.txt增加两行：
add_executable(open_csi open_csi.cpp ${TEST_SRC}) target_link_libraries(open_csi ${OpenCV_LIBS})
open_csi.cpp代码文件如下：
#include <iostream> #include <string> #include <opencv4/opencv2/opencv.hpp> #include <opencv4/opencv2/core.hpp> #include <opencv4/opencv2/highgui.hpp> #include <opencv4/opencv2/imgproc.hpp> #include <opencv4/opencv2/objdetect.hpp> #include <opencv4/opencv2/imgproc/types_c.h> #include <opencv4/opencv2/videoio.hpp> using namespace std; using namespace cv; string gstreamer_pipeline (int capture_width, int capture_height, int display_width, int display_height, int framerate, int flip_method) { return "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=(int)" + to_string(capture_width) + ", height=(int)" + to_string(capture_height) + ", format=(string)NV12, framerate=(fraction)" + to_string(framerate) + "/1 ! nvvidconv flip-method=" + to_string(flip_method) + " ! video/x-raw, width=(int)" + to_string(display_width) + ", height=(int)" + to_string(display_height) + ", format=(string)BGRx ! videoconvert ! video/x-raw, format=(string)BGR ! appsink"; } int main( int argc, char** argv ) { int capture_width = 1280 ; int capture_height = 720 ; int display_width = 1280 ; int display_height = 720 ; int framerate = 60 ; int flip_method = 0 ; //创建管道 string pipeline = gstreamer_pipeline(capture_width, capture_height, display_width, display_height, framerate, flip_method); std::cout << "使用gstreamer管道: \n\t" << pipeline << "\n"; //管道与视频流绑定 VideoCapture cap(pipeline, CAP_GSTREAMER); if(!cap.isOpened()) { std::cout<<"打开摄像头失败."<<std::endl; return (-1); } //创建显示窗口 namedWindow("CSI Camera", WINDOW_AUTOSIZE); Mat img; //逐帧显示 while(true) { if (!cap.read(img)) { std::cout<<"捕获失败"<<std::endl; break; } int new_width,new_height,width,height,channel; width=img.cols; height=img.rows; channel=img.channels(); //调整图像大小 new_width=640; if(width>800) { new_height=int(new_width*1.0/width*height); } resize(img, img, cv::Size(new_width, new_height)); imshow("CSI Camera",img); int keycode = cv::waitKey(30) & 0xff ; //ESC键退出 if (keycode == 27) break ; } cap.release(); destroyAllWindows() ; }
显示效果如截图所示：
结语
这就是我对jetson nano使用opencv的基础分享，后面我们就可以基于opencv做一些更有意思的项目了，比如人脸识别，物体识别，姿态识别等等。如果大家有更好的想法和需求，也欢迎大家加我好友交流分享哈。
作者：良知犹存，白天努力工作，晚上原创公号号主。公众号内容除了技术还有些人生感悟，一个认真输出内容的职场老司机，也是一个技术之外丰富生活的人，摄影、音乐 and 篮球。关注我，与我一起同行。
