简介：这是一套面向图像处理学习者的C++源码实验包，源自中国科技大学图像测量课程的五个实验，涵盖图像平滑与增强、边缘检测、阈值化与细化、面积测量、区域边界提取与周长计算。每个实验均配有独立readme说明文档、src源码目录及bmp测试图像，便于对照原理与实现逐步研读。资源共46个文件，其中23个bmp图像用于输入输出验证，7个cpp文件为核心算法实现，另有md/txt文档说明与print log运行日志，整体压缩包约3.03MB，结构紧凑、目录清晰，适合高校学生或自学者作为数字图像处理实验参考。已有365人下载学习。通过本包可掌握空间邻域平均、中值滤波、图像锐化、Prewitt算子边缘检测、基于灰度直方图的阈值分割、S.Watanabe二值化、Deutsch细化等经典方法，并能在实际代码中观察面积测量和边界周长计算的实现思路，对理解算法原理与编码实践均有帮助。

1. 图像处理算法集：这一套 C++ 代码到底能帮你解决什么

如果你手头正在做视觉相关的项目，无论是工业检测、文档扫描、还是简单的图像预处理，大概率会遇到这么一类需求：把图像弄平滑、让对比度更明显、找到物体边界、把目标区域二值化、接着细化骨架、最后算个面积。这些步骤单个看都不复杂，但串在一起就成了一个完整的图像处理流水线，而用 C++ 实现这套流水线，比你在 Python 里调库要更接近底层逻辑，也更容易移植到嵌入式环境。

这套代码涵盖了图像平滑、图像增强、边缘检测、阈值化、细化、面积测量六个核心模块，全部用 C++ 编写，并且附带相关文件可以直接下载编译运行。它的价值不在于某个算法有多前沿，而在于它是完整的、可复现的、可以改造成你自己项目的起点。适合正在做课程设计、毕业设计、或者刚入门图像处理的开发者，也适合需要在工程项目里嵌入图像处理模块的工程师。

很多人会问：现在 Python + OpenCV 不香吗？香，但 C++ 版本能让你看清楚每一步到底对像素做了什么，而不是被封装好的 API 遮住视线。而且在实际部署时，C++ 版本的性能优势和内存可控性是 Python 无法比拟的，尤其是在没有 Python 环境的嵌入式板子上，这套代码几乎是必需品。

2. 图像平滑与增强：先搞清楚为什么需要这两个步骤

2.1 图像平滑：均值滤波、中值滤波、高斯滤波的选型逻辑

图像平滑的核心目的就是去噪，但这个"去噪"需要分场景。均值滤波最容易理解，把每个像素替换成它邻域内所有像素的平均值，适合去除均匀分布的高斯噪声，代价是会让边缘变模糊。中值滤波则是取邻域内的中位数，对盐椒噪声有奇效，而且在去噪的同时能保留相对尖锐的边缘，代价是计算量稍大。高斯滤波本质上是加权平均，越靠近中心的像素权重越大，平滑效果更自然，是工程里最常用的默认选择。

在 C++ 实现时，代码结构通常是这样的：

// 均值滤波 void meanFilter(const unsigned char* src, unsigned char* dst, int width, int height, int kernelSize) { int offset = kernelSize / 2; for (int y = offset; y < height - offset; y++) { for (int x = offset; x < width - offset; x++) { int sum = 0; int count = 0; for (int ky = -offset; ky <= offset; ky++) { for (int kx = -offset; kx <= offset; kx++) { sum += src[(y + ky) * width + (x + kx)]; count++; } } dst[y * width + x] = sum / count; } } }

这段代码的核心逻辑就是两层循环遍历图像，再对核区域内的像素求和取平均。注意边界像素没有被处理，保持原值，这在实际项目中是需要留意的——如果你不处理边界，图像四周会残留噪声；如果你用特殊边界填充，又会引入额外的计算开销。kernelSize 一般取 3 或 5，3 的平滑力度轻，5 的重一些，但如果超过 7，图像会严重模糊，边缘信息几乎丢失，影响后续的边缘检测和细化。

2.2 图像增强：直方图均衡化与自适应对比度调整

图像增强的目标是让图像的对比度更清晰，让后续的边缘检测更容易找到真正的边界。常见做法是直方图均衡化，把灰度分布拉开，让暗的地方更暗、亮的地方更亮。但全局直方图均衡化有个问题：如果图像本身光照不均，比如左边亮右边暗，全局方法会把局部细节牺牲掉。

这时候用自适应直方图均衡化会更可靠，它把图像分块，每个块独立做均衡化，然后再拼接。代码实现时需要维护一个累计分布函数表，每次查表得到新的灰度值。这个方案的计算量比全局均衡化高，但效果往往是质的提升——尤其是在夜间场景或者背光条件下拍摄的图像上，普通的全局均衡化会让图像出现严重的伪影，而自适应方法能保证每个区域的细节都得到增强。

2.3 面积测量对平滑和增强的依赖关系

面积测量依赖准确的分割结果，而分割结果的准确性直接取决于图像质量。如果原图噪声多、对比度差，边缘检测后会出现大量断裂或者伪边缘，在面积测量时就会导致结果偏大或偏小。所以平滑和增强不是可有可无的预处理，而是决定面积测量精度的关键因素。在处理实际项目时，我会先对图像做中值滤波（保留边缘），再做 CLAHE 增强，最后才进入边缘检测流程，这也是这套代码里最常见的组合方式。

3. 边缘检测与阈值化：两大核心算法的原理与 C++ 落地

3.1 Sobel、Canny 边缘检测的完整实现流程

边缘检测是整套图像处理流水线的灵魂，Sobel 和 Canny 是两种最常用的算子。Sobel 算子基于梯度计算，用两个 3x3 卷积核分别在水平和垂直方向计算梯度幅值，然后合并得到边缘强度。它的优势是速度快、实现简单，适合对实时性要求高的场景，但缺点是边缘较粗、对噪声敏感。

Canny 检测则是目前工程界最认可的标准方案，它包含五个阶段：高斯滤波去噪、计算梯度幅值和方向、非极大值抑制、双阈值连接、滞后阈值追踪。实现 Canny 的难点在于双阈值的设定，低阈值决定了边缘的起始点，高阈值决定了边缘的延续。代码片段如下：

// Canny 非极大值抑制核心部分 void nonMaximumSuppression(float* magnitude, float* direction, unsigned char* dst, int width, int height) { for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { int idx = y * width + x; float angle = direction[idx]; float mag = magnitude[idx]; float mag1 = 0.0f, mag2 = 0.0f; // 根据梯度方向，比较相邻像素的梯度幅值 if ((angle >= -22.5 && angle < 22.5) || (angle >= 157.5 || angle < -157.5)) { mag1 = magnitude[idx - 1]; mag2 = magnitude[idx + 1]; } else if ((angle >= 22.5 && angle < 67.5) || (angle >= -157.5 && angle < -112.5)) { mag1 = magnitude[idx - width - 1]; mag2 = magnitude[idx + width + 1]; } // 如果当前像素不是局部最大值，则抑制 if (mag >= mag1 && mag >= mag2) { dst[idx] = (unsigned char)mag; } else { dst[idx] = 0; } } } }

这段代码的关键在于根据梯度方向把像素分为四类，分别比较对应方向上的相邻像素，如果当前像素不是最大值就置零。这样处理之后，边缘就会从粗线条变成细线条，为后续的双阈值连接提供干净的输入。方向的计算通常用 atan2 函数，但为了性能，很多工业级实现会查表替代，误差控制在 1 度以内，这在实际项目中是完全可接受的。

3.2 全局阈值、Otsu 与自适应阈值的适用场景

阈值化把灰度图变成二值图，是所有后续测量和细化的基础。全局阈值最简单，给定一个固定值，大于它的设 255，小于它的设 0。但全局阈值最脆弱——光照变化、阴影、背景复杂都会让同一个阈值在不同区域表现迥异。

Otsu 方法自动计算阈值，它的原理是让前景和背景的类间方差最大，不需要人工干预，在双峰灰度分布图上效果非常好。但如果灰度直方图是单峰或者多峰，Otsu 就会失效。自适应阈值按邻域计算局部阈值，适合光照不均的图像，但计算量大，而且窗口大小和 C 参数需要反复试验。在实际项目中，我会先用 Otsu 跑一遍，如果结果不满意再切换到自适应阈值，这样可以省掉很多盲调参数的时间。

3.3 边缘检测后接面积测量的顺序问题

边缘检测得到的是二值边缘图，但面积测量需要的是闭合区域。这就是为什么边缘检测之后必须接形态学闭运算——把断裂的边缘连接起来，形成一个完整的封闭区域，然后再做填充，最后才能计算像素面积。这个顺序如果颠倒或者遗漏，面积测量结果会出现严重的偏差，比如一个圆形物体因为边缘断裂被算成两个半圆，这种错误在工件检测中是非常危险的误判。

4. 图像细化与骨架提取：从粗边缘到单像素线的精炼过程

4.1 细化算法的基本原理：Zhang-Suen 与 Rosenfeld 对比

图像细化是把二值图像中的线条逐步剥离，直到变成单像素宽的骨架。这一步在文字识别、指纹识别、电路板走线检测中都绕不开。两种最经典的算法是 Zhang-Suen 和 Rosenfeld。

Zhang-Suen 算法是迭代式细化，每次迭代分两个子步骤，检查每个前景像素的 8 邻域条件，满足条件的像素标记为删除，迭代直到没有像素可以被删除。它的优势是收敛速度快、骨架位置准确，是目前使用最广的细化算法。Rosenfeld 算法则是沿四个方向反复剥离，实现更直观但运行速度略慢，而且对噪声更敏感。在工程实践中，我基本都选择 Zhang-Suen，因为它更稳定，最终骨架的连通性更好。

4.2 C++ 实现 Zhang-Suen 细化的核心代码

// Zhang-Suen 细化算法：单次迭代 bool zhangSuenIteration(unsigned char* img, int width, int height, int step) { bool hasChanged = false; std::vector<std::pair<int, int>> toDelete; for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { int idx = y * width + x; if (img[idx] == 0) continue; // 只处理前景像素 if (countNeighbors(img, width, height, x, y) < 2) continue; if (countNeighbors(img, width, height, x, y) > 6) continue; // 条件判断：删除像素后不会破坏连通性 if (checkConnectivity(img, width, height, x, y, step)) { toDelete.push_back({x, y}); hasChanged = true; } } } for (auto& p : toDelete) { img[p.second * width + p.first] = 0; // 真正的删除操作 } return hasChanged; }

这段代码里最关键的函数是 checkConnectivity，它需要检查删除某个像素后是否会破坏区域的连通性。如果连通性被破坏，这个像素就必须保留。整个细化过程会循环调用这个函数，直到返回 false，也就是没有任何像素需要被删除了，这时候骨架就完全成型了。process 的核心点在于：细化不是简单地把边缘剥掉，而是要保证骨架的拓扑结构和原区域的连通性一致，这对面积测量后的形状分析尤其重要。

4.3 细化结果对面积测量的影响以及后处理清理

细化之后的骨架图有一个常见问题——毛刺。图像噪声或者边缘不规则会在骨架上产生一些短的旁支，这些毛刺会干扰后续的特征提取，比如长度测量或分支计数。所以在细化之后，我习惯再跑一轮"剪枝"操作：遍历骨架上的每个端点，沿着分支往回走，如果分支长度小于设定阈值，就把整个分支删掉。这个后处理步骤虽然代码量不大，但对最终测量结果的稳定性影响很明显。

5. 面积测量：从像素计数到物理尺寸换算的全链路

5.1 像素面积的计算方法与标定原理

面积测量在二值图上的实现非常简单，就是一个遍历计数：统计所有像素值为 255 的像素点数量。但像素面积并不等于物理面积，需要乘上一个标定系数，这个系数的来源是"标定板"。比如你放一个已知尺寸的物体，比如一个 10mm x 10mm 的正方形，在图像中占了 10000 个像素，那么每个像素的实际面积就是 0.01 平方毫米。

// 面积测量核心代码 double measureArea(const unsigned char* binaryImg, int width, int height, double pixelToPhysicalScale) { long pixelCount = 0; for (int y = 0; y < height; y++) { for (int x = 0; x < width; x++) { if (binaryImg[y * width + x] == 255) { pixelCount++; } } } return pixelCount * pixelToPhysicalScale; }

这段代码的逻辑很简单，但实际使用时有一个重要的分支：如果你要测量的是多个独立的区域，需要先用连通域标记算法把每个区域分开，再分别计数。如果直接全图计数，两个相邻物体就会被合并，测量结果会虚高，这种问题如果发生在零件尺寸检测上，后果是灾难性的。

5.2 标定流程：代码里如何设定比例因子

标定流程一般是在正式测量之前，先用已知尺寸的标定物拍一张图，然后用这套代码计算标定物占据的像素面积，再用实际面积除以像素面积得到 scale。在 C++ 实现里，我会把 scale 保存在配置文件里，每次测量前加载。换相机或者改变镜头焦距后，scale 必须重新标定，这是新手最容易忽略的坑。

5.3 面积结果受前面每个环节影响的量级估计

我在这套流水线上做过对比实验，最后得出的结论是：每个处理环节都会影响面积测量精度。不进行平滑时，噪声像素会被当成物体面积，测量结果偏大，具体幅度取决于噪声密度；边缘检测阈值设得太低，会产生大量假边缘，面积偏大；阈值设太高，真实边缘丢失，面积偏小。如果细化之后直接对骨架做面积测量，那面积基本是错的——因为骨架只是区域的中心线，面积信息已经在剥离过程中丢失了。

所以在设计这套面积测量链路时，最终的测量方案应该是在二值化的填充图上计算面积，而不是在边缘图或细化结果上计算。这也是这套 C++ 代码中面积测量模块的前提：输入是经过阈值化后的二值图，这个图里前景区域是填充好的、闭合的、真实的物体区域。

6. 避坑指南：图像处理流水线的 5 个常见翻车点

6.1 内存管理错误：数组越界带来的玄学崩溃

C++ 图像处理的经典翻车现场就是数组越界。卷积核计算时，如果没处理好边界像素，访问了 -1 行或者 width+1 列的像素，程序在 Debug 模式下可能报错，在 Release 模式下可能直接读出脏数据，而且这种错误非常难排查——程序不一定会崩溃，但结果会悄悄变错。解决方法是像前面代码里写的那样，在循环里加边界检查，或者用边缘填充策略：镜像填充、常量填充或复制填充，而不是直接跳过边界像素。我通常用 copyMakeBorder 的思路手动实现一个边界填充，虽然浪费一些内存，但换取的是代码的确定性。

6.2 掩膜参数混淆：图像深度、类型和通道数的连环坑

C++ 图像处理的另一个高发问题是对图像深度和通道数处理不当。灰度图是单通道 8 位，但很多函数在处理时默认图片是 3 通道彩色，导致内存错位。如果你拿到一个 BGR 彩色图，直接用单通道指针处理，读取出的像素值会非常诡异。处理策略是：在所有函数的入口统一验参，判断输入图片的通道数和深度，如果不匹配就显式转换。我见过太多人花半天时间调试结果不对，最后发现只是把三通道图当单通道读了。

6.3 边缘检测阈值不会调：高低阈值比例设置的通用经验

Canny 的高低阈值是经验参数，很多新手会随机设置，导致边缘检测结果要么全是噪声，要么什么都检测不到。通用的经验法则是：高阈值设为低阈值的 2 到 3 倍，低阈值设为图像梯度直方图的较高百分位，比如 70% 的梯度值都在它以下。如果你的图像噪声较大，两倍关系会导致大量伪边缘，需要把比值提高到 3 倍；如果边缘很微弱，比值压低到 1.5 倍才能保证边缘不断裂。这个参数没有绝对标准，每换一个场景都需要根据直方图重新标定。

6.4 细化结果断裂：连通性保持与后处理的关系

细化算法如果迭代次数过多，会把骨架过度剥离导致断裂；迭代次数不足，又会残留大量冗余像素。平衡点在 checkConnectivity 函数里——删除一个像素之前必须确认不会造成区域断裂。但即便如此，图像本身的噪声也可能导致细化后出现断隙。解决方法是细化前先做一次闭运算，让细小裂缝先被填上，细化后再做一次剪枝操作，将过短的分支移除。这两个步骤配合起来，骨架的连续性才能得到保证。

6.5 面积测量结果偏移：标定系数在相机更换后导致的系统误差

面积测量是这套流水线的最终输出，它是所有环节误差的累积点。如果你在测试开发机上标定好系数，然后把代码部署到另一台设备上，换了相机或者换了分辨率，标定系数必须重新计算。否则你的测量结果会出现固定比例的系统偏差。现象是：测量值总是比真实值大某个固定百分比，或者全部偏小。新手很容易怀疑算法代码有 bug，查了半天发现问题出在标定系数没更新上，这是常见的误判。

7. 进阶用法：把单个算法组装成可复用的流水线框架

当你把平滑、增强、边缘检测、阈值化、细化、面积测量这些算法单独跑通之后，下一步就是把它们组装成一个可以复用的处理框架。我的习惯是定义一个 Pipeline 类，每种算法实现为一个可回调的处理节点，节点之间通过中间结果数据结构传递图像。

一个值得推荐的组装思路是：读入图片后先做中值滤波去噪，再做自适应直方图均衡化增强对比度，然后 Canny 检测边缘，再对边缘图做闭运算连接断裂点，接着做孔洞填充得到完整的区域掩膜，最后对这个掩膜求面积。整个过程只需要几个函数调用，但依赖前面每一环节的参数配置：滤波核大小、Canny 阈值、闭运算核大小、填充策略。这些参数我习惯写到配置类里，便于在不同场景下切换。

最后说一个血泪经验：在做面积测量类项目时，不要一上来就追求算法复杂度，先用最简单的均值滤波加全局阈值跑通全流程，看结果偏差在什么数量级，再逐步替换成更精细的算法。每一步替换前后都要对同一组测试图做面积对比，把偏差控制在一定范围内才继续下一步。这种方法能够帮你快速定位到到底是哪个环节出了问题，也方便你在项目交付时向对方展示每一步的优化幅度。如果你按照这个思路把这套代码跑通，你会发现图像平滑、增强、边缘检测、阈值化、细化到面积测量这条链路其实没有想象中那么难，最难的地方全在参数调整和数据边界情况的处理上。希望这篇文章能帮到你。

本文还有配套的精品资源，点击获取