VS2022中OpenCV4.5.5 C++找不到dnn_superres.hpp如何实现超分辨率

OpenCV 4.5.5官方默认发布的预编译包仅包含主仓库模块，dnn_superres属于opencv_contrib扩展仓库中的模块，默认安装不会部署该模块对应的头文件、lib和dll文件，因此编译时会抛出找不到opencv2/dnn_superres.hpp的错误。

方案1：编译集成opencv_contrib扩展，使用封装好的dnn_superres接口 #

• 下载和当前OpenCV版本完全一致的opencv_contrib 4.5.5源码，版本不匹配会出现编译兼容问题
• 打开CMake配置OpenCV编译项，找到OPENCV_EXTRA_MODULES_PATH配置项，填入解压后opencv_contrib目录下的modules文件夹绝对路径
• 按需勾选需要编译的模块（可取消其他不需要的contrib模块减少编译耗时），配置完成后生成Visual Studio 2022工程
• 打开生成的VS工程，分别编译Debug、Release版本，将编译产出的include、lib、dll文件替换本地原有OpenCV对应路径的文件
• 在VS2022项目的附加依赖项中补充链接opencv_dnn_superres455d.lib（Debug配置）和opencv_dnn_superres455.lib（Release配置）
• 配置完成后即可正常引入头文件调用接口，基础调用示例：

#include <opencv2/dnn_superres.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>

int main()
{
    cv::dnn_superres::DnnSuperResImpl sr;
    // 加载对应超分预训练模型，支持ESPCN、EDSR、FSRCNN、LapSRN等
    sr.readModel("EDSR_x4.pb");
    // 设置模型类型和超分倍率
    sr.setModel("edsr", 4);
    cv::Mat input_img = cv::imread("input.jpg");
    cv::Mat super_res_img;
    sr.upsample(input_img, super_res_img);
    cv::imwrite("sr_result.png", super_res_img);
    return 0;
}

编译时如果遇到文件下载失败的问题，可以手动下载对应依赖文件放到CMake提示的缓存目录后重新配置即可。

方案2：不依赖扩展模块，直接用OpenCV内置dnn模块实现超分 #

如果不想重新编译OpenCV，可以直接使用4.5.5版本主模块自带的dnn接口加载超分模型完成推理，不需要额外安装扩展，操作步骤如下：

• 提前准备好ONNX或PB格式的超分预训练模型，确认模型的输入输出节点、预处理要求
• 调用内置dnn接口完成图像预处理、模型推理、结果后处理即可，基础示例代码：

#include <opencv2/dnn.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>

int main()
{
    // 加载ONNX格式超分模型
    cv::dnn::Net sr_net = cv::dnn::readNetFromONNX("espcn_x4.onnx");
    cv::Mat input_img = cv::imread("input.jpg");
    // 按模型要求做预处理：归一化、转换NCHW blob格式
    cv::Mat input_blob;
    cv::dnn::blobFromImage(input_img, input_blob, 1.0/255.0, input_img.size(), cv::Scalar(), true, false);
    sr_net.setInput(input_blob);
    cv::Mat output_blob = sr_net.forward();
    // 后处理：将输出blob转换为标准Mat图像格式
    std::vector<cv::Mat> channel_mats;
    int out_h = output_blob.size[2];
    int out_w = output_blob.size[3];
    for (int i = 0; i < 3; i++)
    {
        cv::Mat ch(out_h, out_w, CV_32F, output_blob.ptr(0, i));
        channel_mats.push_back(ch);
    }
    cv::Mat super_res_img;
    cv::merge(channel_mats, super_res_img);
    super_res_img.convertTo(super_res_img, CV_8U, 255.0);
    cv::cvtColor(super_res_img, super_res_img, cv::COLOR_RGB2BGR);
    cv::imwrite("sr_result.png", super_res_img);
    return 0;
}

两种方案选择参考：方案1接口封装完善，不需要手动处理模型前后处理逻辑，调用简单，但需要重新编译OpenCV；方案2无需额外编译扩展，灵活性高，但需要根据所用模型的输入输出要求自行调整前后处理逻辑。

内容的提问来源于stack exchange，提问作者Krupali Mistry