前言：跟着浅墨大神，学习OpenCV3后，笔记如下。
1 基础知识
1.1 加载、修改、保存图像
- 加载 cv::imread
- 保存 cv::cvtColor
- 保存 cv::imwrite
Mat image = imread("E:/result/MyPic1.png", 0); //路径,0代表灰度打开
imshow("image1", image);
Mat gray_image;
cvtColor(image, gray_image, COLOR_BGR2GRAY); //转换色彩空间
imshow("out_gray_image", gray_image);
imwrite("E:/result/Mypic1_opencv.jpg", gray_image); //保存图片
1.2 获取图像像素指针
void showCamera()
{
VideoCapture capture(0); //从摄像头中读取视频
while (true)
{
Mat frame;
capture >> frame;
namedWindow("读取视频");
imshow("读取视频", frame);
waitKey(30);
}
}
void showCapture()
{
VideoCapture capture;
capture.open("E:/result/MyVid.avi");
while (true)
{
Mat frame;
capture >> frame; //读取当前帧
if (frame.empty())
{
break;
}
imshow("读取视频", frame);
waitKey(30); //30ms
}
}
void showImage()
{
Mat src, dst;
src = imread("E:/result/MyPic1.png");
//src = imread("E:/result/zkc2.jpg");
if (!src.data)
{
cout << "could not open this image..." << endl;
return;
}
imshow("【原图】input image", src);
Mat edge, grayImage;
cvtColor(src, grayImage, CV_BGR2GRAY);
blur(grayImage, edge, Size(3, 3));
Canny(edge, edge, 3, 9, 3);
imshow("【灰度】", grayImage);
imshow("【边缘检测】Canny", edge);
}
1.3 创建滑动条
createTrackbar()
int createTrackbar(conststring& trackbarname, conststring& winname, int* value, int count, TrackbarCallback onChange=0,void* userdata=0);
【示例】
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <iostream>
using namespace cv;
using namespace std;
//-----------------------------------【全局函数声明部分】-----------------
// 描述：全局函数声明
//--------------------------------------------------------------------
Mat img;
int threshval = 160; //轨迹条滑块对应的值，给初值160
//-----------------------------【on_trackbar( )函数】-------------------
// 描述：轨迹条的回调函数
//--------------------------------------------------------------------
static void on_trackbar(int, void*)
{
Mat bw = threshval < 128 ? (img < threshval) : (img > threshval);
//定义点和向量
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
//查找轮廓
findContours( bw, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_SIMPLE );
//初始化dst
Mat dst = Mat::zeros(img.size(), CV_8UC3);
//开始处理
if( !contours.empty() && !hierarchy.empty() )
{
//遍历所有顶层轮廓，随机生成颜色值绘制给各连接组成部分
int idx = 0;
for( ; idx >= 0; idx = hierarchy[idx][0] )
{
Scalar color( (rand()&255), (rand()&255), (rand()&255) );
//绘制填充轮廓
drawContours( dst, contours, idx, color, CV_FILLED, 8, hierarchy );
}
}
//显示窗口
imshow( "Connected Components", dst );
}
//-----------------------------------【main( )函数】--------------------------------------------
// 描述：控制台应用程序的入口函数，我们的程序从这里开始
//-----------------------------------------------------------------------------------------------
int main( )
{
system("color 5F");
//载入图片
img = imread("1.jpg", 0);
if( !img.data ) { printf("Oh，no，读取img图片文件错误~！ \n"); return -1; }
//显示原图
namedWindow( "Image", 1 );
imshow( "Image", img );
//创建处理窗口
namedWindow( "Connected Components", 1 );
//创建轨迹条
createTrackbar( "Threshold", "Connected Components", &threshval, 255, on_trackbar );
on_trackbar(threshval, 0);//轨迹条回调函数
waitKey(0);
return 0;
}
2 常用的数据结构和函数
2.1 点：Point类
//二维坐标系下点
Point point;
point.x = 10;
point.y = 8;
//或者
Point point = Point(10, 8);
2.2 颜色：Scalar类
//Scalar()具有4个元素的数组，最后一个可以不用，前三个表示BGR
Scalar(a, b, c); //a->B b->G c->R
2.3 尺寸：Size类
Size s1 = Size(5, 5); //构造Size宽5，高5，即xxx.width 和 xxx.height 均5
2.4 矩形：Rect类
//Rect包含左上角点坐标x，y 矩形的宽度width和高度height
//contains(Point) 判断点是否在内
//inside(Rect) 判断矩形是否在内
//tl()返回左上角坐标；
//br()返回右下角坐标；
Rect rect = rect1 & rect2; //交集
Rect rect = rect1 | rect2; //并集
Rect rectShift = rect + point; //平移
Rect rectScale = rect + size; //缩放
2.5 颜色空间转换：cvtColor()函数
//函数原型 输入图，输出图，颜色转换标识符，通道数（默认保持不变）
void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0);
cvtColor(srcImage, dstImage, COLOR_BGR2GRAY); //转换为灰度图
2.6 其他常用的知识点
Matx轻量级的Mat
Vec是Matx派生类，一维的
Range
Matx23f image1; //2*3float类型的Matx
Range:all(); //其实就是MATLAB里的符号
Range(a, b); //就是MATLAB中的a：b
OpenCV中防止溢出的函数
alignPtr、alignSize、allocate、deallocate、fastMalloc、fastFree
include <math.h>
计算向量角度函数 fastAtan2
计算立方根函数 cubeRoot
向上取整函数 cvCeil
向下取整函数 cvFloor
四舍五入函数 cvRound
判断自变量是否无穷大 cvIsInf
判断自变量是否不是一个数 cvIsNaN
显示文字函数 getTextSize、cvInitFont、putText
作图相关函数 circle、clipLine、ellipse、ellipse2Poly、line、rectangle、polylines、类LineIterator
填充相关函数 fillConvexPoly、fillPoly
OpenCv中RNG()函数作用为初始化随机数状态生成器
3 基本图形的绘制
- 绘制直线 Line 函数
- 绘制椭圆 ellipse 函数
- 绘制矩形 rectangle 函数
- 绘制圆 circle 函数
- 绘制填充的多边形 fillPoly 函数
void DrawEllopse(Mat img, double angele); //绘制椭圆
void DrawFilledCircle(Mat img, Point center); //绘制实心圆
void DrawPolygon(Mat img); //绘制凸多边形
void DrawLine(Mat img, Point start, Point end); //绘制直线
3.1 DrawEllipse()函数的写法
//绘制椭圆
void DrawEllipse(Mat img, double angle)
{
int thickness = 2;
int lineType = 8;
ellipse(img,
Point(WINDOW_WIDTH / 2, WINDOW_WIDTH / 2), //椭圆的中心点坐标
Size(WINDOW_WIDTH / 4, WINDOW_WIDTH / 16), //在这个大小的矩形内
angle, //椭圆旋转角度
0,
360,
Scalar(255, 129, 0), //BGR蓝色
thickness, //线宽2
lineType //线型8，联通线型
);
}
3.2 DrawFilledCircle()函数的写法
void DrawFilledCircle(Mat img, Point center)
{
int thinkness = -1;
int lineType = 8;
circle(img,
center, //圆心
WINDOW_WIDTH / 32, //半径
Scalar(0, 0, 255), //颜色
thinkness, //线宽-1，故为实心圆
lineType);
}
3.3 DrawPolygo()函数的写法
void DrawPolygon(Mat img)
{
int lineType = 8;
//Creat points
Point rookPoints[1][20];
rookPoints[0][0] = Point(WINDOW_WIDTH/4, 7* WINDOW_WIDTH/8);
rookPoints[0][1] = Point(3*WINDOW_WIDTH / 4, 7 * WINDOW_WIDTH / 8);
rookPoints[0][2] = Point(3*WINDOW_WIDTH / 4, 13 * WINDOW_WIDTH / 16);
rookPoints[0][3] = Point(11*WINDOW_WIDTH / 16, 13 * WINDOW_WIDTH / 16);
rookPoints[0][4] = Point(19*WINDOW_WIDTH / 32, 3 * WINDOW_WIDTH / 8);
rookPoints[0][5] = Point(3*WINDOW_WIDTH / 4, 3 * WINDOW_WIDTH / 8);
rookPoints[0][6] = Point(3*WINDOW_WIDTH / 4, WINDOW_WIDTH / 8);
rookPoints[0][7] = Point(26*WINDOW_WIDTH / 40, WINDOW_WIDTH / 8);
rookPoints[0][8] = Point(26*WINDOW_WIDTH / 40, WINDOW_WIDTH / 4);
rookPoints[0][9] = Point(22*WINDOW_WIDTH / 40, WINDOW_WIDTH / 4);
rookPoints[0][10] = Point(22*WINDOW_WIDTH / 40, WINDOW_WIDTH / 8);
rookPoints[0][11] = Point(18*WINDOW_WIDTH / 40, WINDOW_WIDTH / 8);
rookPoints[0][12] = Point(18*WINDOW_WIDTH / 40, WINDOW_WIDTH / 4);
rookPoints[0][13] = Point(14*WINDOW_WIDTH / 40, WINDOW_WIDTH / 4);
rookPoints[0][14] = Point(14*WINDOW_WIDTH / 40, WINDOW_WIDTH / 8);
rookPoints[0][15] = Point(WINDOW_WIDTH / 4, WINDOW_WIDTH / 8);
rookPoints[0][16] = Point(WINDOW_WIDTH / 4, 3 * WINDOW_WIDTH / 8);
rookPoints[0][17] = Point(13*WINDOW_WIDTH / 32, 3 * WINDOW_WIDTH / 8);
rookPoints[0][18] = Point(5*WINDOW_WIDTH / 16, 13 * WINDOW_WIDTH / 16);
rookPoints[0][19] = Point(WINDOW_WIDTH / 4, 13 * WINDOW_WIDTH / 16);
const Point* ppt[1] = { rookPoints[0] };
int npt[] = { 20 };
fillPoly(img,
ppt, //多边形顶点集
npt, //多边形顶点数目
1, //绘制的数量
Scalar(255, 255, 255), //颜色：白色
lineType);
}
3.4 DrawLine()函数的绘制
void DrawLine(Mat img, Point start, Point end)
{
int thinckness = 2;
int lineType = 8;
line(img,
start,
end,
Scalar(0, 0, 0),
thinckness,
lineType);
}
3.5 main()
#include <iostream>
#include <cstdlib>
#include <opencv2/opencv.hpp>
#define WINDOW_WIDTH 600
#define WINDOW_NAME1 "【绘制图1】"
#define WINDOW_NAME2 "【绘制图2】"
using namespace std;
using namespace cv;
void DrawEllipse(Mat img, double angele); //绘制椭圆
void DrawFilledCircle(Mat img, Point center); //绘制实心圆
void DrawPolygon(Mat img); //绘制凸多边形
void DrawLine(Mat img, Point start, Point end); //绘制直线
int main()
{
Mat atomImage = Mat::zeros(WINDOW_WIDTH, WINDOW_WIDTH, CV_8UC3);
Mat rookImage = Mat::zeros(WINDOW_WIDTH, WINDOW_WIDTH, CV_8UC3);
//1.1 绘制椭圆
DrawEllipse(atomImage, 90);
DrawEllipse(atomImage, 0);
DrawEllipse(atomImage, 45);
DrawEllipse(atomImage, -45);
//1.2 绘制圆心
DrawFilledCircle(atomImage, Point(WINDOW_WIDTH / 2, WINDOW_WIDTH / 2));
//2.1 绘制多边形
DrawPolygon(rookImage);
//2.2 绘制矩形
rectangle(rookImage,
Point(0, 7*WINDOW_WIDTH / 8),
Point(WINDOW_WIDTH, WINDOW_WIDTH),
Scalar(0, 255, 255),
-1,
8);
//2.3绘制一些线段
DrawLine(rookImage, Point(0, 15*WINDOW_WIDTH / 16),
Point(WINDOW_WIDTH, 15* WINDOW_WIDTH / 16));
DrawLine(rookImage, Point(WINDOW_WIDTH / 4, 7*WINDOW_WIDTH / 8),
Point(WINDOW_WIDTH / 4, WINDOW_WIDTH));
DrawLine(rookImage, Point(WINDOW_WIDTH / 2, 7*WINDOW_WIDTH / 8),
Point(WINDOW_WIDTH / 2, WINDOW_WIDTH));
DrawLine(rookImage, Point(3*WINDOW_WIDTH / 4, 7 * WINDOW_WIDTH / 8),
Point(3*WINDOW_WIDTH / 4, WINDOW_WIDTH));
//3.1 showImage
imshow(WINDOW_NAME1, atomImage);
moveWindow(WINDOW_NAME1, 0, 200);
imshow(WINDOW_NAME2, rookImage);
moveWindow(WINDOW_NAME2, WINDOW_WIDTH, 200);
waitKey();
return 0;
}
4 croe组件进阶
- 感兴趣区域（ROI）
- 图像混合
- 分离颜色通道
- 多通道颜色混合
- 调整对比度和亮度值
- 图像傅立叶变换
- 输入输出XML和YAML文件
4.1 图像中的像素
4.1.1 颜色空间缩减
//0~9 ->0;10~19->10
int divideWith = 10;
uchar table[256];
for(int i = 0; i < 256; i++)
{
table[i] = divideWith * (i / divideWith);
}
4.1.2 LUT函数：Look up table 操作
//建立Mat性用于查表
Mat lookUpTable(1, 256, CV_8U);
uchar* p = lookUpTable.data;
for (int i = 0; i < 256; i++)
p[i] = table[i];
//调用函数（I是输入，J是输出）
for (int i = 0; i < times; i++)
LUT(I, lookUpTable, J);
4.1.3 计时函数
double time0 = static_cast<double>(getTickCount()); //记录起始时间
// **** 图像操作 *** //
time0 = ((double)getTickCount() - time0) / getTickFrequency();
cout << "图像操作运行时间为：" << time0 << "秒" << endl; //输出运行时间
4.1.4 访问图像中像素的三种方法
- 指针访问
- 迭代器 iterator
- 动态地址计算
主程序 main
把256种颜色缩减成64种颜色
#include <iostream>
#include <cstdlib>
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp> //模块
#include <opencv2/imgproc/imgproc.hpp> //图像处理头文件
using namespace std;
using namespace cv;
void colorReduce(Mat & inputImage, Mat & outputImage, int div);
int main()
{
//1.创建原图并显示
Mat srcImage = imread("E:/result/MyPic1.png");
imshow("原始图像", srcImage);
//2.按照原图参数创建效果图
Mat dstImage;
dstImage.create(srcImage.rows, srcImage.cols, srcImage.type());
//3.记录起始时间
double time0 = static_cast<double>(getTickCount());
//4.调用颜色空间缩减函数
colorReduce(srcImage, dstImage, 32);
//5.计算运行时间并输出
time0 = ((double)getTickCount() - time0) / getTickFrequency();
cout << "图像操作运行时间为：" << time0 << "秒" << endl;
//6.显示效果图
imshow("效果图", dstImage);
waitKey();
return 0;
}
1.指针访问
void colorReduce(Mat & inputImage, Mat & outputImage, int div)
{
outputImage = inputImage.clone(); //复制实参到临时变量
int rowNumber = outputImage.rows; //行数
int colNumber = outputImage.cols * outputImage.channels(); //列数*通道数 = 每一行元素个数
//双循环，遍历所有像素值
for (int i = 0; i < rowNumber; i++) //行循环
{
uchar * data = outputImage.ptr<uchar>(i); //获取第i行的首地址
for (int j = 0; j < colNumber; j++) //列循环
{
data[j] = data[j] / div * div + div / 2;
}
}
}
2.迭代器访问
void colorReduce(Mat & inputImage, Mat & outputImage, int div)
{
outputImage = inputImage.clone();
//获取迭代器
Mat_<Vec3b>::iterator it = outputImage.begin<Vec3b>(); //初始位置的迭代器
Mat_<Vec3b>::iterator itend = outputImage.end<Vec3b>(); //终止位置的迭代器
//存取彩色图像像素
for (; it != itend; it++)
{
//处理每个像素
(*it)[0] = (*it)[0] / div * div + div / 2;
(*it)[1] = (*it)[1] / div * div + div / 2;
(*it)[2] = (*it)[2] / div * div + div / 2;
}
}
3 动态地址
void colorReduce(Mat & inputImage, Mat & outputImage, int div)
{
outputImage = inputImage.clone();
int rowNumber = outputImage.rows;
int colNumber = outputImage.cols;
//存取彩色图像像素
for (int i = 0; i < rowNumber; i++)
{
for (int j = 0; j < colNumber; j++)
{
outputImage.at<Vec3b>(i, j)[0] =
outputImage.at<Vec3b>(i, j)[0] / div * div + div / 2; //蓝色通道
outputImage.at<Vec3b>(i, j)[1] =
outputImage.at<Vec3b>(i, j)[1] / div * div + div / 2; //绿色通道
outputImage.at<Vec3b>(i, j)[2] =
outputImage.at<Vec3b>(i, j)[2] / div * div + div / 2; //红色通道
}
}
}
4.2 ROI区域图像叠加&图像混合
4.2.1 感兴趣区域：ROI (region of interesting)
Mat srcImage = imread...
Mat logo = imread...
Mat imageROI = srcImage(Rect(500, 250, logo.cols, logo.rows)); //img的ROI
Mat mask = imread("E:/pic.png", 0); //必须灰度图
logo.copyTo(imageROI, mask);
4.2.2 线性混合操作
计算数组加权和addWeighted()函数
void addWeighted(InputArray src1, double alpha, InputArray src2, double beta, double gamma, OutputArray dst, int dtype = -1);
//输入1，权重1，输入2（与1类型同），权重2，gamma，输出，默认深度同。
//内部操作如下
dst = src1[I]*alpha + src2[I]*beta + gamma;
4.3 分离颜色通道、多通道图像混合
- split
- merge
4.3.1 通道分离：split()函数
void split(const Mat& src, Mat* mvbegin);
void split(InputArray m, OutputArrayOfArrays mv);
基础示例
vector<Mat> channels;
Mat imageBlueChannel, imageGreenChannel, imageRedChannel;
srcImage = imread("MyPic");
//三通道图像转换成3个单通道图像
split(srcImage, channels); //分离颜色通道
imageBlueChannel = channels.at(0);
imageGreenChannel = channels.at(1);
imageRedChannel = channels.at(2);
4.3.2 通道合并：merge()函数
void merge(const Mat& mv, size_tcont, OutputArray dst);
void merge(InputArrayOfArrays mv, OutputArray dst);
Mat srcImage = imread("1.png");
Mat imageBlueChannel, imageGreenChannel, imageRedChannel, mergeImage;
//三通道图像转换成3个单通道图像
split(srcImage, channels); //分离颜色通道
imageBlueChannel = channels.at(0);
imageGreenChannel = channels.at(1);
imageRedChannel = channels.at(2);
//对拆分的通道进行合并
merge(channels, mergeImage);
4.4 图像对比度、亮度调整
4.4.1 理论依据
访问BGR像素
g(x) = a*f(x) + b
for (int y = 0; y < image.rows; y++)
{
for (int x = 0; x < image.cols; x++)
{
for (int c = 0; c < 3; c++)
{
new_image.at<Vec3b>(y, x)[c] =
saturate_cast<uchar>((g_nContrastValue*0.01)*(image.at<Vec3b>(y, x)[c])
+ g_nBrightValue);
}
}
}
//saturate_cast 保护防止溢出
4.4.2 示例程序：图像对比度、亮度调整
#include <iostream>
#include <cstdlib>
#include <math.h>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
static void on_ContrastAndBright(int, void *); //改变图像对比度和亮度值的回调函数
//static void ShowHelpText();
int g_nContrastValue; //对比度
int g_nBrightValue; //亮度值
Mat g_srcImage, g_dstImage;
int main()
{
//【1】读取输入图像
g_srcImage = imread("E:/result/MyPic.png");
if (!g_srcImage.data) { cout << "读取g_srcImage error~"; return false; }
g_dstImage = Mat::zeros(g_srcImage.size(), g_srcImage.type());
//【2】设置对比度和亮度
g_nBrightValue = 80;
g_nContrastValue = 80;
//【3】创建效果图窗口
namedWindow("【效果图窗口】", 1);
//【4】创建轨迹条
createTrackbar("对比度", "【效果图窗口】", &g_nContrastValue,
300, on_ContrastAndBright);
createTrackbar("亮 度", "【效果图窗口】", &g_nBrightValue,
200, on_ContrastAndBright);
//【5】进行回调函数初始化
on_ContrastAndBright(g_nContrastValue, 0);
on_ContrastAndBright(g_nBrightValue, 0);
//【6】按下"q"，程序退出
while(char(waitKey(1)) != 'q'){}
destroyAllWindows();
return 0;
}
static void on_ContrastAndBright(int, void *)
{
cvNamedWindow("【原图窗口】", 1);
//for计算：g_dstImage(i, j) = a*g_dstImage(i, j) + b
for (int y = 0; y < g_srcImage.rows; y++)
{
for (int x = 0; x < g_srcImage.cols; x++)
{
for (int c = 0; c < 3; c++)
{
g_dstImage.at<Vec3b>(y, x)[c] =
saturate_cast<uchar>((g_nContrastValue*0.01)*(g_srcImage.at<Vec3b>(y, x)[c])
+ g_nBrightValue);
}
}
}
imshow("【原图窗口】", g_srcImage);
imshow("【效果图窗口】", g_dstImage);
}
4.5 离散傅立叶变换
- 图像增强和去噪
- 图像分割
- 边缘检测、特征提取、图像压缩等
4.5.1 dft()函数
对一维或二维浮点数进行正向和反向离散傅立叶变换
void dft(InputArray src, OutputArray dst, int flages = 0, int nonzeroRows = 0)
//参数3->变换类型（默认正变换）；参数4->最好是要处理的行C.rows
dft()函数计算两个二维实矩阵卷积的示例核心片段
void convolveDFT(InputArray A, InputArray B, OutputArray C)
{
//【1】初始化输出矩阵
C.create(abs(A.rows - B.rows) + 1, abs(A.cols - B.cols) + 1, A.type());
Size dftSize;
//【2】计算DFT变换的尺寸
dftSize.width = getOptimalDFTSize(A.cols + B.cols - 1);
dftSize.height = getOptimalDFTSize(A.rows + B.rows - 1);
//【3】分配临时缓冲区并初始化为零
Mat tempA(dftSize, A.type(), Scalar::all(0));
Mat tempB(dftSize, B.type(), Scalar::all(0));
//【4】分别复制A和B到tempA和tempB的左上角
Mat roiA(tempA, Rect(0, 0, A.cols, A.rows));
A.copyTo(roiA);
Mat roiB(tempB, Rect(0, 0, B.cols, B.rows));
B.copyTo(roiB);
//【5】就地操作（in-place），快速傅立叶变换，并将nonzeroRows参数置为非零
dft(tempA, tempA, 0, A.rows);
dft(tempB, tempB, 0, B.rows);
//【6】将得到的频谱相乘，结果放在tempA中
mulSpectrums(tempA, tempB, tempA, 0);
//【7】将结果变换为频域，且结果行（result rows）都为非零
//我们只需要其中的C.rows的第一行，所以采用nonzeroRows == C.rows
dft(tempA, tempA, DFT_INVERSE + DFT_SCALE, C.rows);
//【8】将结果复制到C中
tempA(Rect(0, 0, C.cols, C.rows)).copyTo(C);
//所有的临时缓冲区将被自动释放，无需收尾工作
}
4.5.2 返回DFT最优尺寸大小：getOptimalDEFSize()函数
返回给定向量尺寸的傅立叶最优尺寸大小
int 类型的 vecsize, 向量尺寸，即图片的rows、cols
int getOptimalDEFSize(int vecsize);
4.5.3 扩充图像边界：copyMakeBorder()函数
void copyMakeBorder(InputArray src, OutputArray dst, int top, int bottom, int left, int right, int borderType, const Scalar& value = Scalar());
- 参数1：源图
- 参数2：输出，size为Size(src.cols+left+right, src.rows+top+bottom)
- 参数3-6：扩充多少像素，例如top=2，…
- 参数7：边界类型，常用BORDER_CONSTANT
- 参数8：默认为0
4.5.4 计算二维矢量的幅值：magnitude()函数
void magnitude(InputArray x, InputArray y, OutputArray magnitude
);
- 浮点型X坐标，实部
- 浮点型Y坐标，虚部
- 输出
4.5.5 计算自然对数：log()函数
void log(InputArray src, OutputArray dst);
4.5.6 矩阵归一化：normalize()函数
void normalize(InputArray src, OutputArray dst, double alpha = 1,
double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray())
- 参数3：归一化后的最大值，默认为1
- 参数4：归一化后的最大值，默认为0
- 参数5：归一化后的类型 NORM_LNF、NORM_L1、NORM_L2、NORM_MINMAX
- 参数6：默认-1，输出矩阵和src有同样类型
- 参数7：可选择掩膜mask操作
5 图像处理：线性&非线性滤波
imgproc组件是Image和Process组合
- 方框滤波——boxblur函数
- 均值滤波（邻域平均滤波）——blur函数
- 高斯滤波——GaussianBlur函数
- 中值滤波——medianBlur函数
- 双边滤波——bilateralFilter函数
5.1 方框滤波（box Filter）
方框滤波（box Filter）被封装在一个名为boxblur的函数中，作用是模糊一张图片
void boxFilter(InputArray src,OutputArray dst, int ddepth, Size ksize, Point anchor=Point(-1,-1), boolnormalize=true, int borderType=BORDER_DEFAULT)
均值滤波是方框滤波归一化后的特殊情况。
如果我们要在可变的窗口中计算像素总和，可以使用integral()函数。
5.2 均值滤波 (blur)
破坏了细节
void blur(InputArray src, OutputArraydst, Size ksize, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT )
第三个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般这样写Size( w,h )来表示内核的大小( 其中，w 为像素宽度， h为像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小。
第四个参数：默认中心点为目标点。
5.3 高斯滤波(GaussianBlur)
void GaussianBlur(InputArray src,OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, intborderType=BORDER_DEFAULT )
5.4 中值滤波：medianBlur()
medianBlur( InputArray src,OutputArray dst, int ksize )
5.5 双边滤波：bilateralFilter()
void bilateralFilter(InputArray src, OutputArraydst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
//载入原图
Mat image=imread("1.jpg");
//进行双边滤波操作
Mat out;
bilateralFilter( image, out, 25, 25*2, 25/2 );
5.6 【示例】双边滤波+bar
Mat g_srcImage, g_dstImage;
//双边滤波参数值
int g_nBilateralFilterValue = 10;
//轨迹条回调函数 -
static void on_BilateralFilter(int, void *);
int main()
{
g_srcImage = imread("E:/result/MyPic.png", 1);
if (!g_srcImage.data)
{
cout << "读取错误" << endl;
return 0;
}
//复制原图
g_dstImage = g_srcImage.clone();
namedWindow("【原图】双边滤波", 1);
imshow("【原图】双边滤波", g_srcImage);
//双边滤波操作
namedWindow("【效果图】双边滤波", 1);
createTrackbar("value：", "【效果图】双边滤波", &g_nBilateralFilterValue,
50, on_BilateralFilter);
on_BilateralFilter(g_nBilateralFilterValue, 0);
waitKey(0);
return 0;
}
//回调函数
static void on_BilateralFilter(int, void *)
{
bilateralFilter(g_srcImage, g_dstImage, g_nBilateralFilterValue,
g_nBilateralFilterValue * 2, g_nBilateralFilterValue / 2);
imshow("【效果图】双边滤波", g_dstImage);
}
6 图像处理：形态学滤波(1)
- 腐蚀
- 膨胀
腐蚀和膨胀是对***白色部分（高亮部分***）而言的，不是黑色部分。
膨胀就是图像中的高亮部分进行膨胀，“领域扩张”，效果图拥有比原图更大的高亮区域。腐蚀就是原图中的高亮部分被腐蚀，“领域被蚕食”，效果图拥有比原图更小的高亮区域。
6.1 膨胀：dilate()
void dilate(
InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor=Point(-1,-1),
int iterations=1,
int borderType=BORDER_CONSTANT,
const Scalar& borderValue=morphologyDefaultBorderValue()
);
第三个参数，InputArray类型的kernel，膨胀操作的核。若为NULL时，表示的是使用参考点位于中心3x3的核。
我们一般使用函数 getStructuringElement配合这个参数的使用。getStructuringElement函数会返回指定形状和尺寸的结构元素（内核矩阵）。
其中，getStructuringElement函数的第一个参数表示内核的形状，可以选择如下三种形状之一:
- 矩形: MORPH_RECT
- 交叉形: MORPH_CROSS
- 椭圆形: MORPH_ELLIPSE
而getStructuringElement函数的第二和第三个参数分别是内核的尺寸以及锚点的位置。
我们一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。
对于锚点的位置，有默认值Point(-1,-1)，表示锚点位于中心。且需要注意，十字形的element形状唯一依赖于锚点的位置。而在其他情况下，锚点只是影响了形态学运算结果的偏移。
getStructuringElement函数相关的调用示例代码如下：
int g_nStructElementSize = 3; //结构元素(内核矩阵)的尺寸
//获取自定义核
Mat element = getStructuringElement(MORPH_RECT,
Size(2*g_nStructElementSize+1,2*g_nStructElementSize+1),
Point( g_nStructElementSize, g_nStructElementSize ));
【膨胀核心代码】
//载入原图
Mat image = imread("1.jpg");
//获取自定义核
Mat element = getStructuringElement(MORPH_RECT, Size(15, 15));
Mat out;
//进行膨胀操作
dilate(image, out, element);
6.2 腐蚀：erode()
参数列表与6.1相同
【腐蚀核心代码】
//载入原图
Mat image = imread("1.jpg");
//获取自定义核
Mat element = getStructuringElement(MORPH_RECT, Size(15, 15));
Mat out;
//进行腐蚀操作
erode(image,out, element);
7 图像处理：形态学滤波(2)
7.1 开运算：Opening Operation
先腐蚀后膨胀的过程
开运算可以用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
7.2 闭运算：Closing Operation
先膨胀后腐蚀的过程
排除小型黑洞(黑色区域)
7.3 形态学梯度：MorphologicalGradient
膨胀图与腐蚀图之差
对二值图像进行这一操作可以将团块（blob）的边缘突出出来
7.4 顶帽：Top Hat
原图像与“开运算“的结果图之差
顶帽运算往往用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。
7.5 黑帽：Black Hat
”闭运算“的结果图与原图像之差
分离比邻近点暗一些的斑块
7.6 核心API函数：morphologyEx()
void morphologyEx(
InputArray src,
OutputArray dst,
int op,
InputArraykernel,
Pointanchor=Point(-1,-1),
intiterations=1,
intborderType=BORDER_CONSTANT,
constScalar& borderValue=morphologyDefaultBorderValue() );
MORPH_OPEN – 开运算（Opening operation）
MORPH_CLOSE – 闭运算（Closing operation）
MORPH_GRADIENT -形态学梯度（Morphological gradient）
MORPH_TOPHAT - “顶帽”（“Top hat”）
MORPH_BLACKHAT - “黑帽”（“Black hat“）
MORPH_ERODE - 腐蚀
MORPH_DILATE - 膨胀
getS参数一：
- 矩形: MORPH_RECT
- 交叉形: MORPH_CROSS
- 椭圆形: MORPH_ELLIPSE
【getS示例】
int g_nStructElementSize = 3; //结构元素(内核矩阵)的尺寸
//获取自定义核
Mat element =getStructuringElement(MORPH_RECT,
Size(2*g_nStructElementSize+1,2*g_nStructElementSize+1),
Point(g_nStructElementSize, g_nStructElementSize ));
//定义核[常用版本]
Mat element = getStructuringElement(MORPH_RECT, Size(15, 15));
8 图像处理：一些算法
8.1 漫水填充算法：floodFill()
用特定的颜色填充联通区域
标记或分离图像的一部分以便对其进行进一步处理或分析
int floodFill(InputOutputArray image, InputOutputArray mask, Point seedPoint,Scalar newVal, Rect* rect=0, Scalar loDiff=Scalar(), Scalar upDiff=Scalar(), int flags=4 )
8.2 图像金字塔与图像尺寸缩放
* **resize() 缩放**
* **pyrUp() 向上采样（高斯金字塔） -- 尺寸加倍**
* **pyrDown() 向下采样（拉普拉斯金字塔）**
resize() 函数
void resize(InputArray src,OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR )
INTER_NEAREST - 最近邻插值
INTER_LINEAR - 线性插值（默认值）
INTER_AREA - 区域插值（利用像素区域关系的重采样插值）
INTER_CUBIC –三次样条插值（超过4×4像素邻域内的双三次插值）
INTER_LANCZOS4 -Lanczos插值（超过8×8像素邻域的Lanczos插值）
若要缩小图像，一般情况下最好用CV_INTER_AREA来插值，
而若要放大图像，一般情况下最好用INTER_CUBIC（效率不高，慢，不推荐使用）或INTER_LINEAR（效率较高，速度较快，推荐使用）。
【方式一：设定目标尺寸】
Mat dst=Mat::zeros(512 ,512, CV_8UC3 );//新建一张512x512尺寸的图片
Mat src=imread(“1.jpg”);
//显式指定dsize=dst.size（）,那么fx和fy会其计算出来，不用额外指定。
resize(src, dst, dst.size());
【方式二：设定放缩因子】
Mat dst;
Mat src=imread(“1.jpg”)
//指定fx和fy，让函数计算出目标图像的大小。
resize(src, dst, Size(), 0.5, 0.5); //x，y 缩放0.5
pyrUp() 向上采样（高斯金字塔） – 尺寸放大
void pyrUp(InputArray src, OutputArraydst, const Size& dstsize=Size(), int borderType=BORDER_DEFAULT )
pyrDown() 向下采样（拉普拉斯金字塔） – 尺寸缩小
void pyrDown(InputArray src,OutputArray dst, const Size& dstsize=Size(), int borderType=BORDER_DEFAULT)
8.3 阈值化
根据灰度差异，选区出目标
- Threshold() 固定阈值操作
- adaptiveThreshold() 自适应阈值
Threshold() 固定阈值操作
典型应用于灰度图处理，得到二值图像
double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type)
参数三：具体的阈值。
adaptiveThreshold() 自适应阈值
void adaptThresholde(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)
9 图像变换：边缘检测
* **Canny 算子**
* **Sobel 算子**
* **Laplacian 算子**
* **Scharr 滤波器**
9.1 Canny() 函数
void Canny(InputArray image,OutputArray edges, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false )
//[示例]
Mat src = imread("1.jpg"); //工程目录下应该有一张名为1.jpg的素材图
Canny(src, src, 3, 9, 3);
imshow("【效果图】Canny边缘检测", src);
9.2 sobel 算子
Sobel 算子是一个主要用作边缘检测的离散微分算子 (discrete differentiation operator)。 Sobel算子结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。
在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
void Sobel (
InputArray src,//输入图
OutputArray dst,//输出图
int ddepth,//输出图像的深度
int dx,
int dy,
int ksize=3,
double scale=1,
double delta=0,
int borderType=BORDER_DEFAULT );
9.3 Laplacian() 函数
void Laplacian(InputArray src,OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, intborderType=BORDER_DEFAULT );
9.4 scharr 滤波器
使用Scharr滤波器运算符计算x或y方向的图像差分。
其实它的参数变量和Sobel基本上是一样的，除了没有ksize核的大小。
void Scharr(
InputArray src, //源图
OutputArray dst, //目标图
int ddepth,//图像深度
int dx,// x方向上的差分阶数
int dy,//y方向上的差分阶数
double scale=1,//缩放因子
double delta=0,// delta值
intborderType=BORDER_DEFAULT )// 边界模式
10 图像变换：霍夫变换
10.1 霍夫线变换
<1>标准霍夫变换（StandardHough Transform，SHT），由HoughLines函数调用。
<2>多尺度霍夫变换（Multi-ScaleHough Transform，MSHT），由HoughLines函数调用。
<3>累计概率霍夫变换（ProgressiveProbabilistic Hough Transform，PPHT），由HoughLinesP函数调用。
10.2 标准霍夫变换：HoughLines()
void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 )
10.3 累计概率霍夫变换：HoughLinesP()
void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength=0, double maxLineGap=0 )
10.4 霍夫圆变换：HoughCircles()
oughCircles函数可以利用霍夫变换算法检测出灰度图中的圆
void HoughCircles(InputArray image,OutputArray circles, int method, double dp, double minDist, double param1=100,double param2=100, int minRadius=0, int maxRadius=0 )
11 图像变换：其他知识
11.1 重映射：remap()
镜像、翻转
11.2 仿射变换
* **旋转 rotation（线性变换）**
* **平移 translation（向量加）**
* **缩放 scale（线性变换）**
11.3 仿射变换：WarpAffine()函数
11.4 计算二维旋转变换矩阵：getRotationMatrix2D()函数
11.5 直方图均衡化：equalizeHist()
void equalizeHist(InputArray src, OutputArray dst)
12 图像轮廓与图像分割修复
12.1 寻找轮廓：findContours()
用于二值图像中寻找轮廓
vector<vector<Point>> contours; //轮廓
vector<Vec4i> hierarchy; //层次结构
12.2 绘制轮廓：drawContours()
绘制外部/内部轮廓
12.3 寻找凸包：convexHull()
12.4 使用多边形轮廓包围
12.4.1 返回外部矩形边界：boundingRect()
//返回Rect
12.4.2 寻找最小包围矩形：minAreaRect()
//返回RotatedRect
12.4.3 寻找最小包围圆形：minEnclosingCircle()
12.4.4 椭圆拟合二维点集：fitEllipse()
//返回RotatedRect
12.4.5 逼近多边形曲线：approxPolyDP()
12.5 图像的矩
12.5.1 矩的计算：moments()
//返回Moments
12.5.2 轮廓面积：contourArea()
//返回double
12.5.3 轮廓长度：arcLength()
//返回double
12.6 分水岭算法：watershed()
12.7 图像修补：inpaint()
13 直方图与匹配
13.1 计算直方图：calcHist()
13.2 找寻最值：minMaxLoc()
13.3 对比直方图：compareHist()
13.4 计算反向投影：calcBackProject()
13.5 通道复制：mixChannels()
13.6 模板匹配：matchTemplate()
14 深入feature2d组件
14.1 harris角点检测：cornerHarris()
14.2 Shi-Tomasi角点检测：确定强角点：goodFeaturesToTrack()
14.3 寻找亚像素点：cornerSubPix()
15 特征检测与匹配
- FAST—FastFeatureDetector
- STAR—StarFeatureDetector
- SIFT—SIFT
- SURF—SURF
- ORB—ORB
- MSER—MSER
- GFTT—GoodFeatureToTrackDetector
- HARRIS—GoodFeatureToTrackDetector(配合Harris detector操作)
- Dense—DenseFeatureDetector
- SimpleBlob—SimpleBlobDetector
15.1 绘制关键点：drawKeyPoints()
16 xfeatures2d
16.1 SURF
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
int main(int argc, char** argv)
{
Mat src = imread("1.jpg", IMREAD_GRAYSCALE);
if (src.empty()) { cout << "load error!" << endl; return -1; }
namedWindow("input image", WINDOW_AUTOSIZE);
imshow("input image", src);
//SURF特征检测
int minHessian = 400;
Ptr<SURF> detector = SURF::create(minHessian);
vector<KeyPoint> keypoints;
detector->detect(src, keypoints, Mat());
//绘制关键点
Mat keypoint_img;
drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("keypoints", keypoint_img);
waitKey(0);
return 0;
}
16.2 SIFT
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
int main(int argc, char** argv)
{
Mat src = imread("1.jpg", IMREAD_GRAYSCALE);
if (src.empty()) { cout << "load error!" << endl; return -1; }
namedWindow("input image", WINDOW_AUTOSIZE);
imshow("input image", src);
//SIF特征检测
int numFeatures = 100;
Ptr<SIFT> detector = SIFT::create(numFeatures);
vector<KeyPoint> keypoints;
detector->detect(src, keypoints, Mat());
//绘制
Mat keypoints_img;
drawKeypoints(src, keypoints, keypoints_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
namedWindow("SIFT - OUT", WINDOW_AUTOSIZE);
imshow("SIFT - OUT", keypoints_img);
waitKey(0);
return 0;
}
16.3 HOG
16.4 Haar
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Oa46OTck-1582962531761)(https://uploader.shimo.im/f/bGxaBSZQO1oCcd8A.png!thumbnail)]
16.5 匹配
16.5.1 Burte-Force 暴力匹配
BFMacher matcher(NORM_L2);
16.5.2 FLANN 快速特征匹配
//FlannBasedMatcher matcher;
FlannBasedMatcher matcher(new flann::LshIndexParams(20, 10, 2));
16.5.3 对象的形变与位置变换
16.5.4 AKAZE局部特征提取
Ptr<AKAZE> detector = AKAZE::create();
16.5.5 BRISK
Ptr<Feature2D> detector = BRISK::create();
Ptr<Feature2D> detector = BRISK::create();
vector<KeyPoint> keypoints;
detector->detect(srcImage1, keypoints, Mat());
Mat resultImg;
drawKeypoints(srcImage1, keypoints, resultImg);
imshow("resultImg", resultImg);
16.6 级联检测器 - 人脸检测
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/features2d.hpp>
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
int main(int argc, char** argv)
{
String cascadeFilePath = "D:/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";
CascadeClassifier face_cascade;
if (!face_cascade.load(cascadeFilePath))
{
cout << "could not load haar dara.." << endl;
return -1;
}
Mat src, src_gray;
src = imread("E:/result/666.jpg", IMREAD_COLOR);
cvtColor(src, src_gray, COLOR_BGR2GRAY);
//imshow("原图", src);
equalizeHist(src_gray, src_gray);
vector<Rect> faces;
face_cascade.detectMultiScale(src_gray, faces, 1.1, 2, 0);
for (size_t t = 0; t < faces.size(); t++)
{
rectangle(src, faces[t], Scalar(0, 0, 255), 2, 8, 0);
}
imshow("faces", src);
waitKey(0);
return 0;
}
来源：CSDN
作者：张林克
链接：https://blog.csdn.net/weixin_45292794/article/details/104575749