本期將帶大家帶來一期可以稱作番外篇的一期：暫且稱為OpenCV實戰篇，將介紹OpenCV的一些基礎使用方法，以及在MCU上實際運行起來的效果。

首先是OpenCV的簡單介紹，前面的文章已經介紹過，OpenCV具有模塊化的結構，這意味著其中包含了多種共享/靜態庫，概括如下：

• Core functionality：定義了所要用到的基礎數據結構體

• Image Processing：包含了多種線性/非線性的圖像濾波器，幾何圖像變換等

• Video：視頻處理模塊，包括運動估計，背景減除等

• Calib3d：單目/雙目相機支持，3D重建等

• Features2D：特征檢測

• Objdetect：目標檢測等，例如人臉、眼睛等

• Highgui：簡單的UI功能

• Video I/O：視頻編解碼接口

• Gpu：gpu加速算法

所有的OpenCV類/函數都被歸在cv命名空間下。因此，應用層想要訪問任何代碼都需要使用cv::限定符或是直接使用using namespace cv，例如：

cv::Mat H = cv::findHomography(points1, points2, CV_RANSAC, 5);

using namespace cv;
Mat H = findHomography(points1, points2, CV_RANSAC, 5 );

同時，由于當前或是之后的OpenCV源碼中導出的外部符號，可能會和STL或是其他庫中的名字沖突。這就建議用戶在使用時，要顯示指定已避免沖突，例如：

Mat a(100, 100, CV_32F);
randu(a, Scalar::all(1), Scalar::rand()));
cv::log(a, a);
a /= std::log(2.);

接下來要講的是一個OpenCV中的重要結構Mat。

如果你想要使用OpenCV的話，Mat是你無論如何躲不過的一步。通俗點講，這個結構體代表了一種n維數組，并且能夠抽象表達成矩陣/圖像/光流圖等。

其公共屬性如下：

作為一個名副其實的C++類，OpenCV為其編寫了多種構造函數，這也使得有多種方式能夠創建一個cv::Mat對象，用的比較多的幾種方式如下：

1.使用cv::Create(nrows, ncols, type) 或是 cv::Mat(nrows, ncols, type[, fill,_vale])如有雷同，那必然不是巧合。

// make 7x7 complex matrix filled with 1+3j.
cv::Mat M(7,7,CV_32FC2,Scalar(1,3));
// and now turn M to 100x60 15-channel 8-bit matrix.
// The old content will be deallocated
M.create(100,60,CV_8UC(15));

2.使用拷貝構造函數，時間復雜度為O(1)，因為這種方式將只拷貝header并增加引用計數，數據部分將公用，也稱作淺拷貝。當然也可以使用深拷貝，cv::clone()可以做到這一點。

void init_mat_with_ptr(const unsigned char* pixels,
                         int width, int height, int step)
{
    cv::Mat img(height, width, CV_8UC3, pixels, step);
    cv::GaussianBlur(img, img, cv::Size(7,7), 1.5, 1.5);
}

4.使用MATLAB格式的矩陣初始化法，cv::zeros(), cv::ones(), cv::eye()

5.對象與數據空間的釋放：cv::release()

了解了OpenCV的基礎知識，下面是基于MCUXPresso的代碼實測部分。這里我們基于SDK中的“Hello World”工程搭建我們的第一個OpenCV代碼。小編先賣個關子，詳細的工程配置方法將在下期為大家揭秘。

首先，要選取測試圖，小編隨便在手機里找了一張圖片并裁成500*500的jpg圖像，之后會對其進行解碼隨后將其放縮成(320, 240)。

為了方便我們在沒有文件系統的MCU平臺使用測試圖像，需要借助一條匯編指令.incbin, 并且聲明兩個全局符號告訴代碼數據位置:

  .global img_start
  .global img_end

img_start:
 .incbin "data/picture.jpg"
img_end:

接下來是main函數：

// decode the image
std::vector data(img_start, img_start + IMG_LEN);
cv::Mat img_encode(data);
cv::Mat img = cv::imdecode(img_encode, cv::IMREAD_UNCHANGED);
// resize the decoded imagecv::Mat resizeImg;
cv::resize(img, resizeImg, cv::Size(320, 240), cv::INTER_LINEAR);

編譯下載后，讓我們看看轉出的數據是不是正確，我們就需要將數據傳輸到PC上進行驗證：

1.在MCUXpresso IDE中添加一個memory窗口并且鍵入resizeImage.data:

2. 點擊Export，輸入起止地址，IDE會自動計算長度。選擇保存類型為RAW Binary, 并選擇本地保存位置

3.點擊OK下載數據

4. 為了驗證數據的準確性，我們直接編寫一個簡單的上位機OpenCV的基于Python的預覽程序，代碼中的文件名對應第2步保存的文件：

import numpy as np
import cv2 as cv 
img_raw_data = np.fromfile(“your_path/your_file_name.bin”, dtype=”uint8”)
img = np.reshape(img_raw_data, (240, 320, 3)) # the new shape
cv.imshow(“img”, img)
cv.waitKey(0)

注意：這里假設電腦上已經安裝了Python，并且安裝了numpy以及opencv代碼庫

5. 程序執行之后，讓我們看看最終結果：

至此，我們就用了一個簡單的代碼驗證了我們所編譯的OpenCV庫的正確性。下期小編將為大家揭秘，如何從0開始構建一個完整的OpenCV測試例程。