opencv中文手册.docx
《opencv中文手册.docx》由会员分享，可在线阅读，更多相关《opencv中文手册.docx（89页珍藏版）》请在冰豆网上搜索。
opencv中文手册
∙1梯度、边缘和角点
o1.1Sobel
o1.2Laplace
o1.3Canny
o1.4PreCornerDetect
o1.5CornerEigenValsAndVecs
o1.6CornerMinEigenVal
o1.7CornerHarris
o1.8FindCornerSubPix
o1.9GoodFeaturesToTrack
∙2采样、插值和几何变换
o2.1InitLineIterator
o2.2SampleLine
o2.3GetRectSubPix
o2.4GetQuadrangleSubPix
o2.5Resize
o2.6WarpAffine
o2.7GetAffineTransform
o2.82DRotationMatrix
o2.9WarpPerspective
o2.10WarpPerspectiveQMatrix
o2.11GetPerspectiveTransform
o2.12Remap
o2.13LogPolar
∙3形态学操作
o3.1CreateStructuringElementEx
o3.2ReleaseStructuringElement
o3.3Erode
o3.4Dilate
o3.5MorphologyEx
∙4滤波器与色彩空间变换
o4.1Smooth
o4.2Filter2D
o4.3CopyMakeBorder
o4.4Integral
o4.5CvtColor
o4.6Threshold
o4.7AdaptiveThreshold
∙5金字塔及其应用
o5.1PyrDown
o5.2PyrUp
∙6连接部件
o6.1CvConnectedComp
o6.2FloodFill
o6.3FindContours
o6.4StartFindContours
o6.5FindNextContour
o6.6SubstituteContour
o6.7EndFindContours
o6.8PyrSegmentation
o6.9PyrMeanShiftFiltering
o6.10Watershed
∙7图像与轮廓矩
o7.1Moments
o7.2GetSpatialMoment
o7.3GetCentralMoment
o7.4GetNormalizedCentralMoment
o7.5GetHuMoments
∙8特殊图像变换
o8.1HoughLines
o8.2HoughCircles
o8.3DistTransform
o8.4Inpaint
∙9直方图
o9.1CvHistogram
o9.2CreateHist
o9.3SetHistBinRanges
o9.4ReleaseHist
o9.5ClearHist
o9.6MakeHistHeaderForArray
o9.7QueryHistValue_1D
o9.8GetHistValue_1D
o9.9GetMinMaxHistValue
o9.10NormalizeHist
o9.11ThreshHist
o9.12CompareHist
o9.13CopyHist
o9.14CalcHist
o9.15CalcBackProject
o9.16CalcBackProjectPatch
o9.17CalcProbDensity
o9.18EqualizeHist
∙10匹配
o10.1MatchTemplate
o10.2MatchShapes
o10.3CalcEMD2
梯度、边缘和角点
Sobel
使用扩展Sobel算子计算一阶、二阶、三阶或混合图像差分
voidcvSobel（constCvArr*src,CvArr*dst,intxorder,intyorder,intaperture_size=3）;
src
输入图像.
dst
输出图像.
xorder
x方向上的差分阶数
yorder
y方向上的差分阶数
aperture_size
扩展Sobel核的大小，必须是1,3,5或7。
除了尺寸为1，其它情况下，aperture_size×aperture_size可分离内核将用来计算差分。
对aperture_size=1的情况，使用3x1或1x3内核（不进行高斯平滑操作）。
这里有一个特殊变量CV_SCHARR（=-1），对应3x3Scharr滤波器，可以给出比3x3Sobel滤波更精确的结果。
Scharr滤波器系数是：
对x-方向或矩阵转置后对y-方向。
函数cvSobel通过对图像用相应的内核进行卷积操作来计算图像差分：
由于Sobel算子结合了Gaussian平滑和微分，所以，其结果或多或少对噪声有一定的鲁棒性。
通常情况，函数调用采用如下参数（xorder=1,yorder=0,aperture_size=3）或（xorder=0,yorder=1,aperture_size=3）来计算一阶x-或y-方向的图像差分。
第一种情况对应：
核。
第二种对应：
或者
核的选则依赖于图像原点的定义（origin来自IplImage结构的定义）。
由于该函数不进行图像尺度变换，所以和输入图像（数组）相比，输出图像（数组）的元素通常具有更大的绝对数值（译者注：
即像素的位深）。
为防止溢出，当输入图像是8位的，要求输出图像是16位的。
当然可以用函数cvConvertScale或cvConvertScaleAbs转换为8位的。
除了8-位图像，函数也接受32-位浮点数图像。
所有输入和输出图像都必须是单通道的，并且具有相同的图像尺寸或者ROI尺寸。
Laplace
计算图像的Laplacian变换
voidcvLaplace（constCvArr*src,CvArr*dst,intaperture_size=3）;
src
输入图像.
dst
输出图像.
aperture_size
核大小（与cvSobel中定义一样）.
函数cvLaplace计算输入图像的Laplacian变换，方法是先用sobel算子计算二阶x-和y-差分，再求和:
对aperture_size=1则给出最快计算结果，相当于对图像采用如下内核做卷积：
类似于cvSobel函数，该函数也不作图像的尺度变换，所支持的输入、输出图像类型的组合和cvSobel一致。
Canny
采用Canny算法做边缘检测
voidcvCanny（constCvArr*image,CvArr*edges,doublethreshold1,
doublethreshold2,intaperture_size=3）;
image
单通道输入图像.
edges
单通道存储边缘的输出图像
threshold1
第一个阈值
threshold2
第二个阈值
aperture_size
Sobel算子内核大小（见cvSobel）.
函数cvCanny采用CANNY算法发现输入图像的边缘而且在输出图像中标识这些边缘。
threshold1和threshold2当中的小阈值用来控制边缘连接，大的阈值用来控制强边缘的初始分割。
∙注意事项：
cvCanny只接受单通道图像作为输入。
∙外部链接：
经典的canny自调整阈值算法的一个opencv的实现见在OpenCV中自适应确定canny算法的分割门限
PreCornerDetect
计算用于角点检测的特征图，
voidcvPreCornerDetect（constCvArr*image,CvArr*corners,intaperture_size=3）;
image
输入图像.
corners
保存候选角点的特征图
aperture_size
Sobel算子的核大小（见cvSobel）.
函数cvPreCornerDetect计算函数
其中D表示一阶图像差分，表示二阶图像差分。
角点被认为是函数的局部最大值：
//假设图像格式为浮点数
IplImage*corners=cvCloneImage（image）;
IplImage*dilated_corners=cvCloneImage（image）;
IplImage*corner_mask=cvCreateImage（cvGetSize（image）,8,1）;
cvPreCornerDetect（image,corners,3）;
cvDilate（corners,dilated_corners,0,1）;
cvSubS（corners,dilated_corners,corners）;
cvCmpS（corners,0,corner_mask,CV_CMP_GE）;
cvReleaseImage（&corners）;
cvReleaseImage（&dilated_corners）;
CornerEigenValsAndVecs
计算图像块的特征值和特征向量，用于角点检测
voidcvCornerEigenValsAndVecs（constCvArr*image,CvArr*eigenvv,
intblock_size,intaperture_size=3）;
image
输入图像.
eigenvv
保存结果的数组。
必须比输入图像宽6倍。
block_size
邻域大小（见讨论）.
aperture_size
Sobel算子的核尺寸（见cvSobel）.
对每个象素，函数cvCornerEigenValsAndVecs考虑block_size×block_size大小的邻域S（p），然后在邻域上计算图像差分的相关矩阵：
然后它计算矩阵的特征值和特征向量，并且按如下方式（λ1,λ2,x1,y1,x2,y2）存储这些值到输出图像中，其中
λ1,λ2-M的特征值，没有排序
（x1,y1）-特征向量，对λ1
（x2,y2）-特征向量，对λ2
CornerMinEigenVal
计算梯度矩阵的最小特征值，用于角点检测
voidcvCornerMinEigenVal（constCvArr*image,
CvArr*eigenval,intblock_size,intaperture_size=3）;
image
输入图像.
eigenval
保存最小特征值的图像.与输入图像大小一致
block_size
邻域大小（见讨论cvCornerEigenValsAndVecs）.
aperture_size
Sobel算子的核尺寸（见cvSobel）.当输入图像是浮点数格式时，该参数表示用来计算差分固定的浮点滤波器的个数.
函数cvCornerMinEigenVal与cvCornerEigenValsAndVecs类似，但是它仅仅计算和存储每个象素点差分相关矩阵的最小特征值，即前一个函数的min（λ1,λ2）
CornerHarris
哈里斯（Harris）角点检测
voidcvCornerHarris（constCvArr*image,CvArr*harris_responce,
intblock_size,intaperture_size=3,doublek=0.04）;
image
输入图像。
harris_responce
存储哈里斯（Harris）检测responces的图像。
与输入图像等大。
block_size
邻域大小（见关于cvCornerEigenValsAndVecs的讨论）。
aperture_size
扩展Sobel核的大小（见cvSobel）。
格式.当输入图像是浮点数格式时，该参数表示用来计算差分固定的浮点滤波器的个数。
k
harris检测器的自由参数。
参见下面的公式。
函数cvCornerHarris对输入图像进行Harris边界检测。
类似于cvCornerMinEigenVal和cvCornerEigenValsAndVecs。
对每个像素，在block_size*block_size大小的邻域上，计算其2*2梯度共变矩阵（或相关异变矩阵）M。
然后，将
det（M）-k*trace（M）2（这里2是平方）
保存到输出图像中。
输入图像中的角点在输出图像中由局部最大值表示。
FindCornerSubPix
精确角点位置
voidcvFindCornerSubPix（constCvArr*image,CvPoint2D32f*corners,
intcount,CvSizewin,CvSizezero_zone,
CvTermCriteriacriteria）;
image
输入图像.
corners
输入角点的初始坐标，也存储精确的输出坐标
count
角点数目
win
搜索窗口的一半尺寸。
如果win=（5,5）那么使用5*2+1×5*2+1=11×11大小的搜索窗口
zero_zone
死区的一半尺寸，死区为不对搜索区的中央位置做求和运算的区域。
它是用来避免自相关矩阵出现的某些可能的奇异性。
当值为（-1,-1）表示没有死区。
criteria
求角点的迭代过程的终止条件。
即角点位置的确定，要么迭代数大于某个设定值，或者是精确度达到某个设定值。
criteria可以是最大迭代数目，或者是设定的精确度，也可以是它们的组合。
函数cvFindCornerSubPix通过迭代来发现具有子象素精度的角点位置，或如图所示的放射鞍点（radialsaddlepoints）。
子象素级角点定位的实现是基于对向量正交性的观测而实现的，即从中央点q到其邻域点p的向量和p点处的图像梯度正交（服从图像和测量噪声）。
考虑以下的表达式：
εi=DIpiT•（q-pi）
其中，DIpi表示在q的一个邻域点pi处的图像梯度，q的值通过最小化εi得到。
通过将εi设为0，可以建立系统方程如下：
sumi（DIpi•DIpiT）•q-sumi（DIpi•DIpiT•pi）=0
其中q的邻域（搜索窗）中的梯度被累加。
调用第一个梯度参数G和第二个梯度参数b，得到：
q=G-1•b
该算法将搜索窗的中心设为新的中心q，然后迭代，直到找到低于某个阈值点的中心位置。
GoodFeaturesToTrack
确定图像的强角点
voidcvGoodFeaturesToTrack（constCvArr*image,CvArr*eig_image,CvArr*temp_image,
CvPoint2D32f*corners,int*corner_count,
doublequality_level,doublemin_distance,
constCvArr*mask=NULL）;
image
输入图像，8-位或浮点32-比特，单通道
eig_image
临时浮点32-位图像，尺寸与输入图像一致
temp_image
另外一个临时图像，格式与尺寸与eig_image一致
corners
输出参数，检测到的角点
corner_count
输出参数，检测到的角点数目
quality_level
最大最小特征值的乘法因子。
定义可接受图像角点的最小质量因子。
min_distance
限制因子。
得到的角点的最小距离。
使用Euclidian距离
mask
ROI:
感兴趣区域。
函数在ROI中计算角点，如果mask为NULL，则选择整个图像。
必须为单通道的灰度图，大小与输入图像相同。
mask对应的点不为0，表示计算该点。
函数cvGoodFeaturesToTrack在图像中寻找具有大特征值的角点。
该函数，首先用cvCornerMinEigenVal计算输入图像的每一个象素点的最小特征值，并将结果存储到变量eig_image中。
然后进行非最大值抑制（仅保留3x3邻域中的局部最大值）。
下一步将最小特征值小于quality_level•max（eig_image（x,y））排除掉。
最后，函数确保所有发现的角点之间具有足够的距离，（最强的角点第一个保留，然后检查新的角点与已有角点之间的距离大于min_distance）。
采样、插值和几何变换
InitLineIterator
初始化线段迭代器
intcvInitLineIterator（constCvArr*image,CvPointpt1,CvPointpt2,
CvLineIterator*line_iterator,intconnectivity=8）;
image
带采线段的输入图像.
pt1
线段起始点
pt2
线段结束点
line_iterator
指向线段迭代器状态结构的指针
connectivity
被扫描线段的连通数，4或8.
函数cvInitLineIterator初始化线段迭代器，并返回两点之间的象素点数目。
两个点必须在图像内。
当迭代器初始化后，连接两点的光栅线上所有点，都可以连续通过调用CV_NEXT_LINE_POINT来得到。
线段上的点是使用4－连通或8－连通利用Bresenham算法逐点计算的。
例子：
使用线段迭代器计算彩色线上象素值的和
CvScalarsum_line_pixels（IplImage*image,CvPointpt1,CvPointpt2）
{
CvLineIteratoriterator;
intblue_sum=0,green_sum=0,red_sum=0;
intcount=cvInitLineIterator（image,pt1,pt2,&iterator,8）;
for（inti=0;iblue_sum+=iterator.ptr[0];
green_sum+=iterator.ptr[1];
red_sum+=iterator.ptr[2];
CV_NEXT_LINE_POINT（iterator）;
/*printthepixelcoordinates:
demonstrateshowtocalculatethecoordinates*/
{
intoffset,x,y;
/*assumethatROIisnotset,otherwiseneedtotakeitintoaccount.*/
offset=iterator.ptr-（uchar*）（image->imageData）;
y=offset/image->widthStep;
x=（offset-y*image->widthStep）/（3*sizeof（uchar）/*sizeofpixel*/）;
printf（"（%d,%d）\n",x,y）;
}
}
returncvScalar（blue_sum,green_sum,red_sum）;
}
SampleLine
将图像上某一光栅线上的像素数据读入缓冲区
intcvSampleLine（constCvArr*image,CvPointpt1,CvPointpt2,
void*buffer,intconnectivity=8）;
image
输入图像
pt1
光栅线段的起点
pt2
光栅线段的终点
buffer
存储线段点的缓存区，必须有足够大小来存储点max（|pt2.x-pt1.x|+1,|pt2.y-pt1.y|+1）：
8－连通情况下，或者|pt2.x-pt1.x|+|pt2.y-pt1.y|+1：
4－连通情况下.
connectivity
线段的连通方式,4or8.
函数cvSampleLine实现了线段迭代器的一个特殊应用。
它读取由pt1和pt2两点确定的线段上的所有图像点，包括终点，并存储到缓存中。
GetRectSubPix
从图像中提取象素矩形，使用子象素精度
voidcvGetRectSubPix（constCvArr*src,CvArr*dst,CvPoint2D32fcenter）;
src
输入图像.
dst
提取的矩形.
center
提取的象素矩形的中心，浮点数坐标。
中心必须位于图像内部.
函数cvGetRectSubPix从图像src中提取矩形:
dst（x,y）=src（x+center.x-（width（dst）-1）*0.5,y+center.y-（height（dst）-1）*0.5）
其中非整数象素点坐标采用双线性插值提取。
对多通道图像，每个通道独立单独完成提取。
尽管函数要求矩形的中心一定要在输入图像之中，但是有可能出现矩形的一部分超出图像边界的情况，这时，该函数复制边界的模识（hunnish:
即用于矩形相交的图像边界线段的象素来代替矩形超越部分的象素）。
GetQuadrangleSubPix
提取象素四边形，使用子象素精度
voidcvGetQuadrangleSubPix（constCvArr*src,CvArr*dst,constCvMat*map_matrix）;
src
输入图像.
dst
提取的四边形.
map_matrix
3×2变换矩阵[A|b]（见讨论）.
函数cvGetQuadrangleSubPix以子象素精度从图像src中提取四边形，使用子象素精度，并且将结果存储于dst,计算公式是：
dst（x+width（dst）/2,y+height（dst）/2）=src（A11x+A12y+b1,A21x+A22y+b2）
其中A和b均来自映射矩阵（译者注：
A,b为几何形变
升级会员 