上位机图像处理和嵌入式模块部署（自定义算法）

我们在使用opencv的时候，虽然大部分算法都不需要我们自己重头开始编写，但是总有一些关于我们自己产品的know-how，是之前库里本来就不存在的。所以，这个时候，我们还是希望能够借助于opencv实现一些自定义的算法，这样可以满足客户个性化的需求，也可以提高自己的竞争力。另外，即使是opencv库里面已经有的算法，由于它本身面对的是通用平台，因此很难对相关代码进行专门的硬件优化，所以即使是已经存在的算法，有的时候还是需要重新写一遍，出一个针对专门硬件的加速版本，这都是常有的事情。

1、复用之前的opencv部署步骤

一开始，我们还是需要创建一个console工程、配置好include目录、配置好lib目录、拷贝好必要的dll文件、准备好测试图片，这些都是少不了的。由于这些内容之前都已经谈到过，所以，这里不再赘述。

2、编写自定义函数

编写自定义函数的核心主要有三个，第一，相关的数据结构是什么？很明显，在opencv下面，数据的保存方式就是cv::Mat。第二，怎么获取像素值？一般来说，直接使用image.at<uchar>(i,j)的方式，就可以获得像素值。第三，怎么设置像素值，做法和第二点一样，不同的是前面是读取，这个直接赋值给它即可。所以，如果我们需要用它来写一个简单的二值化函数，一般可以这么来做，

#include <opencv2/opencv.hpp>
#include <iostream>

// self defined image processing function
void customThreshold(const cv::Mat& inputImage, cv::Mat& outputImage, int thresholdValue) 
{
	// make sure this is single channel 
	CV_Assert(inputImage.channels() == 1);

	// copy image
	outputImage = inputImage.clone();

	// loop to check each pixel
	for (int i = 0; i < outputImage.rows; ++i) 
	{
		for (int j = 0; j < outputImage.cols; ++j) 
		{
			// get value
			uchar pixelValue = outputImage.at<uchar>(i, j);

			// set value
			outputImage.at<uchar>(i, j) = (pixelValue > thresholdValue) ? 255 : 0;
		}
	}
}

3、补充完剩余的图像处理代码

仅仅有customThreshold函数还是不够的，整个项目要想运行起来，还需要读取图片文件、保存图片文件、显示图片文件等内容。所以，我们继续把相关的代码补上即可，

// file starts here
int main() 
{
	// read image
	cv::Mat image = cv::imread("D:/lena.png");

	// check if image has been loaded successfully
	if (image.empty()) 
	{
		std::cout << "unable to load image here" << std::endl;
		return -1;
	}

	// transfer image to gray type
	cv::Mat grayImage;
	cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);

	// transfer gray image to binary image
	cv::Mat binaryImage;
	customThreshold(grayImage, binaryImage, 110);

	// show binary image
	cv::imshow("Binary Image", binaryImage);

	// wait for input
	cv::waitKey(0);
	return 0;
}

首先，还是和以前一样，通过cv::imread的方法读取图片。接着判断图片是否为空。判断结束后，先是把image转成grayImage，然后把grayImage继续转成binaryImage，最后显示binaryImage即可。当然，这里会调用一下cv::waitKey，没有按键输入的话，图片窗口会一直处于显示状态。