OpenCV×Visual Studio：画像処理アプリケーション開発の基礎

画像処理技術は、現代社会において不可欠な存在となっています。セキュリティ、医療、製造、エンターテイメントなど、様々な分野で活用されており、その重要性はますます高まっています。画像処理アプリケーション開発は、これらの技術を活用するための鍵となります。本記事では、画像処理ライブラリとして広く利用されているOpenCVと、統合開発環境として強力なVisual Studioを組み合わせた画像処理アプリケーション開発の基礎について、詳細に解説します。

はじめに：画像処理の魅力とOpenCV/Visual Studioの役割
- 画像処理の重要性と応用分野
- OpenCVの概要と特徴
- Visual Studioの概要と利点
- OpenCVとVisual Studioの組み合わせのメリット
開発環境の構築：OpenCVとVisual Studioのインストール
- Visual Studioのインストールと環境設定
- OpenCVのダウンロードとインストール
- Visual StudioへのOpenCVの統合設定（環境変数、インクルードパス、ライブラリパス）
- プロジェクトの作成とOpenCVライブラリのリンク
OpenCVの基本操作：画像の読み込み、表示、保存
- imread()関数による画像の読み込み
- imshow()関数による画像の表示
- imwrite()関数による画像の保存
- 画像のデータ構造（cv::Mat）の理解
- グレースケール変換：cvtColor()関数
画像処理の基礎：フィルタリング、エッジ検出、閾値処理
- フィルタリング:
  - 平滑化フィルタ（平均値フィルタ、ガウシアンフィルタ）
  - シャープフィルタ（ラプラシアンフィルタ）
  - メディアンフィルタ
  - filter2D()関数の使用
- エッジ検出:
  - Sobelフィルタ
  - Cannyエッジ検出
  - Sobel()関数、Canny()関数の使用
- 閾値処理:
  - 二値化：threshold()関数
  - 適応的閾値処理：adaptiveThreshold()関数
  - 大津の二値化
色空間変換と画像セグメンテーション
- RGB、HSV、Lab色空間の理解
- cvtColor()関数による色空間変換
- 色情報に基づいた画像セグメンテーション
- inRange()関数の使用
画像の特徴抽出：コーナー検出と特徴記述
- コーナー検出:
  - Harrisコーナー検出
  - Shi-Tomasiコーナー検出
  - cornerHarris()関数、goodFeaturesToTrack()関数の使用
- 特徴記述:
  - SIFT (Scale-Invariant Feature Transform)
  - SURF (Speeded-Up Robust Features)
  - ORB (Oriented FAST and Rotated BRIEF)
  - cv::SIFT::create()、cv::SURF::create()、cv::ORB::create()関数の使用
  - 特徴点のマッチング：BFMatcher、FlannBasedMatcher
画像認識の基礎：顔検出の実装
- Haar特徴分類器を用いた顔検出
- カスケード分類器の読み込み：CascadeClassifier::load()
- 顔検出の実行：CascadeClassifier::detectMultiScale()
- 顔検出結果の描画
動画処理：動画の読み込み、再生、保存
- VideoCaptureクラスによる動画の読み込み
- VideoWriterクラスによる動画の保存
- 動画のフレーム処理：read()関数
- リアルタイム動画処理の実装
GUIプログラミング：ウィンドウ作成、イベント処理、トラックバー
- namedWindow()関数によるウィンドウ作成
- waitKey()関数によるキー入力待機
- createTrackbar()関数によるトラックバー作成
- コールバック関数によるイベント処理
OpenCVを用いた応用事例
- 動体検出
- 物体追跡
- 画像モザイク処理
- AR (拡張現実)
デバッグと最適化のヒント
- Visual Studioデバッガの活用
- OpenCV関数のパフォーマンス最適化
- メモリリークの検出と修正
まとめと今後の展望

1. はじめに：画像処理の魅力とOpenCV/Visual Studioの役割

1.1 画像処理の重要性と応用分野

画像処理は、画像データを解析、操作、改善するための技術です。デジタルカメラ、スマートフォン、セキュリティシステム、医療機器、製造ラインなど、現代社会のあらゆる場所に存在し、その応用範囲は非常に広いです。具体的な応用分野としては、以下のようなものが挙げられます。

セキュリティ: 顔認証、侵入検知、不審行動検知
医療: CTスキャンやMRI画像の解析、病変の検出、手術支援
製造: 製品の品質検査、ロボットビジョンのための画像認識
エンターテイメント: 写真加工、動画編集、ゲーム開発
自動車: 自動運転のための環境認識、運転支援システム
農業: 農作物の生育状況モニタリング、収穫ロボット
宇宙開発: 衛星画像の解析、惑星探査

画像処理技術は、これらの分野において効率化、精度向上、安全性向上などの効果をもたらし、社会に貢献しています。

1.2 OpenCVの概要と特徴

OpenCV (Open Source Computer Vision Library) は、インテルが開発したオープンソースの画像処理ライブラリです。C++, Python, Javaなどのプログラミング言語に対応しており、Windows, Linux, macOS, Android, iOSなど、様々なプラットフォームで動作します。OpenCVは、以下のような特徴を持っています。

豊富な機能: 画像の読み込み、表示、保存、フィルタリング、エッジ検出、特徴抽出、物体認識、機械学習など、様々な画像処理機能を提供します。
高速な処理: C++で実装されており、高度に最適化されているため、高速な処理が可能です。
オープンソース: 無償で利用でき、自由に改変や再配布が可能です。
幅広いプラットフォーム対応: 様々なOSやハードウェア上で動作します。
活発なコミュニティ: 世界中の開発者が利用しており、情報交換やサポートが活発です。

これらの特徴から、OpenCVは画像処理アプリケーション開発におけるデファクトスタンダードとして広く利用されています。

1.3 Visual Studioの概要と利点

Visual Studioは、マイクロソフトが開発した統合開発環境 (IDE) です。C++, C#, Visual Basicなどのプログラミング言語に対応しており、Windowsアプリケーション、Webアプリケーション、モバイルアプリケーションなど、様々な種類のアプリケーションを開発できます。Visual Studioは、以下のような利点を持っています。

強力なデバッグ機能: プログラムの実行をステップごとに確認したり、変数の値を監視したり、ブレークポイントを設定したりすることで、効率的にデバッグできます。
便利なコード編集機能: コード補完、自動整形、リファクタリングなどの機能により、効率的にコーディングできます。
GUIデザイン機能: ドラッグ＆ドロップ操作でGUIを作成できます。
豊富な拡張機能: 様々なサードパーティ製の拡張機能を利用することで、開発効率を向上させることができます。
バージョン管理機能: Gitなどのバージョン管理システムと連携し、コードの変更履歴を管理できます。

Visual Studioは、これらの利点により、効率的かつ高品質なアプリケーション開発を支援します。

1.4 OpenCVとVisual Studioの組み合わせのメリット

OpenCVとVisual Studioを組み合わせることで、以下のメリットが得られます。

効率的な開発: Visual Studioの強力な開発環境を利用することで、OpenCVを使った画像処理アプリケーションを効率的に開発できます。
容易なデバッグ: Visual Studioのデバッグ機能を利用することで、OpenCVのコードを容易にデバッグできます。
GUIベースのアプリケーション開発: Visual StudioのGUIデザイン機能を利用することで、OpenCVの画像処理機能を組み込んだGUIベースのアプリケーションを簡単に開発できます。
クロスプラットフォーム開発: Visual Studioのクロスプラットフォーム開発機能を利用することで、Windowsだけでなく、LinuxやmacOSなど、様々なプラットフォームで動作するアプリケーションを開発できます。

このように、OpenCVとVisual Studioは、画像処理アプリケーション開発において強力な組み合わせとなります。

2. 開発環境の構築：OpenCVとVisual Studioのインストール

2.1 Visual Studioのインストールと環境設定

まず、Visual Studioをインストールします。Visual Studio Community Editionは無償で利用できます。マイクロソフトの公式ウェブサイトからダウンロードし、インストールしてください。

インストール時には、C++によるデスクトップ開発ワークロードを選択することをお勧めします。これにより、C++の開発に必要なツールが自動的にインストールされます。

2.2 OpenCVのダウンロードとインストール

次に、OpenCVをダウンロードします。OpenCVの公式ウェブサイトから、最新版のOpenCVをダウンロードしてください。

ダウンロードしたファイルは、任意の場所に展開してください。例えば、C:\opencv などが一般的です。

2.3 Visual StudioへのOpenCVの統合設定（環境変数、インクルードパス、ライブラリパス）

Visual StudioでOpenCVを使用するためには、Visual StudioにOpenCVのパスを設定する必要があります。

1. 環境変数の設定:

Windowsのコントロールパネルから、「システムとセキュリティ」→「システム」→「システムの詳細設定」を選択します。
「環境変数」ボタンをクリックします。
「システム環境変数」の「Path」を選択し、「編集」ボタンをクリックします。
「新規」ボタンをクリックし、OpenCVのビルドディレクトリのパスを追加します。通常は、C:\opencv\build\x64\vc15\bin (Visual Studio 2017の場合) または C:\opencv\build\x64\vc16\bin (Visual Studio 2019の場合) のようなパスになります。使用しているVisual Studioのバージョンに合わせて変更してください。
「OK」ボタンをクリックして、すべてのウィンドウを閉じます。

2. プロジェクトの設定:

Visual StudioでOpenCVを使用するプロジェクトを作成したら、以下の手順でOpenCVのインクルードパスとライブラリパスを設定します。

Visual Studioでプロジェクトを開きます。
ソリューションエクスプローラーで、プロジェクトを右クリックし、「プロパティ」を選択します。
構成プロパティ → C/C++ → 全般 → 追加のインクルードディレクトリに、OpenCVのインクルードディレクトリのパスを追加します。通常は、C:\opencv\build\include のようなパスになります。
構成プロパティ → リンカー → 全般 → 追加のライブラリディレクトリに、OpenCVのライブラリディレクトリのパスを追加します。通常は、C:\opencv\build\x64\vc15\lib (Visual Studio 2017の場合) または C:\opencv\build\x64\vc16\lib (Visual Studio 2019の場合) のようなパスになります。使用しているVisual Studioのバージョンに合わせて変更してください。
構成プロパティ → リンカー → 入力 → 追加の依存ファイルに、OpenCVのライブラリファイル名を追加します。必要なライブラリファイル名は、OpenCVのバージョンや使用するモジュールによって異なりますが、通常は、opencv_world455d.lib (デバッグビルドの場合) または opencv_world455.lib (リリースビルドの場合) のようなファイル名になります。

2.4 プロジェクトの作成とOpenCVライブラリのリンク

Visual Studioで新しいC++プロジェクトを作成し、空のプロジェクトを選択します。プロジェクト名と保存場所を指定し、「作成」をクリックします。

上記の環境設定後、ソースファイル (例: main.cpp) をプロジェクトに追加し、以下のコードを記述して、OpenCVが正しく動作するかを確認します。

“`cpp

include

int main() {
cv::Mat image = cv::imread(“sample.jpg”); // 画像ファイルを読み込み
if (image.empty()) {
std::cerr << “画像ファイルを読み込めませんでした。” << std::endl;
return -1;
}

cv::imshow(“画像”, image); // 画像を表示
cv::waitKey(0); // キー入力待ち

return 0;
}
“`

このコードをコンパイルして実行し、画像が表示されれば、OpenCVの環境構築は成功です。sample.jpg は、実際に存在する画像ファイルに置き換えてください。

3. OpenCVの基本操作：画像の読み込み、表示、保存

3.1 imread()関数による画像の読み込み

OpenCVで画像を読み込むには、imread()関数を使用します。

cpp cv::Mat image = cv::imread("image.jpg", cv::IMREAD_COLOR);

第一引数には、読み込む画像ファイルのパスを指定します。
第二引数には、読み込みモードを指定します。
- cv::IMREAD_COLOR：カラー画像として読み込みます (デフォルト)。
- cv::IMREAD_GRAYSCALE：グレースケール画像として読み込みます。
- cv::IMREAD_UNCHANGED：アルファチャンネルを含めて読み込みます。

imread()関数は、読み込んだ画像をcv::Mat型の変数に格納します。cv::Matは、OpenCVで画像を扱うための基本的なデータ構造です。

3.2 imshow()関数による画像の表示

OpenCVで画像を表示するには、imshow()関数を使用します。

cpp cv::imshow("ウィンドウ名", image);

第一引数には、ウィンドウの名前を指定します。この名前は、ウィンドウのタイトルバーに表示されます。
第二引数には、表示するcv::Mat型の変数を指定します。

imshow()関数を実行するだけでは、ウィンドウは表示されません。waitKey()関数を呼び出す必要があります。

3.3 imwrite()関数による画像の保存

OpenCVで画像を保存するには、imwrite()関数を使用します。

cpp cv::imwrite("output.jpg", image);

第一引数には、保存するファイル名を指定します。
第二引数には、保存するcv::Mat型の変数を指定します。

imwrite()関数は、指定されたファイル形式で画像を保存します。ファイル形式は、ファイル名の拡張子から自動的に判断されます。

3.4 画像のデータ構造（cv::Mat）の理解

cv::Matは、OpenCVで画像を扱うための基本的なデータ構造です。cv::Matは、多次元の行列を表現しており、画像データ、画像サイズ、データ型などの情報を持っています。

cv::Matの主要なメンバ変数は以下の通りです。

rows：行数 (画像の高さ)
cols：列数 (画像の幅)
channels()：チャンネル数 (グレースケール画像は1、カラー画像は3)
type()：データ型

cv::Matのデータ型は、以下のようなものがあります。

CV_8U：符号なし8ビット整数
CV_8S：符号付き8ビット整数
CV_16U：符号なし16ビット整数
CV_16S：符号付き16ビット整数
CV_32S：符号付き32ビット整数
CV_32F：32ビット浮動小数点数
CV_64F：64ビット浮動小数点数

3.5 グレースケール変換：cvtColor()関数

カラー画像をグレースケール画像に変換するには、cvtColor()関数を使用します。

cpp cv::Mat grayImage; cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);

第一引数には、変換元のcv::Mat型の変数を指定します。
第二引数には、変換先のcv::Mat型の変数を指定します。
第三引数には、変換の種類を指定します。cv::COLOR_BGR2GRAYは、BGRカラー画像をグレースケール画像に変換することを意味します。

cvtColor()関数は、様々な色空間変換に対応しています。

4. 画像処理の基礎：フィルタリング、エッジ検出、閾値処理

4.1 フィルタリング

フィルタリングは、画像中のノイズを除去したり、画像をぼかしたり、シャープにしたりするために使用されます。OpenCVには、様々な種類のフィルタリング処理が用意されています。

平滑化フィルタ (平均値フィルタ、ガウシアンフィルタ): 画像をぼかすために使用されます。
- 平均値フィルタ：周囲の画素の平均値を計算して、対象画素の値を置き換えます。
- ガウシアンフィルタ：ガウス関数を用いて重み付けされた平均値を計算して、対象画素の値を置き換えます。より自然なぼかし効果が得られます。
シャープフィルタ (ラプラシアンフィルタ): 画像をシャープにするために使用されます。
- ラプラシアンフィルタ：画像の2次微分を計算して、エッジを強調します。
メディアンフィルタ: 画像中のノイズを除去するために使用されます。
- メディアンフィルタ：周囲の画素の中央値を計算して、対象画素の値を置き換えます。特に、ソルト＆ペッパーノイズ (白と黒の点状ノイズ) の除去に効果的です。

filter2D()関数は、任意のフィルタを画像に適用するために使用されます。

例：ガウシアンフィルタの適用

cpp cv::Mat blurredImage; cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 0);

第一引数には、フィルタリング前の画像を指定します。
第二引数には、フィルタリング後の画像を格納するcv::Matを指定します。
第三引数には、カーネルサイズを指定します。ここでは、5×5のカーネルを使用しています。
第四引数には、標準偏差を指定します。0を指定すると、自動的に計算されます。

4.2 エッジ検出

エッジ検出は、画像中のオブジェクトの輪郭を抽出するために使用されます。OpenCVには、様々な種類のエッジ検出アルゴリズムが用意されています。

Sobelフィルタ: 画像の微分を計算して、エッジを検出します。
Cannyエッジ検出: ノイズ除去、勾配計算、非最大抑制、ヒステリシス閾値処理などのステップを経て、より正確なエッジを検出します。

例：Cannyエッジ検出の適用

cpp cv::Mat edges; cv::Canny(image, edges, 50, 150);

第一引数には、エッジ検出前の画像を指定します。
第二引数には、エッジ検出後の画像を格納するcv::Matを指定します。
第三引数には、閾値1を指定します。
第四引数には、閾値2を指定します。

4.3 閾値処理

閾値処理は、画像中の画素値をある閾値を基準に二値化するために使用されます。OpenCVには、様々な種類の閾値処理方法が用意されています。

二値化 (Binary Thresholding): 画素値が閾値以上の場合、最大値に設定し、それ以外の場合、最小値に設定します。
適応的閾値処理 (Adaptive Thresholding): 画像中の局所的な領域ごとに閾値を動的に変更します。
大津の二値化 (Otsu’s Thresholding): 画像のヒストグラムに基づいて最適な閾値を自動的に決定します。

例：大津の二値化の適用

cpp cv::Mat thresholdedImage; cv::threshold(grayImage, thresholdedImage, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);

第一引数には、閾値処理前の画像を指定します。
第二引数には、閾値処理後の画像を格納するcv::Matを指定します。
第三引数には、閾値を指定します。cv::THRESH_OTSUを使用する場合、0を指定します。
第四引数には、最大値を指定します。
第五引数には、閾値処理の種類を指定します。

5. 色空間変換と画像セグメンテーション

5.1 RGB、HSV、Lab色空間の理解

画像処理では、RGB (Red, Green, Blue) だけでなく、HSV (Hue, Saturation, Value) や Lab色空間など、様々な色空間が使用されます。

RGB色空間: 赤、緑、青の3つの成分で色を表現します。コンピュータディスプレイで一般的に使用されます。
HSV色空間: 色相 (Hue)、彩度 (Saturation)、明度 (Value) の3つの成分で色を表現します。色相は色の種類、彩度は色の鮮やかさ、明度は色の明るさを表します。色に基づいて画像セグメンテーションを行う場合に便利です。
Lab色空間: 明度 (L)、色差 (a, b*) の3つの成分で色を表現します。人間の視覚特性に近い色空間であり、色差の計算や色の比較に適しています。

5.2 cvtColor()関数による色空間変換

cvtColor()関数は、色空間を変換するために使用されます。

cpp cv::Mat hsvImage; cv::cvtColor(image, hsvImage, cv::COLOR_BGR2HSV);

第一引数には、変換元のcv::Mat型の変数を指定します。
第二引数には、変換先のcv::Mat型の変数を指定します。
第三引数には、変換の種類を指定します。cv::COLOR_BGR2HSVは、BGRカラー画像をHSV色空間に変換することを意味します。

5.3 色情報に基づいた画像セグメンテーション

HSV色空間などを利用して、特定の色範囲にある領域を抽出することができます。

5.4 inRange()関数の使用

inRange()関数は、指定された範囲内の画素を抽出するために使用されます。

cpp cv::Mat mask; cv::inRange(hsvImage, cv::Scalar(110, 50, 50), cv::Scalar(130, 255, 255), mask);

第一引数には、処理対象のcv::Mat型の変数を指定します。
第二引数には、下限値を指定します。
第三引数には、上限値を指定します。
第四引数には、結果を格納するcv::Mat型の変数（マスク）を指定します。

上記の例では、HSV色空間において、色相が110から130、彩度が50から255、明度が50から255の範囲にある画素を抽出しています。抽出された画素は、maskに1 (白) として格納され、それ以外の画素は0 (黒) として格納されます。

抽出されたマスクを利用することで、元の画像から特定の色の領域のみを抽出したり、他の処理を適用したりすることができます。

6. 画像の特徴抽出：コーナー検出と特徴記述

6.1 コーナー検出

コーナー検出は、画像中のコーナー（角）を検出する処理です。コーナーは、画像中の重要な特徴点であり、物体認識や追跡などの様々なアプリケーションで使用されます。

Harrisコーナー検出: 画像の勾配に基づいてコーナーを検出します。
Shi-Tomasiコーナー検出: Harrisコーナー検出の改良版で、より安定したコーナーを検出できます。

例：Shi-Tomasiコーナー検出の適用

cpp std::vector<cv::Point2f> corners; cv::goodFeaturesToTrack(grayImage, corners, 100, 0.01, 10);

第一引数には、グレースケール画像を指定します。
第二引数には、コーナーの位置を格納するベクターを指定します。
第三引数には、検出するコーナーの最大数を指定します。
第四引数には、コーナーの品質レベルを指定します (0.0 から 1.0 の範囲)。
第五引数には、コーナー間の最小距離を指定します。

6.2 特徴記述

特徴記述は、画像中の特徴点 (コーナーなど) の周辺の情報を数値ベクトルとして表現する処理です。特徴記述子は、特徴点のマッチングや物体認識に使用されます。

SIFT (Scale-Invariant Feature Transform): スケールと回転に対して不変な特徴量を抽出します。
SURF (Speeded-Up Robust Features): SIFTよりも高速な特徴量抽出アルゴリズムです。
ORB (Oriented FAST and Rotated BRIEF): SIFTやSURFよりもさらに高速な特徴量抽出アルゴリズムです。

例：ORB特徴量の抽出

cpp cv::Ptr<cv::ORB> orb = cv::ORB::create(); std::vector<cv::KeyPoint> keypoints; cv::Mat descriptors; orb->detectAndCompute(grayImage, cv::Mat(), keypoints, descriptors);

cv::ORB::create()関数で、ORB特徴抽出器を作成します。
orb->detectAndCompute()関数で、画像からキーポイント (特徴点) を検出し、特徴記述子を計算します。
keypoints には、検出されたキーポイントの位置などの情報が格納されます。
descriptors には、特徴記述子が格納されます。

6.3 特徴点のマッチング

特徴点のマッチングは、異なる画像間で対応する特徴点を見つける処理です。OpenCVには、様々な特徴点マッチングアルゴリズムが用意されています。

BFMatcher (Brute-Force Matcher): 総当たりで特徴点間の距離を計算し、最も近い特徴点同士をマッチングします。
FlannBasedMatcher: FLANN (Fast Library for Approximate Nearest Neighbors) を利用して、高速に最近傍探索を行います。

例：BFMatcherによる特徴点のマッチング

cpp cv::BFMatcher matcher(cv::NORM_HAMMING); std::vector<cv::DMatch> matches; matcher.match(descriptors1, descriptors2, matches);

cv::BFMatcher オブジェクトを作成します。cv::NORM_HAMMING は、ORB特徴量を使用する場合に適した距離尺度です。
matcher.match() 関数で、2つの画像の特徴記述子 (descriptors1 と descriptors2) を比較し、マッチングを行います。
matches には、マッチング結果が格納されます。各cv::DMatch オブジェクトは、対応する特徴点のインデックスと距離 (類似度) を保持します。

7. 画像認識の基礎：顔検出の実装

7.1 Haar特徴分類器を用いた顔検出

顔検出は、画像中から顔領域を検出する処理です。OpenCVでは、Haar特徴分類器を用いた顔検出が広く利用されています。Haar特徴分類器は、Adaboostアルゴリズムを用いて学習されたカスケード分類器です。

7.2 カスケード分類器の読み込み：CascadeClassifier::load()

まず、顔検出に使用するカスケード分類器のXMLファイルを読み込みます。OpenCVには、様々な学習済みのカスケード分類器が提供されており、OpenCVのインストールディレクトリの data/haarcascades フォルダに格納されています。

cpp cv::CascadeClassifier face_cascade; if (!face_cascade.load("haarcascade_frontalface_default.xml")) { std::cerr << "カスケード分類器を読み込めませんでした。" << std::endl; return -1; }

cv::CascadeClassifier オブジェクトを作成します。
face_cascade.load() 関数で、カスケード分類器のXMLファイルを読み込みます。ファイルパスは、実際のファイルが存在する場所に合わせて変更してください。

7.3 顔検出の実行：CascadeClassifier::detectMultiScale()

次に、detectMultiScale()関数を用いて、画像から顔領域を検出します。

cpp std::vector<cv::Rect> faces; face_cascade.detectMultiScale(grayImage, faces, 1.1, 3, 0, cv::Size(30, 30));

第一引数には、グレースケール画像を指定します。
第二引数には、検出された顔領域の位置とサイズを格納するベクターを指定します。
第三引数には、スケーリングファクターを指定します。
第四引数には、近傍の最小数を指定します。
第五引数には、フラグを指定します。通常は 0 を指定します。
第六引数には、検出する顔の最小サイズを指定します。

detectMultiScale() 関数は、画像中の顔領域を検出し、その位置とサイズを faces ベクターに格納します。各 cv::Rect オブジェクトは、矩形領域の左上の座標 (x, y) と幅 (width) と高さ (height) を保持します。

7.4 顔検出結果の描画

最後に、検出された顔領域を画像に描画します。

cpp for (size_t i = 0; i < faces.size(); i++) { cv::rectangle(image, faces[i].tl(), faces[i].br(), cv::Scalar(0, 255, 0), 2); }

cv::rectangle() 関数で、顔領域を矩形で囲みます。
- faces[i].tl() は、矩形領域の左上の座標を表します。
- faces[i].br() は、矩形領域の右下の座標を表します。
- cv::Scalar(0, 255, 0) は、矩形の色 (緑) を表します。
- 2 は、矩形の線の太さを表します。

8. 動画処理：動画の読み込み、再生、保存

8.1 VideoCaptureクラスによる動画の読み込み

動画を読み込むには、VideoCaptureクラスを使用します。

cpp cv::VideoCapture cap("video.mp4"); if (!cap.isOpened()) { std::cerr << "動画ファイルを開けませんでした。" << std::endl; return -1; }

cv::VideoCapture オブジェクトを作成し、動画ファイルのパスをコンストラクタに渡します。
cap.isOpened() 関数で、動画ファイルが正常に開けたかどうかを確認します。

8.2 VideoWriterクラスによる動画の保存

動画を保存するには、VideoWriterクラスを使用します。

cpp cv::VideoWriter writer("output.avi", cv::VideoWriter::fourcc('M', 'J', 'P', 'G'), 30, cv::Size(640, 480)); if (!writer.isOpened()) { std::cerr << "動画ファイルを開けませんでした。" << std::endl; return -1; }

cv::VideoWriter オブジェクトを作成し、保存するファイル名、コーデック、フレームレート、フレームサイズをコンストラクタに渡します。
- cv::VideoWriter::fourcc('M', 'J', 'P', 'G') は、MJPGコーデックを指定します。
- 30 は、フレームレート (fps) を指定します。
- cv::Size(640, 480) は、フレームサイズを指定します。
writer.isOpened() 関数で、動画ファイルが正常に開けたかどうかを確認します。

8.3 動画のフレーム処理：read()関数

動画のフレームを読み込むには、read()関数を使用します。

cpp cv::Mat frame; cap.read(frame); if (frame.empty()) { break; }

cap.read(frame) 関数で、動画から1フレーム読み込みます。読み込んだフレームは、frame に格納されます。
frame.empty() 関数で、フレームが空かどうかを確認します。動画の終端に達した場合、frame は空になります。

8.4 リアルタイム動画処理の実装

リアルタイム動画処理を行うためには、ループ処理で動画のフレームを連続的に読み込み、処理する必要があります。

“`cpp
while (true) {
cv::Mat frame;
cap.read(frame);
if (frame.empty()) {
break;
}

// フレームに対する処理

cv::imshow(“Video”, frame);
if (cv::waitKey(1) == ‘q’) {
break;
}
}
“`

ループ処理で、動画からフレームを読み込みます。
フレームに対して、必要な処理を行います。
cv::imshow() 関数で、処理結果を表示します。
cv::waitKey(1) 関数で、1ミリ秒間キー入力を待ちます。’q’ キーが押された場合、ループを終了します。

9. GUIプログラミング：ウィンドウ作成、イベント処理、トラックバー

9.1 namedWindow()関数によるウィンドウ作成

ウィンドウを作成するには、namedWindow()関数を使用します。

cpp cv::namedWindow("ウィンドウ名", cv::WINDOW_NORMAL);

第一引数には、ウィンドウの名前を指定します。
第二引数には、ウィンドウのタイプを指定します。
- cv::WINDOW_NORMAL：ウィンドウのサイズを変更できます。
- cv::WINDOW_AUTOSIZE：ウィンドウのサイズは、表示する画像のサイズに合わせて自動的に調整されます。

9.2 waitKey()関数によるキー入力待機

キー入力を待機するには、waitKey()関数を使用します。

cpp int key = cv::waitKey(0);

引数には、キー入力を待機する時間をミリ秒単位で指定します。0 を指定すると、キーが押されるまで無限に待機します。
waitKey() 関数は、押されたキーのASCIIコードを返します。

9.3 createTrackbar()関数によるトラックバー作成

トラックバーを作成するには、createTrackbar()関数を使用します。トラックバーは、GUI上で値を調整するためのスライダーです。

cpp int value = 50; cv::createTrackbar("トラックバー名", "ウィンドウ名", &value, 100);

第一引数には、トラックバーの名前を指定します。
第二引数には、トラックバーを配置するウィンドウの名前を指定します。
第三引数には、トラックバーの値が格納される変数のポインタを指定します。
第四引数には、トラックバーの最大値を指定します。

9.4 コールバック関数によるイベント処理

トラックバーの値が変更されたときに特定の処理を実行するには、コールバック関数を使用します。

“`cpp
void onTrackbar(int pos, void* userdata) {
// トラックバーの値が変更されたときに実行される処理
}

int main() {
int value = 50;
cv::createTrackbar(“トラックバー名”, “ウィンドウ名”, &value, 100, onTrackbar);
cv::waitKey(0);
return 0;

OpenCV×Visual Studio：画像処理アプリケーション開発の基礎

include

include

コメントする 返信をキャンセル

コメントする返信をキャンセル