导航：首页 > 开发技术 >

OpenMV如何实现图像处理

发表于：2026-11-01 作者：千家信息网编辑

千家信息网最后更新 2026年11月01日，这篇文章主要为大家展示了"OpenMV如何实现图像处理"，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下"OpenMV如何实现图像处理"这篇文章吧。一、图像处理

千家信息网最后更新 2026年11月01日OpenMV如何实现图像处理

这篇文章主要为大家展示了"OpenMV如何实现图像处理"，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下"OpenMV如何实现图像处理"这篇文章吧。

一、图像处理基础知识

1.摄像头：光学信号转换成电信号。计算机视觉中，最简单的模型是小孔成像模型。
小孔成像是一种理想模型，实际镜头会存在场曲和畸变等，但可以通过在标定过程中引入畸变参数解决，仍可广泛使用。

2.像素和分辨率

3.帧率：每秒钟处理的图片数量，>20人眼分辨不出卡顿。

4.颜色：不同波长的电磁波
通过RGB. CMYK HSB LAB色域来描述
RGB：三原色原理不是物理原因而是人的生理原因造成（锥形感光细胞）
LAB：L（亮度）、A（+：红色，-：绿色）、B（+：黄色，-：蓝色）用来接近人类视觉
L用来调整亮度对，a和b用来输出色阶来做精确的颜色平衡（查找色块算法）
HSB/HSV：H（Hue色相）、S（Saturation饱和度）、B（Brightness明度）
HSL：L（亮度）
CMYK：C（蓝色）、M（红色）、Y（黄色）、K（黑色）
CMYK和RGB的区别：
（1）CMYK是减色模式，而RGB是加色模式
（2）CMYK需要外界光源才能看到，印刷品颜色；RGB是屏幕显示发光的色彩模式，在黑暗房间也能看到

5.光源的选择（光源对整个画面的颜色变化有很大影响）

6.镜头的焦距和镜头畸变
焦距决定了拍摄的成像大小，视场角大小，景深大小和画面的透视强弱。焦距长成像大（视角越小），焦距短成像小
镜头畸变：用代码矫正镜头或直接使用无畸变镜头（加入了额外的矫正透镜部分）
在感光芯片上的不同位置，与镜头距离不同近大远小，在边缘出现鱼眼效果（桶形畸变）
标配镜头--桶形畸变
广角镜头--同样的区域取景范围大了
无畸变镜头
长焦镜头--锁定原来图像中的某一具体物体

7.镜头的滤片
滤掉红外光（根据需要滤掉不同波长的光），红外光在正常分析颜色图片的时候会使图像泛白影响分析。（只能通过650nm以内的）

二、OpenMV图像处理的基本方法

1. 感光元件

sensor模块，用于设置感光元件的参数。

sensor常用函数：

import sensor # 引入感光元件部分# 设置摄像头sensor.reset() # 初始化感光元件sensor.set_pixformat(sensor.RGB565)# 设置像素模式 sensor.GRAYSCALE：灰度，每个像素8bit， sensor.RGB565:彩色。每个像素16bitsensor.set_framesize(sensor.QVGA)# 设置图像大小sensor.skip_frames(n)# n是跳过的帧数，等待感光元件稳定# 拍摄while(True):   img = sensor.snapshot();# 拍摄一张照片，img为一个image对象# 自动增益/白平衡/曝光sensor.set_auto_gain() # True开启；False关闭，使用颜色追踪时，需关闭sensor.set_auto_whitebal() # True开启；False关闭，使用颜色追踪时，需关闭sensor.set_auto_exposure(enable[\,exposure_us])# enable True打开/False关闭# 如果关闭可以自己设置一个曝光值us为单位# 设置窗口ROIsensor.set_windowing(roi) #roi的格式是(x, y, w, h)的tupple.sensor.set_framesize(sensor.VGA)sensor.set_windowing((640,80))#选择出自己想要的元素# 设置翻转sensor.set_hmirror(True)# 水平方向翻转sensor.set_vflip((True)# 垂直方向翻转

sensor图像大小常用数据

sensor.QQCIF: 88x72sensor.QCIF: 176x144sensor.CIF: 352x288sensor.QQSIF: 88x60sensor.QSIF: 176x120sensor.SIF: 352x240sensor.QQQQVGA: 40x30sensor.QQQVGA: 80x60sensor.QQVGA: 160x120sensor.QVGA: 320x240sensor.VGA: 640x480sensor.HQQQVGA: 80x40sensor.HQQVGA: 160x80sensor.HQVGA: 240x160sensor.B64X32: 64x32 #(用于帧差异 image.find_displacement())sensor.B64X64: 64x64 #用于帧差异 image.find_displacement())sensor.B128X64: 128x64 #(用于帧差异 image.find_displacement())sensor.B128X128: 128x128 #(用于帧差异 image.find_displacement())sensor.LCD: 128x160 #(用于LCD扩展板)sensor.QQVGA2: 128x160 #(用于LCD扩展板)sensor.WVGA: 720x480 #(用于 MT9V034)sensor.WVGA2:752x480 #(用于 MT9V034)sensor.SVGA: 800x600 #(仅用于 OV5640 感光元件)sensor.XGA: 1024x768 #(仅用于 OV5640 感光元件)sensor.SXGA: 1280x1024 #(仅用于 OV5640 感光元件)sensor.UXGA: 1600x1200 #(仅用于 OV5640 感光元件)sensor.HD: 1280x720 #(仅用于 OV5640 感光元件)sensor.FHD: 1920x1080 #(仅用于 OV5640 感光元件)sensor.QHD: 2560x1440 #(仅用于 OV5640 感光元件)sensor.QXGA: 2048x1536 #(仅用于 OV5640 感光元件)sensor.WQXGA: 2560x1600 #(仅用于 OV5640 感光元件)sensor.WQXGA2: 2592x1944 #(仅用于 OV5640 感光元件)

2. 图像的基本运算

3. 使用图像的统计信息

使用ROI选择需要处理的图像区域，然后根据相应函数返回对所要研究区域的对应值。

image.get_statistics(roi=Auto)# roi bins之类的参数一定要显式声明 image.get_statistics(roi=(0,0,10,20))#statistics.mean() 返回灰度的平均数(0-255) (int)。你也可以通过statistics[0]获得。#statistics.median() 返回灰度的中位数(0-255) (int)。你也可以通过statistics[1]获得。#statistics.mode() 返回灰度的众数(0-255) (int)。你也可以通过statistics[2]获得。#statistics.stdev() 返回灰度的标准差(0-255) (int)。你也可以通过statistics[3]获得。#staistics.min() 返回灰度的最小值(0-255) (int)。你也可以通过statistics[4]获得。#statistics.max() 返回灰度的最大值(0-255) (int)。你也可以通过statistics[5]获得。#statistics.lq() 返回灰度的第一四分数(0-255) (int)。你也可以通过statistics[6]获得。#statistics.uq() 返回灰度的第三四分数(0-255) (int)。你也可以通过statistics[7]获得。# lab三个通道的相关信息#l_mean，l_median，l_mode，l_stdev，l_min，l_max，l_lq，l_uq，#a_mean，a_median，a_mode，a_stdev，a_min，a_max，a_lq，a_uq，#b_mean，b_median，b_mode，b_stdev，b_min，b_max，b_lq，b_uq，

4. 画图

将所研究区域标注出来

# 颜色可以是灰度值0-255，也可以是彩色值(r,g,b)的tuple，但是color必须显式注明，默认是白色image.draw_line((10,10,20,30),color=(255,0,0))image.draw_rectangle(rect_tuple,color=(255,0,0))# 画直线image.draw_line(line_tuple,color=White) # line_tuple=(x1,y1,x2,y2) 从(x1,y1)到(x2,y2)的直线# 颜色可以是灰度值（0-255），也可以是彩色值(r,g.b)的tuple# 在图像中画一个矩形框image.draw_rectangle(rect_tuple, color=White) # 在图像中画一个矩形框# rect_tuple 的格式是 (x, y, w, h)# 画圆image.draw_circle(x, y, radius, color=White) # 在图像中画一个圆# 圆心+半径# 画十字image.draw_cross(x, y, size=5, color=White) # 在图像中画一个十字# size是两侧的尺寸# 写字image.draw_string(x, y, text, color=White)# 在图像中写字 8x10的像素# xy是坐标，使用\n\r或\r\n会使光标移动到下一行# text是要写的字符串

5. 寻找色块

find_blobs函数的参数介绍：

image.find_blobs(thresholds, roi=Auto, x_stride=2, y_stride=1, invert=False, area_threshold=10, pixels_threshold=10, merge=False, margin=0, threshold_cb=None, merge_cb=None)# thresholds 颜色的阈值# roi感兴趣区# x_stride 查找的色块的x方向上最小宽度的像素，比如想要找x方向上宽度大于10的像素，=10即可（默认是2）# y_stride 查找的色块的y方向上最小宽度的像素（默认是1）# invert 反转阈值，将阈值以外的颜色作为阈值进行查找# area_threshold 面积阈值，如果色块被包围起来的面积小于这个值会被舍弃# pixels_threshold 像素个数阈值，如果色块的像素数量小于这个值，会被过滤掉# merge True，合并所有重叠的blob为1个，这个是合并所有的blob，无论什么颜色，如果想要分别混合的话，分别调用不同颜色阈值的find_blobs# margin 边界，如果设置为1，那么两个blobs如果间距1一个像素点，也会被合并# 合并所有all_blobs = img.find_blobs([red,blue,yellow],merge=True)# 单个合并red_blobs = img.find_blobs([red],merge=True)blue_blobs = img.find_blobs([blue],merge=True)yellow_blobs = img.find_blobs([yellow],merge=True)

find_blobs的返回值介绍：
find_blobs对象返回的是多个blob的列表，一个blobs列表里面包含很多的blob对象，blobs对象就是色块，每个blobs对象包含一个色块的信息。
可以使用for循环遍历色块：

blobs = img.find_blobs([red])for blob in blobs:        print(blob.cx())

色块blob对象

常见blob的方法：

blob.rect() #返回这个色块的外框--矩形元组(x, y, w, h)，可以直接在image.draw_rectangle中使用。blob.x() #返回色块的外框的x坐标（int），也可以通过blob[0]来获取。blob.y() #返回色块的外框的y坐标（int），也可以通过blob[1]来获取。blob.w() #返回色块的外框的宽度w（int），也可以通过blob[2]来获取。blob.h() #返回色块的外框的高度h（int），也可以通过blob[3]来获取。blob.pixels() #返回色块的像素数量（int），也可以通过blob[4]来获取。blob.cx() #返回色块的外框的中心x坐标（int），也可以通过blob[5]来获取。blob.cy() #返回色块的外框的中心y坐标（int），也可以通过blob[6]来获取。blob.rotation() #返回色块的旋转角度（单位为弧度）（float）。如果色块类似一个铅笔，那么这个值为0~180°。如果色块是一个圆，那么这个值是无用的。如果色块完全没有对称性，那么你会得到0~360°，也可以通过blob[7]来获取。blob.code() #返回一个16bit数字，每一个bit会对应每一个阈值。# 一个色块red-0001，blue-0010，如果是red和blue的merge得到的blob-0011blob.count() #如果merge=True，那么就会有多个blob被合并到一个blob，这个函数返回的就是这个的数量。如果merge=False，那么返回值总是1。也可以通过blob[9]来获取blob.area() #返回色块的外框的面积。应该等于(w * h)blob.density() #返回色块的密度。这等于色块的像素数除以外框的区域。#如果密度较低，那么说明目标锁定的不是很好。#比如，识别一个红色的圆，返回的blob.pixels()是目标圆的像素点数，blob.area()是圆的外接正方形的面积。

颜色阈值

# 分别是LAB的最小值和最大值red = (minL, maxL, minA, maxA, minB, maxB)# 如果是灰度图的话，只有min和maxgrey = (min,max)

颜色阈值的获得：

帧缓冲区是IDE实时获取的图像；图像文件是SD卡中存储的。

拖动滑块可以直接看到阈值的效果，想要的结果就是将目标颜色都变成白色，其他颜色全为黑色。

6. AprilTag实现标记跟踪

AprilTag是一个视觉基准系统，可用于各种任务，包括AR，机器人和相机校准。这个tag可以直接用打印机打印出来，而AprilTag检测程序可以计算相对于相机的精确3D位置，方向和id。

可以得到空间位置量和旋转角度进行3D定位

？？？

6. 模版匹配NCC

归一化互相关匹配
？？？
注意：

模版图片的大小如果超过openmv内置的flash，需要SD卡
创建或导入的模版必须是pgm格式的，而且大小不能超过openmv的像素大小
可以直接使用openmv截取模版图像，但是一定要注意转换成pgm格式

7. 多模版匹配

提前存取多个模版即可

8. 特征点检测

特征点检测要比模版匹配更加灵活，模版匹配只要大小和角度有一点不同，就可能匹配失败。但是特征点检测，在刚开始运行程序的时候，例程提取最开始的图像作为目标物体特征，kpts1保存目标物体的特征。默认会匹配目标特征的多种比例大小和角度，而不仅仅是保存目标特征时的大小角度。也可以提前保存目标特征，之前不这么做是因为每次运行程序光线不同特征不同，匹配度会降低，但是增加了对曝光度、白平衡、自动增益值的调节之后，相对来说会减弱光线的干扰，也可以提前保存特征（车里光线的干扰情况也得考虑。。）

例程有参考价值（待。。）
例程只支持灰度图，注意一下使用的特征提取算法是FAST/AGAST算法

9. 测距

第一种方法是Apriltag进行3D定位测距
第二种方法按照参照物距离的比例进行测距

得第一次通过一个实际距离已知的测距来得到参数k的值，然后再进行后面的计算。

OpenMV使用的是单目摄像头。
关于单目摄像头和双目摄像头：
无人驾驶的智能摄像头要求：看得远，质量高。
看得远长焦距，但视角会变窄，主要是反应时间充足；质量高采用黑白相机成像。
测距原理上，两种摄像头便完全不同。单目摄像头需要对目标进行识别，也就是说在测距前先识别障碍物是车、人还是别的什么。在此基础上再进行测距。而双目摄像头则更加像人类的双眼，主要通过两幅图像的视差计算来确定距离。双目摄像头当然也不是十全十美，因为需要靠计算来进行测距。其最大的难点就在于计算量巨大。这带来的直接问题就是小型化难度很大。

例程有参考价值（待。。）