SLAM从入门到精通（被忽视的基础图像处理）

本文主要是介绍SLAM从入门到精通（被忽视的基础图像处理），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

工业上用激光slam的多，用视觉slam的少，这是大家都知道的常识。毕竟对于工业来说，健壮和稳定是我们必须要考虑的事情。但是图像slam在这过程当中其实也可以扮演十分重要的角色，比如说地面如果非常有特征的话，黄色路面或者绿色路面。这个时候，即使全局的slam完成不了，那么也可以实现局部道路的slam导航。

ros里面其实也谈到了opencv，它是一个用的比较多的开发库。但是很多时候，上面的demo都是比较割裂的，很难说这是用于实际场景的代码。比如说，平时比较常用的二维码导航，上面就谈的不是很多。所以，对于这些知识点，我们都可以自己编写opencv程序来解决。

目前在ubuntu20.04上面，ros noetic版本自带的是opencv 4版本了，这个需要注意下了。另外，实际图像开发的时候，光源很重要。如果光源不满足条件，可以自己编写代码，比如利用最大灰度值做pwm的pid反馈参考量，这都是有实际意义的。

1、编写测试代码

这段代码来自于网上。主要还是为了说明opencv如何编写代码，有兴趣的同学可以去买一本opencv的书来进行学习和研究。

#include <opencv4/opencv2/highgui/highgui.hpp>
#include <opencv4/opencv2/imgcodecs/legacy/constants_c.h>
#include <iostream>
using namespace std;int main( int argc, char** argv ) {cv::Mat image;image = cv::imread("test.jpg" , CV_LOAD_IMAGE_COLOR);	      if(! image.data ) {std::cout <<  "Could not open or find the image" << std::endl ;return -1;}std::cout << "image wide: "<< image.cols << ",image high: " << image.rows << ",image channels: "<< image.channels() << std::endl;/* display imagecv::namedWindow( "Display window", cv::WINDOW_AUTOSIZE );cv::imshow( "Display window", image );		    cv::waitKey(0);*/size_t y,x;// y is row, x is colint c;     // c is channely = x = 250;c = 2;// row_ptr is the head point of y rowunsigned char *row_ptr = image.ptr<unsigned char>(y);// data_ptr points to pixel dataunsigned char *data_ptr = &row_ptr[x * image.channels()]; unsigned char data =  data_ptr[c];// use cv::Mat::at() to get the pixel value// unsigned char is not printable// std::cout << std::isprint(data)<<std::isprint(image.at<cv::Vec3b>(y,x)[c]) << std::endl;std::cout << "pixel value at y, x ,c"<<static_cast<unsigned>(image.at<cv::Vec3b>(y,x)[c]) << std::endl;return 0;
}

2、代码说明

代码的内容不复杂，主要就是打开一幅图片，然后获取指定点的像素信息。当然，这份代码只是起到抛砖引玉的作用，真正用起来，还需要和具体的场景关联起来。

3、编译方法

前面我们说过，ros noetic里面支持的是opencv 4，所以这里代码也是用opencv4的库进行编译的，输入如下所示，

g++ test.cpp -o test `pkg-config --cflags --libs opencv4`

4、测试和调试

代码测试的过程中，还需要一张图片，我们不妨去网上搜索一下lena的图片。她也是数字图像处理中用的最多的一张图片，

这样程序和图片都准备好了，执行后不出意外的话，就可以看到这样的打印，

shell$ ./test
image wide: 500,image high: 500,image channels: 3
pixel value at y, x ,c177

5、python3实现图像处理

实际生产中，一般是用python编写好算法之后，再转换成c/c++代码，这样效率要高很多。另外，不管是windows平台，还是linux平台，使用python都是很方便的。

import cv2def main():picture = cv2.imread('./test.jpg')cv2.imshow('lena', picture)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':main()

运行的方法，也比较简单，直接输入python3 ./test.py即可。

这篇关于SLAM从入门到精通（被忽视的基础图像处理）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！