继续给码道加需求：Canny、Harris、SIFT 能直接接进现有 OpenCV 项目吗？

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

项目开源地址： opencv-vision-lab:OpenCV Vision Lab —— 在线图像处理实验室 – AtomGit

华为云码道： AtomGit – 全球开发者的开源社区,开源代码托管平台

前言

上一篇文章中，我只给华为云码道 Agent 一段需求，让它从零开发了一个 OpenCV Vision Lab——在线图像处理实验室。

第一版已经实现了：

• 灰度化
• 均值滤波
• 高斯滤波
• 中值滤波
• 二值化
• 腐蚀
• 膨胀
• 开运算
• 闭运算

同时还完成了图片上传、参数调节、异常处理、API 测试和 README 等内容。

但从零创建一个项目只是第一步。

真正更接近实际开发场景的问题是：

当一个项目已经有了一定代码量以后，再继续追加新需求，Agent 能不能先读懂原来的代码，再在不破坏旧功能的前提下完成增量开发？

所以这一次，我没有重新创建项目，而是直接在原来的 opencv-vision-lab 仓库上继续加需求。

目标也从“基础图像处理实验室”，进一步升级成一个更完整的：

计算机视觉算法实验室。

一、这次不是从零开发，而是在旧项目上继续改

这一轮，我准备新增 5 个 OpenCV 算法：

• Sobel 边缘检测
• Canny 边缘检测
• 轮廓检测
• Harris 角点检测
• SIFT 特征点检测

同时要求 Agent：

• 保留第一版原来的 9 种算法
• 不重新创建项目
• 不无意义重构
• 基于当前代码结构继续开发
• 更新前端算法分类
• 新增参数调节
• 新增测试
• 更新 README
• 最后完成 Git commit 并推送到 AtomGit

我给码道的核心需求如下：

在当前已经完成的 OpenCV Vision Lab 项目基础上继续开发。

不要重新创建项目，不要删除或破坏现有的 9 种基础图像处理功能，需要基于当前仓库直接进行增量开发。

本次目标是把项目从“基础图像处理实验室”升级为“计算机视觉算法实验室”。

请新增以下功能：

1. Sobel 边缘检测
– 支持 X 方向梯度
– 支持 Y 方向梯度
– 支持 XY 综合梯度
– 支持调整 kernel size

2. Canny 边缘检测
– 支持调整低阈值 threshold1
– 支持调整高阈值 threshold2

3. 轮廓检测
– 对图像进行轮廓提取
– 将检测到的轮廓绘制到结果图像上
– 显示检测到的轮廓数量
– 支持面积过滤

4. Harris 角点检测
– 检测图像中的 Harris 角点
– 在原图对应位置标记角点
– 支持必要参数调整

5. SIFT 特征点检测
– 使用 OpenCV SIFT 检测关键点
– 将关键点绘制在结果图像中
– 显示关键点数量

要求保留当前已有功能和 UI 风格，并完成测试、README 更新、Git commit 和推送。

这次测试的重点和上一篇已经不一样了。

上一篇看的是：

Agent 能不能从 0 到 1。

这一篇看的是：

Agent 能不能从 1 到 2。

二、它先做的不是写代码，而是检查现有仓库

这一点我觉得比第一篇更有意思。

Agent 收到需求以后，并没有直接重新生成项目，而是先去检查：

• 当前代码结构
• Git 历史
• 工作区状态
• 已有提交
• 当前未提交文件
• 哪些临时文件不应该加入仓库

然后才制定增量开发方案。

它给出的核心思路是：

不动现有 9 种算法的实现与接口，只在 processing.py 增加 5 个新算法，同时扩展统计信息返回；前端按分类分组渲染算法，并更新测试与文档。

也就是说，这一轮它已经不是“写一个新项目”，而是在考虑：

现有代码哪些能复用、哪些应该扩展、哪些不应该动。

从这个过程来看，Agent 实际上做了几类工作：

• 分析已有工程
• 判断哪些代码需要修改
• 保留旧接口兼容性
• 清理临时文件
• 更新测试
• 更新文档
• 最后再重新提交

这比单纯生成一个新的 Demo 更接近真实工程开发。

三、项目从 9 种算法升级到 14 种算法

升级完成以后，原来的 9 种算法全部保留。

同时新增了：

边缘检测

• Sobel
• Canny

轮廓与特征检测

• 轮廓检测
• Harris 角点
• SIFT 特征点

因此项目现在总共支持：

14 种 OpenCV 算法。

为了让算法数量增加以后页面仍然清晰，前端也重新进行了分类。

目前主要分为：

• 基础处理
• 滤波处理
• 形态学操作
• 边缘检测
• 轮廓与特征检测

从页面上可以看到，第一版原来的整体 UI 风格基本没有被破坏。

只是算法区域增加了新的分类和功能入口。

这也是我这次比较关注的一点：

增量开发并不只是“把新代码塞进去”，还需要考虑原来的页面结构还能不能继续使用。

四、实际案例一：Canny 边缘检测

接下来直接测试新增算法。

首先测试 Canny。

Canny 边缘检测在 OpenCV 中是非常经典的一种边缘检测算法。

最常见的两个参数是：

threshold1
threshold2

它们分别用于控制低阈值和高阈值。

这一次网页中也加入了这两个参数的调节。

我仍然使用上一篇测试时的同一张图片。

从结果可以看到：

原始彩色图像经过 Canny 处理以后，大部分颜色信息被去除，只保留了明显的边缘结构。

例如：

• 狗的轮廓
• 毛发纹理
• 草地边缘
• 树叶
• 建筑轮廓

都能够被比较明显地提取出来。

这也比之前直接写一行：

edges = cv2.Canny(img, 50, 150)

更适合拿来做参数实验。

因为现在可以直接调整 threshold1 和 threshold2，再观察边缘数量到底如何变化。

五、为什么 Canny 很适合做成可视化工具？

以前学习 Canny 时，代码本身其实并不复杂。

真正比较难理解的是：

参数变化到底会对结果产生什么影响？

例如：

• 阈值过低，可能会检测出大量噪声边缘
• 阈值过高，一些较弱边缘可能会被丢失
• 不同图像需要的参数也不完全一样

所以把它放进 Web 页面以后，学习体验会更直观。

以后如果继续扩展，还可以进一步加入：

• 高斯预处理开关
• 自动阈值
• Canny 与 Sobel 对比
• 多组参数同时展示

这样它就不只是一个“调用 OpenCV 的网页”，而可以继续发展成一个真正的算法实验平台。

六、实际案例二：SIFT 特征点检测

第二个我重点测试的是 SIFT。

SIFT 和 Canny 的效果完全不一样。

Canny 关注的是：

哪里存在明显边缘。

而 SIFT 更关注：

哪些位置可以作为稳定的局部特征。

例如：

• 纹理明显的位置
• 角点
• 局部结构变化明显的位置
• 尺度变化后仍然比较稳定的区域

实际运行以后，结果如下：

从图中可以看到，算法在图像中检测出了大量关键点。

尤其在：

• 草地
• 树叶
• 狗的毛发
• 面部
• 建筑物

这些纹理比较丰富的区域，特征点非常密集。

这些圆圈的大小和方向，也对应不同尺度和方向下检测到的局部特征。

这也是 SIFT 比单纯边缘检测更有意思的地方。

它不仅仅告诉我们：

哪里发生了像素变化。

还试图找到：

哪些局部区域具有更稳定的描述能力。

七、参数也不再写死

这一轮新增的算法并不是只做了一个固定调用。

比如 SIFT 页面中还可以继续调整相关参数。

Canny 也可以修改高低阈值。

轮廓检测可以通过面积阈值过滤一些比较小的轮廓。

也就是说，项目已经开始从：

“点击一个按钮执行算法”

逐渐变成：

“调整参数并观察算法行为”

这对于计算机视觉学习其实更有价值。

因为很多 OpenCV 算法真正需要理解的，并不只是 API 名字，而是：

参数和结果之间的关系。

八、增量开发有没有破坏第一版功能？

这一点是我这次最关心的。

因为如果 Agent 只是把 5 个新算法加进去，但把第一版原来的功能弄坏了，那这个升级实际上并不能算成功。

所以这一轮专门更新了 smoke_test.py。

最终测试结果：

62 / 62 全部通过

测试覆盖：

• 原来的 9 种算法
• 新增的 5 种算法
• 新算法参数调节
• stats 统计信息
• 异常处理
• 原有算法回归

最终一共覆盖：

14 种算法。

在完成测试以后，Agent 还更新了 README，并重新完成 Git 提交。

从提交记录也可以看到这一轮升级内容：

升级为计算机视觉算法实验室：
新增 Sobel / Canny / 轮廓 / Harris / SIFT 5 种算法

最终代码也已经重新推送到原来的 AtomGit 仓库。

九、这一轮比第一篇更能看出什么？

如果只看第一篇，其实很容易产生一个问题：

从零开发项目，看起来很厉害，但会不会本质上只是一次性生成了一套代码？

第二篇更能说明另一个问题。

因为这一次：

• 仓库已经存在
• 旧代码已经存在
• UI 已经存在
• 测试已经存在
• Git 历史也已经存在

Agent 需要先理解原有工程，然后再继续修改。

而不是简单地重新开始。

这一轮它需要做的是：

读取现有工程 → 判断修改范围 → 保留旧功能 → 新增功能 → 更新测试 → 回归验证 → 更新文档 → Git 提交

这更接近真实的软件开发过程。

十、从“基础处理”开始走向“计算机视觉算法实验室”

到目前为止，OpenCV Vision Lab 已经从第一版的基础图像处理，扩展成了一个包含 14 种算法的小型视觉实验平台。

目前新增的核心功能包括：

项目地址：

opencv-vision-lab:OpenCV Vision Lab —— 在线图像处理实验室 – AtomGit

十一、下一步准备继续做什么？

现在项目里已经有：

• 滤波
• 二值化
• 形态学
• 边缘检测
• 轮廓
• 角点
• 局部特征

但现在还有一个问题：

虽然参数可以调，但不同参数之间的差异还没有被系统地可视化。

所以下一篇我准备继续在这个项目上做：

OpenCV 参数可视化实验。

比如：

• Gaussian Kernel Size 对平滑效果的影响
• Canny 不同阈值组合对边缘数量的影响
• Harris 参数变化对角点数量的影响
• SIFT 参数变化对关键点数量的影响
• 轮廓面积阈值对检测结果的影响

也就是说，下一步不再只是继续“加算法”。

而是开始研究：

算法参数到底是怎么影响最终结果的。

这会比单纯调用 API 更接近真正理解 OpenCV。