cv_lite 模块
概述
cv_lite 模块是针对某些特定任务、在底层基于 OpenCV 实现的轻量图像处理模块，提供了一些常见任务的加速版本方法，作为 openmv 的 image 模块中方 法的补充。需要注意的是，它并不是完整的 OpenCV 库，仅提供部分任务的加速版本。
针对 cv_lite 模块中常见的数据格式，这里给出说明：
- 输入数据格式：
ulab.numpy.ndarray类型，一般通过image.to_numpy_ref()获取。 - ndarray 转回 image 实例：一般使用
img = image.Image(image_width, image_height, image.GRAYSCALE, alloc=image.ALLOC_REF, data=np_data)实现，构造时需注意 image 类型与数据量是否匹配。 - 零拷贝：上面两条操作没有重新分配内存，使用的是同一块物理内存，因此耗时不长。
- 与 openmv 混合使用：rgb888 格式数据若要和 openmv 的
image模块混合使用，可以使用to_rgb565()将其转换后再使用。
cv_lite 介绍
在前面的图像处理案例中，处理流程都是基于 openmv 移植实现的，大家可以发现部分案例的速度并不是很快。
为此，CanMV K230 官方针对某些特定场景提出了 cv_lite 的概念：针对某些特定任务在底层基于 OpenCV 实现轻量图像处理模块，提供常见任务的加速版本方法，作为 openmv 的 image 模块中方法的补充。
原理
cv_lite 的核心思路是：用底层 OpenCV 的 C/C++ 实现替换部分 MicroPython 层的处理逻辑，并通过零拷贝的内存共享在 openmv 的 image 对象与 ulab.numpy 数组之间高效传递数据，从而在保留 openmv 易用接口的同时获得接近原生 OpenCV 的处理速度。可从以下几个层面理解。
算法层：基于 OpenCV 的高效实现
openmv 的 image 模块默认以 RGB565 格式存储图像，其 find_blobs、find_circles、find_rectangles、find_edges 等方法在 MicroPython 环境下调用时会引入额外开销。cv_lite 则在底层直接调用 OpenCV 中经过长期优化（向量化、SIMD 等）的算法实现，例如：
find_blobs：基于连通域分析（Connected Components）；find_circles：基于霍夫圆变换（Hough Circles）；find_rectangles：基于轮廓提取与多边形拟合；find_edges：基于 Canny / Sobel 边缘检测；- 形态学操作、滤波、白平衡、直方图统计等同样复用 OpenCV 对应函数。
因此在同一任务上，cv_lite 通常能获得更高的帧率（详见下文“速度对比”）。
数据层：RGB888 + ulab.numpy 零拷贝
cv_lite 的接口以 ulab.numpy.ndarray（RGB888）作为输入输出，而非 openmv 原生的 RGB565 image 对象，两者之间通过零拷贝方式共享同一块物理内存：
- image → ndarray：
image.to_numpy_ref()返回一个引用 sensor 缓冲区的 ndarray，不复制像素数 据； - ndarray → image：
image.Image(w, h, image.GRAYSCALE, alloc=image.ALLOC_REF, data=np_data)以ALLOC_REF方式直接引用 ndarray 内存构造 image 对象，同样不复制。
这样既避免了 RGB565 ↔ RGB888 的格式转换开销，也避免了大数据的内存拷贝，使数据在“采集 → cv_lite 处理 → 显示/绘制”整条链路上始终共享同一块内存，整体耗时很低。需要特别注意的是，构造 image 时图像类型与数据量必须匹配，否则会出错。
协作层：与 openmv 分工配合
cv_lite 不是完整的 OpenCV 库，只提供部分常用任务的加速版本，作为 openmv image 模块的补充。实际使用中通常按如下方式配合：
- 图像采集与显示仍使用 openmv 的
sensor/Display接口； - 需要加速的处理交给 cv_lite：输入通过
to_numpy_ref()取得，处理结果再以ALLOC_REF包回 image； - 若需要把 cv_lite 处理后的 RGB888 结果交给只支持 RGB565 的 openmv 方法，可调用
to_rgb565()转换。
通过“openmv 负责采集显示、cv_lite 负责加速处理”的分工，既保留了 openmv 生态的便利，又在关键任务上获得了 OpenCV 级别的性能。
速度对比
以 openmv 处理 RGB565 彩图、cv_lite 处理 RGB888 彩图进行对比，得到的帧率对比如下表所示。下述帧率仅在处理固定场景 时测得，实际帧率会受场景复杂程度（如圆形数量等）影响，请以具体场景的实测为准。
| 任务 | 输入分辨率 | cv_lite 处理帧率（fps） | openmv 处理帧率（fps） |
|---|---|---|---|
| 灰度图 find_blobs | 480x640 | 90 | 57 |
| 彩色图 find_blobs | 480x640 | 80 | 44 |
| 灰度图 find_circles | 480x640 | 24 | 1.2 |
| 彩色图 find_circles | 480x640 | 24 | 1.2 |
| 灰度图 find_rectangles | 480x640 | 40 | 8 |
| 彩色图 find_rectangles | 480x640 | 38 | 4.6 |
| 灰度图 find_edges | 480x640 | 57 | 11 |
| 彩色图 find_edges | 480x640 | 53 | 仅支持灰度图 |
| 灰度图二值化 | 480x640 | 90 | 90 |
| 彩色图二值化 | 480x640 | 90 | 40 |
| 彩色图均值滤波 | 480x640 | 26 | 19 |
| 彩色图高斯滤波 | 480x640 | 12 | 4 |
除上述案例外，cv_lite 还增加了使用软件处理实现对 RGB888 图像的形态学操作、白平衡、曝光调整和 RGB888 图像直方图统计的接口：
| 任务 | 输入分辨率 | cv_lite 处理帧率（fps） |
|---|---|---|
| 腐蚀 | 480x640 | 90 |
| 膨胀 | 480x640 | 32 |
| 开运算 | 480x640 | 31 |
| 闭运算 | 480x640 | 32 |
| 形态学梯度 | 480x640 | 12 |
| 顶帽变换 | 480x640 | 12 |
| 黑帽变换 | 480x640 | 12 |
| 灰度世界白平衡 | 480x640 | 47 |
| 白色 patch 白平衡 | 480x640 | 22 |
| 曝光调整 | 480x640 | 65 |
| RGB888 图像直方图统计 | 480x640 | 77 |
本章内容
本章内容将对 cv_lite 的一些常用案例进行讲解，后续小节安排如下：
- 圆形检测 find_circles
- 边缘检测 find_edges
- 矩形检测 find_rectangles
- 色块检测 find_blobs
- 矩形角点检测
- 基于色块的 PnP 测距
- 基于角点的 PnP 测距