

首页  思维导图  详情



OpenCV

2018-04-07 16:34:29   22  举报





AI智能生成

opencv基础

OpenCV

模版推荐

作者其他创作

大纲/内容

基本操作

图像的读取，显示和储存

imread(,正数为彩色)

16U和32S imshow()会把值都除以255，浮点的会乘以255

flip(img,out,正数表示水平，0表示垂直，负数表示水平和垂直)

拓展：void onMouse( int event, int x, int y, int flags, void* param)

<div>cv::setMouseCallback("window", onMouse,reinterpret_cast<void*>(&image));<br></div>

Mat

Mat img2(img1)和img2=img1,浅复制；img.copyTo(),img.clone(),img.convertTo()深度复制

image1.create(200,200,CV_8U) 重新分配一个新图像（仅在大小或类型不同时）

可以定义由一些行或列组成的roi：image.rowRange(start,end);

操作像素

vec3b三个uchar，用Vec<T,N>模板类定义，其中T是类型，N是向量元素的数量。

用Mat_模板操作图像,cv::Mat_<uchar> im2(image);im2(50,100)= 0;

template《typename _Tp》 class Mat_ : public Mat

用指针扫描图像

<div>为了提高性能，会在图像的每行末尾用额外的像素进行填充。</div>

<span>用cv::Mat的isContinuous方法可方便地判</span><br><span>断出图像有没有被填充。如果图像中没有填充像素，它就返回</span><br><span>true。我们还能这样测试矩阵的连续性：</span><br><span>// 检查行的长度（字节数）与“列的个数 × 单个像素”的字节数是否相等</span><br><span>image.step == image.cols*image.elemSize();</span>

根据图像是否填充

可以这样优化

还可以

低层次指针

<div>cv::Mat_<cv::Vec3b> cimage(image);</div><div>cv::Mat_<cv::Vec3b>::iterator it= cimage.begin();</div><div>cv::Mat_<cv::Vec3b>::iterator itend= cimage.end();</div>

用迭代器扫描图像

MatIterator<cv::Vec3b> it

Mat_<cv::Vec3b>::iterator it

然后直接for循环begin，end

<div><div>// 在初始位置获得迭代器</div><div>cv::Mat_<cv::Vec3b>::iterator it=</div><div>image.begin<cv::Vec3b>();</div><div>// 获得结束位置</div><div>cv::Mat_<cv::Vec3b>::iterator itend=</div><div>image.end<cv::Vec3b>();<br>或</div>cv::Mat_<cv::Vec3b> cimage(image);</div><div>cv::Mat_<cv::Vec3b>::iterator it= cimage.begin();</div><div>cv::Mat_<cv::Vec3b>::iterator itend= cimage.end();</div>

拓展1：cv::saturate_cast<tp>(),以确保结果在该数据类型定义的范围之内

拓展2：setTo()，方法对矩阵中所有元素赋值

result.row(0).setTo(cv::Scalar(0))，这个语句把结果图像第一行的所有像素设置为0。

拓展3：滤波函数：filter2D()；调用函数并传入图像和内核，即可返回滤波后的图像。

简单图像运算

cv::add

// c[i]= a[i]+b[i];<br>cv::add(imageA,imageB,resultC);<br>// c[i]= a[i]+k;<br>cv::add(imageA,cv::Scalar(k),resultC);<br>// c[i]= k1*a[1]+k2*b[i]+k3;<br>cv::addWeighted(imageA,k1,imageB,k2,k3);<br>// c[i]= k*a[1]+b[i];<br>cv::scaleAdd(imageA,k,imageB,resultC);

还可以加掩码

<div>1.cv::subtract、cv::absdiff、cv::multiply和cv::divide等函数的多种格式。<br>2.此外还有位运算符（对像素的二进制数值进行按位运算）：<br>   cv::bitwise_and、cv::bitwise_or、cv::bitwise_xor和cv::bitwise_not。<br>3.cv::min和cv::max运算符也非常实用，它们可找到每个元素中最大或最小的像素值。</div><div>4.在所有场合都要使用cv::saturate_cast函数，以确保结果在预定的像素值范围之内（避免上溢或下溢）。</div><div>   这些图像必定有相同的大小和类型（如果与输入图像大小不匹配，输出图像会重新分配）。<br></div><div>5.还有一些运算符使用单个输入图像：cv::sqrt、cv::pow、cv::abs、cv::cuberoot、cv::exp和cv::log。<br>6.事实上，无论需要对图像像素做任何运算，OpenCV几乎都有相应的函数</div>

拓展：

重载图像运算符

<div>大多数运算函数都有对应的重载运算符。因此调用cv::addWeighted的语句可以写成：</div><div>result= 0.7*image1+0.9*image2;</div><div>这种代码也会调用cv::saturate_cast函数。</div><div>大部分C++运算符都已被重载。其中包括：位运算符&、 |、 ^和~；</div><div>函数min、max和abs；比较运算符<、 <=、 ==、 !=、>和>=，它</div><div>们返回一个8位的二值图像。此外还有矩阵乘法m1*m2（其中m1和m2</div><div>都是cv::Mat实例）、矩阵求逆m1.inv()、变位m1.t()、行列</div><div>式m1.determinant()、求范数v1.norm()、叉</div><div>乘v1.cross(v2)、点乘v1.dot(v2)，等等。在理解这点后，你</div><div>就会使用相应的组合赋值符了（例如+=运算符）</div>

图像split()和merge()

<div>// (i,j)像素的新位置</div><div>srcX.at<float>(i,j)= j; // 保持在同一列</div><div>// 原来在第i行的像素，现在根据一个正弦曲线移动</div><div>srcY.at<float>(i,j)= i+5*sin(j/10.0);</div>cv::remap(image, result, srcX, srcY, cv::INTER_LINEAR);

彩色图像

图片操作

图像变换

图像检测

提取轮廓

canny算子

介绍：通常基于sobel算子，利用低阈值(只保留连续线条)和高阈值(边缘和低阈值的线段相连)混合使用sobel，检测得到高质量的边缘图像。

提取直线

霍夫变换

介绍：枚举每个像素点经过的直线(参数方程形式)，根据最低投票数选出相应直线。

缺点：只能检测出直线。

函数：HoughLines()

拓展：霍夫变换可以检测任何可以用参数方程表示的物体，例如圆形，使用HoughCircles()

概率霍夫变换

介绍：随机选取像素点，一旦有线段达到最下投票数则根据线段长度，线段间隙要求排除相关像素。

特点：可以检测线段。

函数：HoughLinesP()

点集的直线拟合

条件：canny检测边缘后的图像与上提取出的某一条直线(可以调整线粗细)可得到点集

函数：fiteLine()

介绍：根据点集模拟一条直线，可选择不同的方式(不同的距离函数)

拓展：利用fitEllipse()可以返回一个旋转矩形，内切一个ellipse

提取连通区域轮廓

函数：findContours()

介绍：可对二值图像提取连通轮廓

运用1：通过面积筛选出需要的轮廓

运用2：计算轮廓的形状描述子

计算方法

1.边界框：boundingRect()

2.最小覆盖圆：minEnclosingCircle()

3.多边形逼近：polylines()

1.带角度，第二个参数使用approxPolyDp()获得

2.带弧度(凸包)，第二个参数使用convexHull()获得

4.中心距函数：moments()

介绍：中心距，原点矩，moments计算公式介绍

运用：m10/m00，m01/m00为质心坐标

5.其它：

minAreaRect()最小覆盖自由矩形

contourArea()估算轮廓内部像素

pointPolygonTest()判断点在轮廓内外

matchShapes()判断连个轮廓的相似度

拓展：四边形检测

思路：用多边形逼近轮廓，判断边数

感兴趣点

检测

检测图像的角点

Harris特征检测

步骤1：函数：cornerHarris()，计算出每个像素的Harris值

步骤2：非最大值抑制：<br>

步骤1.使用compare处理膨胀之后的Harris矩阵，得到极大值范围矩阵

步骤2.对Harris矩阵阈值化(只取最大Harris值*比例)得到角点分布图

步骤3.使用与运算处理极大值范围矩阵和角点分布图，得到最大Harris值*比例的极大分布，排除掉相邻的角点

拓展

1.适合跟踪的特征，goodFeaturesToTrack()

介绍：显示的计算协方差矩阵的特征值，而不是用传统的通过(给定k值然后根据行列式值和矩阵的迹来评定特征值的大小关系)

有一个参数可以选择采用传统的角点评定

输出是Vec2f的数组

2.特征检测方法的通用接口

抽象类FeatureDetector

子类：GoodFeaturesToTrackDetector，效果和1一样

快速检测特征

FAST算子

步骤1

利用特征检测通用接口和FAST检测器，FastFeatureDetector(用的是FAST-9角点检测器)

利用FAST()函数，第四个参数可以决定是否进行非最大值抑制

步骤2：利用drawKeypoints()在输入图像上画出关键点(用负数作为颜色会随机选择每个圆的颜色)

尺度不变的特征检测

SURF

SIFT

多尺度FAST特征的检测

BRISK

ORB

描述和匹配

局部模板匹配

获取keypoints

利用matchTemplate()找到每个keypoint的最相似匹配

drawMatches()

描述局部强值模式

使用SURF或SIFT

1.检测keypoints

2.计算关键点的描述子

3-1.BFmatcher匹配最佳对，matcher(NORM_L2,true),true代表去掉不互相为最佳匹配的

3-2.比率检验,使用knnMatch()，找出每个点的前n个最佳匹配项，若第一个和第二个相差很小，则舍去

3-3.匹配差值的阈值化，把描述点差值较大的匹配项排除，radiusMatch()

4.策略之间可以相互组合

用二值特征描述关键点

使用ORB或BRISK

1.检测keypoints

2.计算关键点的描述子

3.BFmatcher匹配最佳对，matcher(NORM_HAMMING(只能用这个),true),true代表去掉不互相为最佳匹配的

拓展：FREAK，只能计算描述子

投影关系

相机校准,使用多个棋盘图像获取calibrateCamera()的参数,然后remap()

计算图像对的基础矩阵(用来把一个视图上的点映射到另一个视图上的对极线上)

使用findFundamentalMat()计算

KeyPoints::convert()可以把KeyPoints转换成Point2f

computeCorrespondEpilines()可以计算出对极线的向量(ax+by+c=0),(a,b,c)

RANSAC算法匹配图像

计算出matches，把匹配出来的点都存在points1，points2中

使用使用findFundamentalMat(points1, points2, inliers)计算，然后根据inliers把matches筛选

拓展1.可以根据新的matches，继续通过findFundamentalMat()计算出更精确的基础矩阵

拓展2.使用correctMatches(),用更精确的基础矩阵，把points1，和points2变得更加符合对极线

计算两幅图像的单应矩阵

使用findHomography()

使用warpPerspective()扭曲输入图像到另一个图像

把img2拷贝到img1的roi区域

拓展：检测图像中的平面目标

继续使用RANSAC算法，只不过使用findHomography()，获得单应矩阵

利用perspectiveTransform(corners,detectedCorners,homography)把源角点投射到目标图像

getPerspectiveTransform()可以直接得到四对点(按顺时针)的homography，可以用来修改平面物体的透视图

学习资料

基本操作

Mat

opencv用这个来存储图片,是一个矩阵(行、列)

Mat M(2,2, CV_8UC3, Scalar(0,0,255));

CV_8UC3

CV_[The number of bits per item][Signed or Unsigned][Type Prefix]C[The channel number]

行数mat.rows(), 列数: mat.rows()

第几行: mat.row(1)

读取图片

Mat image = imread(argv[1], CV_LOAD_IMAGE_COLOR);

loads the image in the BGR format

展示图片

namedWindow( "Display window", WINDOW_AUTOSIZE );

imshow( "Display window", image );

保存图片

imwrite( "./Gray_Image.jpg", gray_image );

修改图片

cvtColor( image, gray_image, CV_BGR2GRAY );

调整对比度和亮度：Mat::convertTo(OutputArray m, int rtype, double alpha=1, double beta=0 )

灰度化

cvtColor(src, src_gray, CV_BGR2GRAY);

CV_BGR2HSV

Hue, 色调(0°～360)

Saturation,饱和度(0.0~1.0)

Value 亮度(0.0 ~ 1.0

图片通道的分离

vector<Mat> bgr_planes; split( src, bgr_planes );

图片通道的合并

vector<Mat> bgr_planes; split( bgr_planes, dst );

裁剪图片

自定义区域

正方形: region of interest(ROI)

Rect roi (x, y, width, height)

src(roi).copyTo(dst)

wiki

 Collect

Get Started

openCV

 Collect

Get Started

Opencv cuda

 Collect

Get Started

openCV

 Collect

Get Started

Opencv





0 条评论

下一页