网站已改版，请使用新地址访问：
HU 这是一个提取Hu矩的代码，采用opencv库 的，里面包括有单独 一幅图片 和批
238万源代码下载-
&文件名称: HU
& & & & &&]
&&所属分类:
&&开发工具: C++
&&文件大小: 8900 KB
&&上传时间:
&&下载次数: 26
&&提 供 者:
&详细说明：这是一个提取Hu矩的代码，采用opencv库提取的，里面包括有单独提取一幅图片的代码和批量提取多幅图片的代码-This is an extract of the code Hu moments, extracted using opencv library, which includes a separate picture of the code to extract a number of pictures and batch extraction code
文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&&HU&&..\Debug&&..\.....\HU.exe&&..\.....\HU.ilk&&..\.....\HU.pdb&&..\HU&&..\..\Debug&&..\..\.....\BuildLog.htm&&..\..\.....\HU.exe.embed.manifest&&..\..\.....\HU.exe.embed.manifest.res&&..\..\.....\HU.exe.intermediate.manifest&&..\..\.....\hu.obj&&..\..\.....\mt.dep&&..\..\.....\vc90.idb&&..\..\.....\vc90.pdb&&..\..\HU.vcproj&&..\..\HU.vcproj.9.Administrator.user&&..\..\HU.vcproj.PCIKS.Administrator.user&&..\..\StdAfx.cpp&&..\..\StdAfx.h&&..\..\backward&&..\..\........\1.jpg&&..\..\........\10.jpg&&..\..\........\2.jpg&&..\..\........\3.jpg&&..\..\........\4.jpg&&..\..\........\5.jpg&&..\..\........\6.jpg&&..\..\........\7.jpg&&..\..\........\8.jpg&&..\..\........\9.jpg&&..\..\........\Thumbs.db&&..\..\feature.txt&&..\..\forward&&..\..\.......\1.jpg&&..\..\.......\10.jpg&&..\..\.......\2.jpg&&..\..\.......\3.jpg&&..\..\.......\4.jpg&&..\..\.......\5.jpg&&..\..\.......\6.jpg&&..\..\.......\7.jpg&&..\..\.......\8.jpg&&..\..\.......\9.jpg&&..\..\.......\Thumbs.db&&..\..\left&&..\..\....\1.jpg&&..\..\....\10.jpg&&..\..\....\2.jpg&&..\..\....\3.jpg&&..\..\....\4.jpg&&..\..\....\5.jpg&&..\..\....\6.jpg&&..\..\....\7.jpg&&..\..\....\8.jpg&&..\..\....\9.jpg&&..\..\....\Thumbs.db&&..\..\main.cpp&&..\..\right&&..\..\.....\1.jpg&&..\..\.....\10.jpg&&..\..\.....\2.jpg&&..\..\.....\3.jpg&&..\..\.....\4.jpg&&..\..\.....\5.jpg&&..\..\.....\6.jpg&&..\..\.....\7.jpg&&..\..\.....\8.jpg&&..\..\.....\9.jpg&&..\..\.....\Thumbs.db&&..\..\stop&&..\..\....\1.jpg&&..\..\....\2.jpg&&..\..\....\3.jpg&&..\..\....\4.jpg&&..\..\....\5.jpg&&..\..\....\6.jpg&&..\..\....\7.jpg&&..\..\....\8.jpg&&..\..\....\Thumbs.db&&..\HU.ncb&&..\HU.sln&&..\HU.suo&&..\humoments&&..\.........\HU_momoents.cpp&&..\.........\down1.txt&&..\.........\down的.txt&&..\.........\hu.cpp&&..\.........\hu.txt&&..\.........\opencv下计算不变矩.txt&&..\.........\手打的hu矩.txt&&..\原先的 有问题.txt&&..\批量提取 正确的.txt&&..\批量提取hu有问题待解决.txt&&..\有问题的待解决.txt&&..\玩玩.txt
&近期下载过的用户:
&相关搜索:
&输入关键字，在本站238万海量源码库中尽情搜索：
&[] - 计算hu不变矩的OPENCV程序，可以同时比较多幅图片的不变矩。
&[] - 利用opencv编写的sift匹配程序，对于研究此算法很有帮助
&[] - 利用opencv进行模版的匹配，实现车牌自动识别
&[] - 几何不变矩在图像处理和识别中具有很重要的作用，hu矩
&[] - 基于MATLAB平台上，计算hu矩的算法编程。可以不用花时间去考虑怎么计算那些不变矩了。
&[] - 求zernike矩，反应图像高阶信息，比hu矩稍微好点，用opencv写的
&[] - vs2010+opencv2.3.1的基于MFC对话框打开图片需添加的cpp文件OPENCV图像处理的函数说明_甜梦文库
OPENCV图像处理的函数说明
搜索文档搜索论坛? ? ? ? ? ? ? ? ? ?Open Source Computer Vision Library论坛 商业 专题 讲座 例程 安装 常见问题 函数说明Cv 图像处理Wikipedia，自由的百科全书注意:本章描述图像处理和分析的一些函数。大多数函数都是针对两维象素数组 的，这里，我们称这些数组为“图像”，但是它们不一定非得是 IplImage 结构， 也可以是 CvMat 或者 CvMatND 结构。目录[隐藏]?1 梯度、边缘和角点 o 1.1 Sobel o 1.2 Laplace?2?3?4?5?61.3 Canny o 1.4 PreCornerDetect o 1.5 CornerEigenValsAndVecs o 1.6 CornerMinEigenVal o 1.7 CornerHarris o 1.8 FindCornerSubPix o 1.9 GoodFeaturesToTrack 采样、插值和几何变换 o 2.1 InitLineIterator o 2.2 SampleLine o 2.3 GetRectSubPix o 2.4 GetQuadrangleSubPix o 2.5 Resize o 2.6 WarpAffine o 2.7 GetAffineTransform o 2.8 2DRotationMatrix o 2.9 WarpPerspective o 2.10 WarpPerspectiveQMatrix o 2.11 GetPerspectiveTransform o 2.12 Remap o 2.13 LogPolar 形态学操作 o 3.1 CreateStructuringElementEx o 3.2 ReleaseStructuringElement o 3.3 Erode o 3.4 Dilate o 3.5 MorphologyEx 滤波器与色彩空间变换 o 4.1 Smooth o 4.2 Filter2D o 4.3 CopyMakeBorder o 4.4 Integral o 4.5 CvtColor o 4.6 Threshold o 4.7 AdaptiveThreshold 金字塔及其应用 o 5.1 PyrDown o 5.2 PyrUp 连接部件 o 6.1 CvConnectedComp o 6.2 FloodFill o 6.3 FindContours o 6.4 StartFindContours o 6.5 FindNextContouro????6.6 SubstituteContour o 6.7 EndFindContours o 6.8 PyrSegmentation o 6.9 PyrMeanShiftFiltering o 6.10 Watershed 7 图像与轮廓矩 o 7.1 Moments o 7.2 GetSpatialMoment o 7.3 GetCentralMoment o 7.4 GetNormalizedCentralMoment o 7.5 GetHuMoments 8 特殊图像变换 o 8.1 HoughLines o 8.2 HoughCircles o 8.3 DistTransform o 8.4 Inpaint 9 直方图 o 9.1 CvHistogram o 9.2 CreateHist o 9.3 SetHistBinRanges o 9.4 ReleaseHist o 9.5 ClearHist o 9.6 MakeHistHeaderForArray o 9.7 QueryHistValue_1D o 9.8 GetHistValue_1D o 9.9 GetMinMaxHistValue o 9.10 NormalizeHist o 9.11 ThreshHist o 9.12 CompareHist o 9.13 CopyHist o 9.14 CalcHist o 9.15 CalcBackProject o 9.16 CalcBackProjectPatch o 9.17 CalcProbDensity o 9.18 EqualizeHist 10 匹配 o 10.1 MatchTemplate o 10.2 MatchShapes o 10.3 CalcEMD2o[编辑]梯度、边缘和角点[编辑]Sobel使用扩展 Sobel 算子计算一阶、二阶、三阶或混合图像差分 void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_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 3x3 Scharr 滤 波器，可以给出比 3x3 Sobel 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 把运算结果（dst）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。 [编辑]Laplace计算图像的 Laplacian 变换 void cvLaplace( const CvArr* src, CvArr* dst, int aperture_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。 [编辑]Canny采用 Canny 算法做边缘检测 void cvCanny( const CvArr* image, CvArr* edges, double threshold1, double threshold2, int aperture_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[编辑]PreCornerDetect计算用于角点检测的特征图， void cvPreCornerDetect( const CvArr* image, CvArr* corners, int aperture_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 表示一阶图像差分， 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 ); cvSub( corners, dilated_corners, corners ); cvCmpS( corners, 0, corner_mask, CV_CMP_GE ); cvReleaseImage( &corners ); cvReleaseImage( &dilated_corners ); [编辑] 其中表示二阶图像差分。 角点被认为是函数的局部最CornerEigenValsAndVecs计算图像块的特征值和特征向量，用于角点检测 void cvCornerEigenValsAndVecs( const CvArr* image, CvArr* eigenvv, int block_size, int aperture_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(λ 1, λ 2, x1, y1, x2, y2)存储这些值到输出图像中，其中 λ 1, λ 2 - M 的特征值，没有排序 (x1, y1) - 特征向量，对 λ 1 (x2, y2) - 特征向量，对 λ 2 [编辑]CornerMinEigenVal计算梯度矩阵的最小特征值，用于角点检测 void cvCornerMinEigenVal( const CvArr* image, CvArr* eigenval, int block_size, int aperture_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(λ 1, λ 2) [编辑]CornerHarris哈里斯（Harris）角点检测void cvCornerHarris( const CvArr* image, CvArr* harris_responce, int block_size, int aperture_size=3, double k=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。 [编辑]FindCornerSubPix精确角点位置 void cvFindCornerSubPix( const CvArr* image, CvPoint2D32f* corners, int count, CvSize win, CvSize zero_zone, CvTermCriteria criteria ); 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（radial saddle points）。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： ε i=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ε i 得 到。通过将ε i 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。 [编辑]GoodFeaturesToTrack确定图像的强角点void cvGoodFeaturesToTrack( const CvArr* image, CvArr* eig_image, CvArr* temp_image, CvPoint2D32f* corners, int* corner_count, double quality_level, double min_distance, const CvArr* 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 ）。 [编辑]采样、插值和几何变换[编辑]InitLineIterator初始化线段迭代器 int cvInitLineIterator( const CvArr* image, CvPoint pt1, CvPoint pt2,CvLineIterator* line_iterator, int connectivity=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 CvScalar sum_line_pixels( IplImage* image, CvPoint pt1, CvPoint pt2 ) { CvLineI int blue_sum = 0, green_sum = 0, red_sum = 0; int count = cvInitLineIterator( image, pt1, pt2, &iterator, 8 ); for( int i = 0; i & i++ ){ blue_sum += iterator.ptr[0]; green_sum += iterator.ptr[1]; red_sum += iterator.ptr[2]; CV_NEXT_LINE_POINT(iterator); /* print the pixel coordinates: demonstrates how to calculate the coordinates */ { int offset, x, /* assume that ROI is not set, otherwise need to take it into account. */ offset = iterator.ptr - (uchar*)(image-&imageData); y = offset/image-&widthS x = (offset - y*image-&widthStep)/(3*sizeof(uchar) /* size of pixel */); printf(&(%d,%d)\n&, x, y ); } }return cvScalar( blue_sum, green_sum, red_sum ); } [编辑]SampleLine将图像上某一光栅线上的像素数据读入缓冲区 int cvSampleLine( const CvArr* image, CvPoint pt1, CvPoint pt2, void* buffer, int connectivity=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, 4 or 8. 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。 [编辑]GetRectSubPix从图像中提取象素矩形，使用子象素精度 void cvGetRectSubPix( const CvArr* src, CvArr* dst, CvPoint2D32f center ); 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）。 [编辑]GetQuadrangleSubPix提取象素四边形，使用子象素精度 void cvGetQuadrangleSubPix( const CvArr* src, CvArr* dst, const CvMat* 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 为几何形变参数) ，映射矩阵为：其中在非整数坐标的象素点值通过双线性变换得到。当函数需要图像边界外的像素点时，使用重复边界模式（replication border mode） 恢复出所需的值。多通道图像的每一个通道都单独计算。 例子：使用 cvGetQuadrangleSubPix 进行图像旋转 #include &cv.h& #include &highgui.h&#include &math.h& int main( int argc, char** argv ) { IplImage* /* the first command line parameter must be image file name */ if( argc==2 && (src = cvLoadImage(argv[1], -1))!=0) { IplImage* dst = cvCloneImage( src ); int delta = 1; int angle = 0; cvNamedWindow( &src&, 1 ); cvShowImage( &src&, src ); for(;;) { float m[6]; double factor = (cos(angle*CV_PI/180.) + 1.1)*3; CvMat M = cvMat( 2, 3, CV_32F, m ); int w = src-& int h = src-& m[0] m[1] m[2] m[3] m[4] m[5] = = = = = = (float)(factor*cos(-angle*2*CV_PI/180.)); (float)(factor*sin(-angle*2*CV_PI/180.)); w*0.5f; -m[1]; m[0]; h*0.5f;cvGetQuadrangleSubPix( src, dst, &M, 1, cvScalarAll(0)); cvNamedWindow( &dst&, 1 ); cvShowImage( &dst&, dst ); if( cvWaitKey(5) == 27 ) angle = (angle + delta) % 360; } } return 0; } [编辑]Resize图像大小变换 void cvResize( const CvArr* src, CvArr* dst, int interpolation=CV_INTER_LINEAR ); src 输入图像. dst 输出图像. interpolation 插值方法: CV_INTER_NN - 最近邻插值, ? CV_INTER_LINEAR - 双线性插值 (缺省使用) ? CV_INTER_AREA - 使用象素关系重采样。当图像缩小时候，该方法 可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法.. ? CV_INTER_CUBIC - 立方插值.?函数 cvResize 将图像 src 改变尺寸得到与 dst 同样大小。若设定 ROI，函数 将按常规支持 ROI. [编辑]WarpAffine对图像做仿射变换 void cvWarpAffine( const CvArr* src, CvArr* dst, const CvMat* map_matrix, int flags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS, CvScalar fillval=cvScalarAll(0) ); src 输入图像. dst 输出图像. map_matrix 2×3 变换矩阵 flags 插值方法和以下开关选项的组合：?CV_WARP_FILL_OUTLIERS - 填充所有输出图像的象素。如果部分象 素落在输入图像的边界外，那么它们的值设定为 fillval.?CV_WARP_INVERSE_MAP - 指定 map_matrix 是输出图像到输入图像 的反变换，因此可以直接用来做象素插值。否则, 函数从 map_matrix 得到反变换。fillval 用来填充边界外面的值 函数 cvWarpAffine 利用下面指定的矩阵变换输入图像：?如果没有指定 CV_WARP_INVERSE_MAP ， ,?否则，函数与 cvGetQuadrangleSubPix 类似，但是不完全相同。 cvWarpAffine 要求 输入和输出图像具有同样的数据类型，有更大的资源开销（因此对小图像不太合 适）而且输出图像的部分可以保留不变。而 cvGetQuadrangleSubPix 可以精确 地从 8 位图像中提取四边形到浮点数缓存区中，具有比较小的系统开销，而且总 是全部改变输出图像的内容。 要变换稀疏矩阵，使用 cxcore 中的函数 cvTransform 。 [编辑]GetAffineTransform由三对点计算仿射变换 CvMat* cvGetAffineTransform( const CvPoint2D32f* src, const CvPoint2D32f* dst, CvMat* map_matrix ); src 输入图像的三角形顶点坐标。 dst 输出图像的相应的三角形顶点坐标。 map_matrix 指向 2×3 输出矩阵的指针。 函数 cvGetAffineTransform 计算满足以下关系的仿射变换矩阵：这里,dst(i) = (x'i,y'i),src(i) = (xi,yi),i = 0..2. [编辑]2DRotationMatrix计算二维旋转的仿射变换矩阵 CvMat* cv2DRotationMatrix( CvPoint2D32f center, double angle, double scale, CvMat* map_matrix ); center 输入图像的旋转中心坐标 angle 旋转角度（度）。正值表示逆时针旋转(坐标原点假设在左上角). scale 各项同性的尺度因子 map_matrix 输出 2×3 矩阵的指针 函数 cv2DRotationMatrix 计算矩阵: [ α [ -β β α | | (1-α )*center.x - β *center.y ] β *center.x + (1-α )*center.y ]where α =scale*cos(angle), β =scale*sin(angle) 该变换并不改变原始旋转中心点的坐标，如果这不是操作目的，则可以通过调整 平移量改变其坐标(译者注：通过简单的推导可知，仿射变换的实现是首先将旋 转中心置为坐标原点，再进行旋转和尺度变换，最后重新将坐标原点设定为输入 图像的左上角，这里的平移量是 center.x, center.y). [编辑]WarpPerspective对图像进行透视变换 void cvWarpPerspective( const CvArr* src, CvArr* dst, const CvMat* map_matrix, int flags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS, CvScalar fillval=cvScalarAll(0) ); src 输入图像.dst 输出图像. map_matrix 3×3 变换矩阵 flags 插值方法和以下开关选项的组合: CV_WARP_FILL_OUTLIERS - 填充所有缩小图像的象素。如果部分象 素落在输入图像的边界外，那么它们的值设定为 fillval. ? CV_WARP_INVERSE_MAP - 指定 matrix 是输出图像到输入图像的反 变换，因此可以直接用来做象素插值。否则, 函数从 map_matrix 得到反变换。?fillval 用来填充边界外面的值 函数 cvWarpPerspective 利用下面指定矩阵变换输入图像：?如果没有指定 CV_WARP_INVERSE_MAP ， ,?否则，要变换稀疏矩阵，使用 cxcore 中的函数 cvTransform 。 [编辑]WarpPerspectiveQMatrix用 4 个对应点计算透视变换矩阵 CvMat* cvWarpPerspectiveQMatrix( const CvPoint2D32f* src, const CvPoint2D32f* dst, CvMat* map_matrix ); src 输入图像的四边形的 4 个点坐标 dst 输出图像的对应四边形的 4 个点坐标 map_matrix 输出的 3×3 矩阵函数 cvWarpPerspectiveQMatrix 计算透视变换矩阵，使得： (tix'i,tiy'i,ti)T=matrix?(xi,yi,1)T 其中 dst(i)=(x'i,y'i), src(i)=(xi,yi), i=0..3. [编辑]GetPerspectiveTransform由四对点计算透射变换 CvMat* cvGetPerspectiveTransform( const CvPoint2D32f* src, const CvPoint2D32f* dst, CvMat* map_matrix ); #define cvWarpPerspectiveQMatrix cvGetPerspectiveTransform src 输入图像的四边形顶点坐标。 dst 输出图像的相应的四边形顶点坐标。 map_matrix 指向 3×3 输出矩阵的指针。 函数 cvGetPerspectiveTransform 计算满足以下关系的透射变换矩阵：这里,dst(i) = (x'i,y'i),src(i) = (xi,yi),i = 0..3.[编辑]Remap对图像进行普通几何变换 void cvRemap( const CvArr* src, CvArr* dst, const CvArr* mapx, const CvArr* mapy, int flags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS, CvScalar fillval=cvScalarAll(0) ); src输入图像. dst 输出图像. mapx x 坐标的映射 (32fC1 image). mapy y 坐标的映射 (32fC1 image). flags 插值方法和以下开关选项的组合:?CV_WARP_FILL_OUTLIERS - 填充边界外的像素. 如果输出图像的部 分象素落在变换后的边界外，那么它们的值设定为 fillval。fillval 用来填充边界外面的值. 函数 cvRemap 利用下面指定的矩阵变换输入图像: dst(x,y)&-src(mapx(x,y),mapy(x,y)) 与其它几何变换类似，可以使用一些插值方法（由用户指定，译者注：同 cvResize）来计算非整数坐标的像素值。 [编辑]LogPolar把图像映射到极指数空间 void cvLogPolar( const CvArr* src, CvArr* dst, CvPoint2D32f center, double M, int flags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS ); src 输入图像。 dst 输出图像。 center 变换的中心，输出图像在这里最精确。 M 幅度的尺度参数，见下面公式。 flags 插值方法和以下选择标志的结合CV_WARP_FILL_OUTLIERS -填充输出图像所有像素，如果这些点有和 外点对应的，则置零。 ? CV_WARP_INVERSE_MAP - 表示矩阵由输出图像到输入图像的逆变 换，并且因此可以直接用于像素插值。否则，函数从 map_matrix 中寻找逆变换。?fillval 用于填充外点的值。 函数 cvLogPolar 用以下变换变换输入图像： 正变换 (CV_WARP_INVERSE_MAP 未置位): dst(phi,rho)&-src(x,y) 逆变换 (CV_WARP_INVERSE_MAP 置位): dst(x,y)&-src(phi,rho), 这里， rho=M+log(sqrt(x2+y2)) phi=atan(y/x) 此函数模仿人类视网膜中央凹视力，并且对于目标跟踪等可用于快速尺度和旋转 变换不变模板匹配。 Example. Log-polar transformation. #include &cv.h& #include &highgui.h& int main(int argc, char** argv) { IplImage* if(argc == 2 && ((src=cvLoadImage(argv[1],1)) != 0 )) { IplImage* dst = cvCreateImage( cvSize(256,256), 8, 3 ); IplImage* src2 = cvCreateImage( cvGetSize(src), 8, 3 ); cvLogPolar( src, dst, cvPoint2D32f(src-&width/2,src-&height/2), 40, CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS ); cvLogPolar( dst, src2, cvPoint2D32f(src-&width/2,src-&height/2), 40, CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS+CV_WARP_INVERSE_MAP );cvNamedWindow( &log-polar&, 1 ); cvShowImage( &log-polar&, dst ); cvNamedWindow( &inverse log-polar&, 1 ); cvShowImage( &inverse log-polar&, src2 ); cvWaitKey(); } return 0; } And this is what the program displays when opencv/samples/c/fruits.jpgis passed to it[编辑]形态学操作[编辑]CreateStructuringElementEx创建结构元素 IplConvKernel* cvCreateStructuringElementEx( int cols, int rows, int anchor_x, int anchor_y, int shape, int* values=NULL ); cols 结构元素的列数目 rows 结构元素的行数目 anchor_x 锚点的相对水平偏移量 anchor_y 锚点的相对垂直偏移量 shape 结构元素的形状，可以是下列值： CV_SHAPE_RECT, 长方形元素; ? CV_SHAPE_CROSS, 交错元素 a cross- ? CV_SHAPE_ELLIPSE, 椭圆元素; ? CV_SHAPE_CUSTOM, 用户自定义元素。这种情况下参数 values 定义 了 mask,即象素的那个邻域必须考虑。?values 指向结构元素的指针，它是一个平面数组，表示对元素矩阵逐行扫描。(非 零点表示该点属于结构元)。如果指针为空，则表示平面数组中的所有元 素都是非零的，即结构元是一个长方形(该参数仅仅当 shape 参数是 CV_SHAPE_CUSTOM 时才予以考虑)。 函数 cv CreateStructuringElementEx 分配和填充结构 IplConvKernel, 它可 作为形态操作中的结构元素。 [编辑]ReleaseStructuringElement删除结构元素 void cvReleaseStructuringElement( IplConvKernel** element ); element 被删除的结构元素的指针函数 cvReleaseStructuringElement 释放结构 IplConvKernel 。如果 *element 为 NULL, 则函数不作用。 [编辑]Erode使用任意结构元素腐蚀图像 void cvErode( const CvArr* src, CvArr* dst, IplConvKernel* element=NULL, int iterations=1 ); src 输入图像. dst 输出图像. element 用于腐蚀的结构元素。若为 NULL, 则使用 3×3 长方形的结构元素 iterations 腐蚀的次数 函数 cvErode 对输入图像使用指定的结构元素进行腐蚀，该结构元素决定每个 具有最小值象素点的邻域形状： dst=erode(src,element): element))src(x+x',y+y') dst(x,y)=min((x',y') in函数可能是本地操作，不需另外开辟存储空间的意思。腐蚀可以重复进行 (iterations) 次. 对彩色图像，每个彩色通道单独处理。 [编辑]Dilate使用任意结构元素膨胀图像 void cvDilate( const CvArr* src, CvArr* dst, IplConvKernel* element=NULL, int iterations=1 ); src 输入图像. dst 输出图像. element 用于膨胀的结构元素。若为 NULL, 则使用 3×3 长方形的结构元素iterations 膨胀的次数 函数 cvDilate 对输入图像使用指定的结构元进行膨胀，该结构决定每个具有最 小值象素点的邻域形状： dst=dilate(src,element): element))src(x+x',y+y') dst(x,y)=max((x',y') in函数支持 （in-place） 模式。膨胀可以重复进行 (iterations) 次. 对彩色图像， 每个彩色通道单独处理。 [编辑]MorphologyEx高级形态学变换 void cvMorphologyEx( const CvArr* src, CvArr* dst, CvArr* temp, IplConvKernel* element, int operation, int iterations=1 ); src 输入图像. dst 输出图像. temp 临时图像，某些情况下需要 element 结构元素 operation 形态操作的类型: CV_MOP_OPEN - 开运算 CV_MOP_CLOSE - 闭运算 CV_MOP_GRADIENT - 形态梯度 CV_MOP_TOPHAT - &顶帽& CV_MOP_BLACKHAT - &黑帽& iterations 膨胀和腐蚀次数. 函数 cvMorphologyEx 在膨胀和腐蚀基本操作的基础上，完成一些高级的形态变 换： 开运算 dst=open(src,element)=dilate(erode(src,element),element)闭运算 dst=close(src,element)=erode(dilate(src,element),element) 形态梯度 dst=morph_grad(src,element)=dilate(src,element)-erode(src,eleme nt) &顶帽& dst=tophat(src,element)=src-open(src,element) &黑帽& dst=blackhat(src,element)=close(src,element)-src 临时图像 temp 在形态梯度以及对“顶帽”和“黑帽”操作时的 in-place 模 式下需要。 [编辑]滤波器与色彩空间变换[编辑]Smooth各种方法的图像平滑 void cvSmooth( const CvArr* src, CvArr* dst, int smoothtype=CV_GAUSSIAN, int param1=3, int param2=0, double param3=0, double param4=0 ); src 输入图像. dst 输出图像. smoothtype 平滑方法: CV_BLUR_NO_SCALE (简单不带尺度变换的模糊) - 对每个象素的 param1×param2 领域求和。如果邻域大小是变化的，可以事先利 用函数 cvIntegral 计算积分图像。 ? CV_BLUR (simple blur) - 对每个象素 param1×param2 邻域 求和 并做尺度变换 1/(param1?param2). ? CV_GAUSSIAN (gaussian blur) - 对图像进行核大小为 param1× param2 的高斯卷积 ? CV_MEDIAN (median blur) - 对图像进行核大小为 param1×param1 的中值滤波 (i.e. 邻域是方的).??CV_BILATERAL (双向滤波) - 应用双向 3x3 滤波，彩色 sigma=param1，空间 sigma=param2. 关于双向滤波，可参考 http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/MANDUCHI1/B ilateral_Filtering.htmlparam1 平滑操作的第一个参数. param2 平滑操作的第二个参数. 对于简单/非尺度变换的高斯模糊的情况，如果 param2 的值 为零，则表示其被设定为 param1。 param3 对应高斯参数的 Gaussian sigma (标准差). 如果为零，则标准差由下面 的核尺寸计算： sigma = (n/2 - 1)*0.3 + 0.8, 其中 n=param1 对应水平核, n=param2 对应垂直核. 对小的卷积核 (3×3 to 7×7) 使用如上公式所示的标准 sigma 速度会快。如 果 param3 不为零，而 param1 和 param2 为零，则核大小有 sigma 计算 (以 保证足够精确的操作). 函数 cvSmooth 可使用上面任何一种方法平滑图像。每一种方法都有自己的特点 以及局限。 没有缩放的图像平滑仅支持单通道图像，并且支持 8 位到 16 位的转换(与 cvSobel 和 cvaplace 相似)和 32 位浮点数到 32 位浮点数的变换格式。 简单模糊和高斯模糊支持 1- 或 3-通道, 8-比特 和 32-比特 浮点图像。这两 种方法可以（in-place）方式处理图像。 中值和双向滤波工作于 1- 或 3-通道， 8-位图像，但是不能以 in-place 方式 处理图像.中值滤波 中值滤波法是一种非线性平滑技术，它将每一象素点的灰度值设置为该点 某邻域窗口内的所有象素点灰度值的中值。实现方法： 1. 通过从图像中的某个采样窗口取出奇数个数据进行排序 2. 用排序后的中值取代要处理的数据即可 中值滤波法对消除椒盐噪音非常有效，在光学测量条纹图象的相位分析处理方法 中有特殊作用，但在条纹中心分析方法中作用不大。中值滤波在图像处理中,常 用于用来保护边缘信息,是经典的平滑噪声的方法中值滤波原理 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中 值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个拎域中各 点值的中值代替，让周围的像素值接近的值，从而消除孤立的噪声点。方法是去 某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上 升（或下降）的为二维数据序列。二维中值滤波输出为 g（x,y） =med{f(x-k,y-l),(k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后 图像。W 为二维模板，通常为 2*2，3*3 区域，也可以是不同的的形状，如线状， 圆形，十字形，圆环形等。 高斯滤波 高斯滤波实质上是一种信号的滤波器，其用途是信号的平滑处理，我们知道数字 图像用于后期应用，其噪声是最大的问题，由于误差会累计传递等原因，很多图 像处理教材会在很早的时候介绍 Gauss 滤波器，用于得到信噪比 SNR 较高的图像 （反应真实信号）。于此相关的有 Gauss-Lapplace 变换，其实就是为了得到较 好的图像边缘，先对图像做 Gauss 平滑滤波，剔除噪声，然后求二阶导矢，用二 阶导的过零点确定边缘，在计算时也是频域乘积=&空域卷积。 滤波器就是建立的一个数学模型，通过这个模型来将图像数据进行能量转化，能 量低的就排除掉，噪声就是属于低能量部分 其实编程运算的话就是一个模板运算，拿图像的八连通区域来说，中间点的像素 值就等于八连通区的像素值的均值，这样达到平滑的效果 若使用理想滤波器，会在图像中产生振铃现象。采用高斯滤波器的话，系统函数 是平滑的，避免了振铃现象。 [编辑]Filter2D对图像做卷积 void cvFilter2D( const CvArr* src, CvArr* dst, const CvMat* kernel, CvPoint anchor=cvPoint(-1,-1)); src 输入图像. dst 输出图像. kernel卷积核, 单通道浮点矩阵. 如果想要应用不同的核于不同的通道，先用 cvSplit 函数分解图像到单个色彩通道上，然后单独处理。 anchor 核的锚点表示一个被滤波的点在核内的位置。 锚点应该处于核内部。缺 省值 (-1,-1) 表示锚点在核中心。 函数 cvFilter2D 对图像进行线性滤波，支持 In-place 操作。当核运算部分超 出输入图像时，函数从最近邻的图像内部象素插值得到边界外面的象素值。 [编辑]CopyMakeBorder复制图像并且制作边界。 void cvCopyMakeBorder( const CvArr* src, CvArr* dst, CvPoint offset, int bordertype, CvScalar value=cvScalarAll(0) ); src 输入图像。 dst 输出图像。 offset 输入图像（或者其 ROI）欲拷贝到的输出图像长方形的左上角坐标（或者 左下角坐标，如果以左下角为原点）。长方形的尺寸要和原图像的尺寸的 ROI 分之一匹配。 bordertype 已拷贝的原图像长方形的边界的类型： IPL_BORDER_CONSTANT - 填充边界为固定值，值由函数最后一个参数指 定。IPL_BORDER_REPLICATE -边界用上下行或者左右列来复制填充。（其 他两种 IPL 边界类型 IPL_BORDER_REFLECT 和 IPL_BORDER_WRAP 现已不 ， 支持）。 value 如果边界类型为 IPL_BORDER_CONSTANT 的话，那么此为边界像素的值。 函数 cvCopyMakeBorder 拷贝输入 2 维阵列到输出阵列的内部并且在拷贝区域的 周围制作一个指定类型的边界 函数可以用来模拟和嵌入在指定算法实现中的边 。 界不同的类型。例如：和 opencv 中大多数其他滤波函数一样，一些形态学函数 内部使用复制边界类型，但是用户可能需要零边界或者填充为 1 或 255 的边界。 [编辑]Integral计算积分图像 void cvIntegral( const CvArr* image, CvArr* sum, CvArr* sqsum=NULL, CvArr* tilted_sum=NULL ); image 输入图像, W×H, 单通道，8 位或浮点 (32f 或 64f). sum 积分图像, W+1×H+1(译者注：原文的公式应该写成(W+1)×(H+1),避免误 会), 单通道，32 位整数或 double 精度的浮点数(64f). sqsum 对象素值平方的积分图像，W+1×H+1(译者注：原文的公式应该写成(W+1) ×(H+1),避免误会), 单通道，32 位整数或 double 精度的浮点数 (64f). tilted_sum 旋转 45 度的积分图像，单通道，32 位整数或 double 精度的浮点数 (64f). 函数 cvIntegral 计算一次或高次积分图像：sum(X,Y) =∑x & X,y & Yimage(x,y)sqsum(X,Y) =∑x & X,y & Yimage(x,y)2tilted_sum(X,Y) =∑y & Y, | x ? X | & yimage(x,y)利用积分图像，可以计算在某象素的上－右方的或者旋转的矩形区域中进行求 和、求均值以及标准方差的计算，并且保证运算的复杂度为 O(1)。例如：因此可以在变化的窗口内做快速平滑或窗口相关等操作。 [编辑]CvtColor色彩空间转换void cvCvtColor( const CvArr* src, CvArr* dst, int code ); src 输入的 8-bit , 16-bit 或 32-bit 单倍精度浮点数影像. dst 输出的 8-bit , 16-bit 或 32-bit 单倍精度浮点数影像. code 色彩空间转换， 通过定义 CV_&src_color_space&2&dst_color_space& 常 数 (见下面). 函数 cvCvtColor 将输入图像从一个色彩空间转换为另外一个色彩空间。函数忽 略 IplImage 头中定义的 colorModel 和 channelSeq 域，所以输入图像的色彩 空间应该正确指定 (包括通道的顺序 对 RGB 空间而言 BGR 意味着布局为 B0 G0 ， ， R0 B1 G1 R1 ... 层叠的 24-位格式，而 RGB 意味着布局为 R0 G0 B0 R1 G1 B1 ... 层叠的 24-位格式. 函数做如下变换： RGB 空间内部的变换，如增加/删除 alpha 通道，反相通道顺序，到 16 位 RGB 彩色或者 15 位 RGB 彩色的正逆转换(Rx5:Gx6:Rx5),以及到灰度图像的正逆转 换，使用： RGB[A]-&Gray: Y=0.212671*R + 0.715160*G + 0.072169*B + 0*A Gray-&RGB[A]: R=Y G=Y B=Y A=0 所有可能的图像色彩空间的相互变换公式列举如下： RGB&=&XYZ (CV_BGR2XYZ, CV_RGB2XYZ, CV_XYZ2BGR, CV_XYZ2RGB): |X| |0.412411 |Y| = |0.212649 |Z| |0.019332 |R| | 3.240479 |G| = |-0.969256 |B| | 0.....180454| |R| 0.072182|*|G| 0.950390| |B|-1.5535| |X| 1..041556|*|Y| -0..057311| |Z|RGB&=&YCrCb (CV_BGR2YCrCb, CV_RGB2YCrCb, CV_YCrCb2BGR, CV_YCrCb2RGB) Y=0.299*R + 0.587*G + 0.114*B Cr=(R-Y)*0.713 + 128 Cb=(B-Y)*0.564 + 128 R=Y + 1.403*(Cr - 128) G=Y - 0.344*(Cr - 128) - 0.714*(Cb - 128) B=Y + 1.773*(Cb - 128) RGB=&HSV (CV_BGR2HSV,CV_RGB2HSV)V=max(R,G,B) S=(V-min(R,G,B))*255/V (G - B)*60/S, H= 180+(B - R)*60/S, 240+(R - G)*60/S, if H&0 then H=H+360if V!=0, 0 otherwise if V=R if V=G if V=B使用上面从 0° 到 360° 变化的公式计算色调（hue）值，确保它们被 2 除后 能适用于 8 位。 RGB=&Lab (CV_BGR2Lab, CV_RGB2Lab) |X| |0.433910 |Y| = |0.212649 |Z| |0.017756 L = 116*Y1/3 L = 903.3*Y 0....189860| |R/255| 0.072182|*|G/255| 0.872915| |B/255|for Y&0.008856 for Y&=0.008856a = 500*(f(X)-f(Y)) b = 200*(f(Y)-f(Z)) where f(t)=t1/3 f(t)=7.787*t+16/116for t&0.008856 for t&=0.008856上面的公式可以参考 http://www.cica.indiana.edu/cica/faq/color_spaces/color.spaces.html RGB=&HLS (CV_BGR2HLS, CV_RGB2HLS) HSL 表示 hue(色相)、saturation(饱和度)、lightness(亮度)。有的地方也称 为 HSI，其中 I 表示 intensity(强度) 转换公式见 http://zh.wikipedia.org/wiki/HSL_%E8%89%B2%E5%BD%A9%E7%A9%BA%E9%97%B4Bayer=&RGB (CV_BayerBG2BGR, CV_BayerGB2BGR, CV_BayerRG2BGR, CV_BayerGR2BGR, CV_BayerBG2RGB, CV_BayerRG2BGR, CV_BayerGB2RGB, CV_BayerGR2BGR, CV_BayerRG2RGB, CV_BayerBG2BGR, CV_BayerGR2RGB, CV_BayerGB2BGR)Bayer 模式被广泛应用于 CCD 和 CMOS 摄像头. 它允许从一个单独平面中得到 彩色图像，该平面中的 R/G/B 象素点被安排如下： RGRGR GBGBG RGRGR GBGBG RGRGR GBGBG 对像素输出的 RGB 份量由该像素的 1、2 或者 4 邻域中具有相同颜色的点插值得 到。以上的模式可以通过向左或者向上平移一个像素点来作一些修改。转换常量 CV_BayerC1C22{RGB|RGB}中的两个字母 C1 和 C2 表示特定的模式类型：颜色份量 分别来自于第二行，第二和第三列。比如说，上述的模式具有很流行的&BG&类型。 [编辑]Threshold对数组元素进行固定阈值操作 void cvThreshold( const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type ); src 原始数组 (单通道 , 8-bit of 32-bit 浮点数). dst 输出数组，必须与 src 的类型一致，或者为 8-bit. threshold 阈值 max_value 使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值. threshold_type 阈值类型 (见讨论) 函数 cvThreshold 对单通道数组应用固定阈值操作。该函数的典型应用是对灰 度图像进行阈值操作得到二值图像。(cvCmpS 也可以达到此目的) 或者是去掉噪 声，例如过滤很小或很大象素值的图像点。本函数支持的对图像取阈值的方法由 threshold_type 确定: threshold_type=CV_THRESH_BINARY: dst(x,y) = max_value, if src(x,y)&threshold 0, otherwisethreshold_type=CV_THRESH_BINARY_INV: dst(x,y) = 0, if src(x,y)&threshold max_value, otherwise threshold_type=CV_THRESH_TRUNC: dst(x,y) = threshold, if src(x,y)&threshold src(x,y), otherwise threshold_type=CV_THRESH_TOZERO: dst(x,y) = src(x,y), if (x,y)&threshold 0, otherwise threshold_type=CV_THRESH_TOZERO_INV: dst(x,y) = 0, if src(x,y)&threshold src(x,y), otherwise 下面是图形化的阈值描述：[编辑]AdaptiveThreshold自适应阈值方法 void cvAdaptiveThreshold( const CvArr* src, CvArr* dst, double max_value, int adaptive_method=CV_ADAPTIVE_THRESH_MEAN_C, int threshold_type=CV_THRESH_BINARY, int block_size=3, double param1=5 );src 输入图像. dst 输出图像. max_value 使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值. adaptive_method 自适应阈值算法使用：CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C （见讨论）. threshold_type 取阈值类型：必须是下者之一 CV_THRESH_BINARY, ? CV_THRESH_BINARY_INV?block_size 用来计算阈值的象素邻域大小: 3, 5, 7, ... param1 与方法有关的参数。对方法 CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常 数（见讨论）, 尽管它可以是负数。 函数 cvAdaptiveThreshold 将灰度图像变换到二值图像，采用下面公式： threshold_type=CV_THRESH_BINARY: dst(x,y) = max_value, if src(x,y)&T(x,y) 0, otherwise threshold_type=CV_THRESH_BINARY_INV: dst(x,y) = 0, if src(x,y)&T(x,y) max_value, otherwise 其中 TI 是为每一个象素点单独计算的阈值 对方法 CV_ADAPTIVE_THRESH_MEAN_C，先求出块中的均值，再减掉 param1。 对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ，先求出块中的加权和(gaussian)， 再减掉 param1。 [编辑]金字塔及其应用[编辑]PyrDown图像的下采样 void cvPyrDown( const CvArr* src, CvArr* dst, int filter=CV_GAUSSIAN_5x5 ); src 输入图像. dst 输出图像, 宽度和高度应是输入图像的一半 ,传入前必须已经完成初始 化 filter 卷积滤波器的类型，目前仅支持 CV_GAUSSIAN_5x5 函数 cvPyrDown 使用 Gaussian 金字塔分解对输入图像向下采样。首先它对输 入图像用指定滤波器进行卷积，然后通过拒绝偶数的行与列来下采样图像。 [编辑]PyrUp图像的上采样 void cvPyrUp( const CvArr* src, CvArr* dst, int filter=CV_GAUSSIAN_5x5 ); src 输入图像. dst 输出图像, 宽度和高度应是输入图像的 2 倍 filter 卷积滤波器的类型，目前仅支持 CV_GAUSSIAN_5x5 函数 cvPyrUp 使用 Gaussian 金字塔分解对输入图像向上采样。首先通过在图 像中插入 0 偶数行和偶数列，然后对得到的图像用指定的滤波器进行高斯卷 积 其中滤波器乘以 4 做插值 所以输出图像是输入图像的 4 倍大小 （hunnish: ， 。 。 原理不清楚，尚待探讨）[编辑]连接部件[编辑]CvConnectedComp连接部件 typedef struct CvConnectedComp { /* 连通域的面积 */ /* 分割域的灰度缩放值 */ CvR /* 分割域的 ROI */ } CvConnectedC [编辑]FloodFill用指定颜色填充一个连接域 void cvFloodFill( CvArr* image, CvPoint seed_point, CvScalar new_val, CvScalar lo_diff=cvScalarAll(0), CvScalar up_diff=cvScalarAll(0), CvConnectedComp* comp=NULL, int flags=4, CvArr* mask=NULL ); #define CV_FLOODFILL_FIXED_RANGE (1 && 16) #define CV_FLOODFILL_MASK_ONLY (1 && 17) image 输入的 1- 或 3-通道, 8-比特或浮点数图像。输入的图像将被函数的操 作所改变，除非你选择 CV_FLOODFILL_MASK_ONLY 选项 (见下面). seed_point 开始的种子点. new_val 新的重新绘制的象素值 lo_diff 当前观察象素值与其部件领域象素或者待加入该部件的种子象素之负差 (Lower difference)的最大值。对 8-比特 彩色图像，它是一个 packed value. up_diff 当前观察象素值与其部件领域象素或者待加入该部件的种子象素之正差 (upper difference)的最大值。 对 8-比特 彩色图像，它是一个 packed value. comp 指向部件结构体的指针，该结构体的内容由函数用重绘区域的信息填充。 flags操作选项. 低位比特包含连通值, 4 (缺省) 或 8, 在函数执行连通过程 中确定使用哪种邻域方式 高位比特可以是 0 或下面的开关选项的组合： 。 CV_FLOODFILL_FIXED_RANGE - 如果设置，则考虑当前象素与种子象 素之间的差，否则考虑当前象素与其相邻象素的差。(范围是浮点 数). ? CV_FLOODFILL_MASK_ONLY - 如果设置，函数不填充原始图像 (忽略 new_val), 但填充掩模图像 (这种情况下 MASK 必须是非空的).?mask 运算掩模, 应该是单通道、8-比特图像, 长和宽上都比输入图像 image 大两个象素点。若非空，则函数使用且更新掩模, 所以使用者需对 mask 内容的初始化负责。填充不会经过 MASK 的非零象素, 例如，一个边缘检 测子的输出可以用来作为 MASK 来阻止填充边缘。或者有可能在多次的函 数调用中使用同一个 MASK，以保证填充的区域不会重叠。注意: 因为 MASK 比欲填充图像大 ，所以 mask 中与输入图像(x,y)像素点相对应的点 具有(x+1,y+1)坐标。 函数 cvFloodFill 用指定颜色，从种子点开始填充一个连通域。连通性由象素 值的接近程度来衡量。在点 (x, y) 的象素被认为是属于重新绘制的区域，如果： src(x',y')-lo_diff&=src(x,y)&=src(x',y')+up_diff, 灰度图像，浮动 范围 src(seed.x,seed.y)-lo&=src(x,y)&=src(seed.x,seed.y)+up_diff, 灰 度图像，固定范围 src(x',y')r-lo_diffr&=src(x,y)r&=src(x',y')r+up_diffr 和 src(x',y')g-lo_diffg&=src(x,y)g&=src(x',y')g+up_diffg 和 src(x',y')b-lo_diffb&=src(x,y)b&=src(x',y')b+up_diffb, 彩色图 像，浮动范围 src(seed.x,seed.y)r-lo_diffr&=src(x,y)r&=src(seed.x,seed.y)r+up _diffr 和 src(seed.x,seed.y)g-lo_diffg&=src(x,y)g&=src(seed.x,seed.y)g+up _diffg 和 src(seed.x,seed.y)b-lo_diffb&=src(x,y)b&=src(seed.x,seed.y)b+up _diffb, 彩色图像，固定范围 其中 src(x',y') 是象素邻域点的值。也就是说，为了被加入到连通域中，一个 象素的彩色/亮度应该足够接近于：? ?它的邻域象素的彩色/亮度值，当该邻域点已经被认为属于浮动范围情况 下的连通域。 固定范围情况下的种子点的彩色/亮度值[编辑]FindContours在二值图像中寻找轮廓 int cvFindContours( CvArr* image, CvMemStorage* storage, CvSeq** first_contour, int header_size=sizeof(CvContour), int mode=CV_RETR_LIST, int method=CV_CHAIN_APPROX_SIMPLE, CvPoint offset=cvPoint(0,0) ); image 输入的 8-比特、单通道图像. 非零元素被当成 1， 0 象素值保留为 0 从而图像被看成二值的。为了从灰度图像中得到这样的二值图像，可以使 用 cvThreshold, cvAdaptiveThreshold 或 cvCanny. 本函数改变输入 图像内容。 storage 得到的轮廓的存储容器 first_contour 输出参数：包含第一个输出轮廓的指针 header_size 如果 method=CV_CHAIN_CODE，则序列头的大小 &=sizeof(CvChain)，否 则 &=sizeof(CvContour) . mode 提取模式. CV_RETR_EXTERNAL - 只提取最外层的轮廓 ? CV_RETR_LIST - 提取所有轮廓，并且放置在 list 中 ? CV_RETR_CCOMP - 提取所有轮廓，并且将其组织为两层的 hierarchy: 顶层为连通域的外围边界，次层为洞的内层边界。 ? CV_RETR_TREE - 提取所有轮廓，并且重构嵌套轮廓的全部 hierarchy?method 逼近方法 (对所有节点, 不包括使用内部逼近的 CV_RETR_RUNS). CV_CHAIN_CODE - Freeman 链码的输出轮廓. 其它方法输出多边形 (定点序列). ? CV_CHAIN_APPROX_NONE - 将所有点由链码形式翻译(转化）为点序 列形式 ? CV_CHAIN_APPROX_SIMPLE - 压缩水平、垂直和对角分割，即函数只 保留末端的象素点; ? CV_CHAIN_APPROX_TC89_L1,??CV_CHAIN_APPROX_TC89_KCOS - 应用 Teh-Chin 链逼近算法. CV_LINK_RUNS - 通过连接为 1 的水平碎片使用完全不同的轮廓 提取算法。仅有 CV_RETR_LIST 提取模式可以在本方法中应用.offset 每一个轮廓点的偏移量. 当轮廓是从图像 ROI 中提取出来的时候，使用 偏移量有用，因为可以从整个图像上下文来对轮廓做分析. 函数 cvFindContours 从二值图像中提取轮廓，并且返回提取轮廓的数目。指针 first_contour 的内容由函数填写。它包含第一个最外层轮廓的指针，如果指针 为 NULL，则没有检测到轮廓（比如图像是全黑的）。其它轮廓可以从 first_contour 利用 h_next 和 v_next 链接访问到。 在 cvDrawContours 的 样例显示如何使用轮廓来进行连通域的检测。轮廓也可以用来做形状分析和对象 识别 - 见 CVPR2001 教程中的 squares 样例。该教程可以在 SourceForge 网 站上找到。 [编辑]StartFindContours初始化轮廓的扫描过程 CvContourScanner cvStartFindContours( CvArr* image, CvMemStorage* storage, int header_size=sizeof(CvContour), int mode=CV_RETR_LIST, int method=CV_CHAIN_APPROX_SIMPLE, CvPoint offset=cvPoint(0,0) ); image 输入的 8-比特、单通道二值图像 storage 提取到的轮廓容器 header_size 序列头的尺寸 &=sizeof(CvChain) 若 method=CV_CHAIN_CODE，否则尺寸 &=sizeof(CvContour) . mode 提取模式，见 cvFindContours. method 逼近方法。它与 cvFindContours 里的定义一样，但是 CV_LINK_RUNS 不 能使用。 offset ROI 偏移量，见 cvFindContours.函数 cvStartFindContours 初始化并且返回轮廓扫描器的指针。扫描器在 cvFindNextContour 使用以提取其馀的轮廓。 [编辑]FindNextContourFinds next contour in the image CvSeq* cvFindNextContour( CvContourScanner scanner ); scanner 被函数 cvStartFindContours 初始化的轮廓扫描器. 函数 cvFindNextContour 确定和提取图像的下一个轮廓，并且返回它的指针。 若没有更多的轮廓，则函数返回 NULL. [编辑]SubstituteContour替换提取的轮廓 void cvSubstituteContour( CvContourScanner scanner, CvSeq* new_contour ); scanner 被函数 cvStartFindContours 初始化的轮廓扫描器 .. new_contour 替换的轮廓 函数 cvSubstituteContour 把用户自定义的轮廓替换前一次的函数 cvFindNextContour 调用所提取的轮廓，该轮廓以用户定义的模式存储在边缘扫 描状态之中。轮廓，根据提取状态，被插入到生成的结构，List，二层 hierarchy, 或 tree 中。如果参数 new_contour=NULL, 则提取的轮廓不被包含入生成结构 中，它的所有后代以后也不会被加入到接口中。 [编辑]EndFindContours结束扫描过程 CvSeq* cvEndFindContours( CvContourScanner* scanner ); scanner轮廓扫描的指针. 函数 cvEndFindContours 结束扫描过程 并且返回最高层的第一个轮廓的指针。 ，[编辑]PyrSegmentation用金字塔实现图像分割 void cvPyrSegmentation( IplImage* src, IplImage* dst, CvMemStorage* storage, CvSeq** comp, int level, double threshold1, double threshold2 ); src 输入图像. dst 输出图像. storage Storage: 存储连通部件的序列结果 comp 分割部件的输出序列指针 components. level 建立金字塔的最大层数 threshold1 建立连接的错误阈值 threshold2 分割簇的错误阈值 函数 cvPyrSegmentation 实现了金字塔方法的图像分割。金字塔建立到 level 指定的最大层数。如果 p(c(a),c(b))&threshold1,则在层 i 的象素点 a 和它 的相邻层的父亲象素 b 之间的连接被建立起来， 定义好连接部件后，它们被加入到某些簇中。如果 p(c(A),c(B))&threshold2， 则任何两个分割 A 和 B 属于同一簇。 如果输入图像只有一个通道，那么 p(c?,c?)=|c?-c?|. 如果输入图像有单个通道（红、绿、兰），那幺p(c?,c?)=0,3?(c?r-c?r)+0,59?(c?g-c?g)+0,11?(c?b-c?b) . 每一个簇可以有多个连接部件 图像 src 和 dst 应该是 8-比特 单通道 或 3。 、 通道图像，且大小一样 [编辑]PyrMeanShiftFilteringDoes meanshift image segmentation void cvPyrMeanShiftFiltering( const CvArr* src, CvArr* dst, double sp, double sr, int max_level=1, CvTermCriteria termcrit=cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS,5,1)); src 输入的 8-比特,3-信道图象. dst 和源图象相同大小,相同格式的输出图象. sp The spatial window radius. 空间窗的半径 sr The color window radius. 色彩窗的半径 max_level Maximum level of the pyramid for the segmentation. termcrit Termination criteria: when to stop meanshift iterations. The function cvPyrMeanShiftFiltering implements the filtering stage of meanshift segmentation, that is, the output of the function is the filtered &posterized& image with color gradients and fine-grain texture flattened. At every pixel (X,Y) of the input image (or down-sized input image, see below) the function executes meanshift iterations, that is, the pixel (X,Y) neighborhood in the joint space-color hyperspace is considered: {(x,y): X-sp≤x≤X+sp && Y-sp≤y≤Y+sp && ||(R,G,B)-(r,g,b)|| ≤ sr},where (R,G,B) and (r,g,b) are the vectors of color components at (X,Y) and (x,y), respectively (though, the algorithm does not depend on the color space used, so any 3-component color space can be used instead). Over the neighborhood the average spatial value (X',Y') and average color vector (R',G',B') are found and they act as the neighborhood center onthe next iteration: (X,Y)~(X',Y'), (R,G,B)~(R',G',B').After the iterations over, the color components of the initial pixel (that is, the pixel from where the iterations started) are set to the final value (average color at the last iteration): I(X,Y) &- (R*,G*,B*).Then max_level&0, the gaussian pyramid of max_level+1 levels is built, and the above procedure is run on the smallest layer. After that, the results are propagated to the larger layer and the iterations are run again only on those pixels where the layer colors differ much (&sr) from the lower-resolution layer, that is, the boundaries of the color regions are clarified. Note, that the results will be actually different from the ones obtained by running the meanshift procedure on the whole original image (i.e. when max_level==0). [编辑]Watershed做分水岭图像分割 void cvWatershed( const CvArr* image, CvArr* markers ); image 输入 8 比特 3 通道图像。 markers 输入或输出的 32 比特单通道标记图像。 函数 cvWatershed 实现在[Meyer92]描述的变量分水岭，基于非参数标记的分割 算法中的一种。在把图像传给函数之前，用户需要用正指标大致勾画出图像标记 的感兴趣区域。比如，每一个区域都表示成一个或者多个像素值 1，2，3 的互联 部分。这些部分将作为将来图像区域的种子。标记中所有的其他像素，他们和勾 画出的区域关系不明并且应由算法定义，应当被置 0。这个函数的输出则是标记 区域所有像素被置为某个种子部分的值，或者在区域边界则置-1。 注：每两个相邻区域也不是必须有一个分水岭边界（-1 像素）分开，例如在初 始标记图像里有这样相切的部分。opencv 例程文件夹里面有函数的视觉效果演 示和用户例程。见 watershed.cpp。 [编辑]图像与轮廓矩[编辑]Moments计算多边形和光栅形状的最高达三阶的所有矩 void cvMoments( const CvArr* arr, CvMoments* moments, int binary=0 ); arr 图像 (1-通道或 3-通道，有 COI 设置) 或多边形(点的 CvSeq 或一族点 的向量). moments 返回的矩状态接口的指针 binary (仅对图像) 如果标识为非零，则所有零象素点被当成零，其它的被看成 1. 函数 cvMoments 计算最高达三阶的空间和中心矩，并且将结果存在结构 moments 中。矩用来计算形状的重心，面积，主轴和其它的形状特征，如 7 Hu 不 变量等。 [编辑]GetSpatialMoment从矩状态结构中提取空间矩 double cvGetSpatialMoment( CvMoments* moments, int x_order, int y_order ); moments 矩状态，由 cvMoments 计算 x_order 提取的 x 次矩, x_order &= 0. y_order 提取的 y 次矩, y_order &= 0 并且 x_order + y_order &= 3. 函数 cvGetSpatialMoment 提取空间矩，当图像矩被定义为： Mx_order,y_order=sumx,y(I(x,y)?xx_order?yy_order) 其中 I(x,y) 是象素点 (x, y) 的亮度值. [编辑]GetCentralMoment从矩状态结构中提取中心矩double cvGetCentralMoment( CvMoments* moments, int x_order, int y_order ); moments 矩状态结构指针 x_order 提取的 x 阶矩, x_order &= 0. y_order 提取的 y 阶矩， y_order &= 0 且 x_order + y_order &= 3. 函数 cvGetCentralMoment 提取中心矩，其中图像矩的定义是： μ x_order,y_order=sumx,y(I(x,y)?(x-xc)x_order?(y-yc)y_order), 其中 xc=M10/M00, yc=M01/M00 - 重心坐标 [编辑]GetNormalizedCentralMoment从矩状态结构中提取归一化的中心矩 double cvGetNormalizedCentralMoment( CvMoments* moments, int x_order, int y_order ); moments 矩状态结构指针 x_order 提取的 x 阶矩, x_order &= 0. y_order 提取的 y 阶矩， y_order &= 0 且 x_order + y_order &= 3. 函数 cvGetNormalizedCentralMoment 提取归一化中心矩： η x_order,y_order= μ x_order,y_order/M00((y_order+x_order)/2+1) [编辑]GetHuMoments计算 7 Hu 不变量 void cvGetHuMoments( CvMoments* moments, CvHuMoments* hu_moments ); moments 矩状态结构的指针 hu_momentsHu 矩结构的指针. 函数 cvGetHuMoments 计算 7 个 Hu 不变量，它们的定义是： h1=η 20+η 02 h2=(η 20-η 02)?+4η 11? h3=(η 30-3η 12)?+ (3η 21-η 03)? h4=(η 30+η 12)?+ (η 21+η 03)? h5=(η 30-3η 12)(η 30+η 12)[(η 30+η 12)?-3(η 21+η 03)?]+(3η 21-η 03)(η 21+η 03)[3(η 30+η 12)?-(η 21+η 03)?] h6=(η 20-η 02)[(η 30+η 12)?- (η 21+η 03)?]+4η 11(η 30+η 12)(η 21+η 03) h7=(3η 21-η 03)(η 21+η 03)[3(η 30+η 12)?-(η 21+η 03)?]-(η 30-3η 12)(η 21+η 03)[3(η 30+η 12)?-(η 21+η 03)?] 这些值被证明为对图像缩放、旋转和反射的不变量。对反射，第 7 个除外，因为 它的符号会因为反射而改变。 [编辑]特殊图像变换[编辑]HoughLines利用 Hough 变换在二值图像中找到直线 CvSeq* cvHoughLines2( CvArr* image, void* line_storage, int method, double rho, double theta, int threshold, double param1=0, double param2=0 ); image 输入 8-比特、单通道 (二值) 图像，当用 CV_HOUGH_PROBABILISTIC 方法 检测的时候其内容会被函数改变 line_storage 检测到的线段存储仓. 可以是内存存储仓 (此种情况下，一个线段序列在 存储仓中被创建，并且由函数返回） ，或者是包含线段参数的特殊类型 （见 下面）的具有单行/单列的矩阵(CvMat*)。矩阵头为函数所修改，使得它 的 cols/rows 将包含一组检测到的线段。如果 line_storage 是矩阵， 而实际线段的数目超过矩阵尺寸，那么最大可能数目的线段被返回(对于 标准 hough 变换，线段按照长度降序输出). method Hough 变换变量，是下面变量的其中之一：CV_HOUGH_STANDARD - 传统或标准 Hough 变换. 每一个线段由两个 浮点数 (ρ , θ ) 表示，其中 ρ 是直线与原点 (0,0) 之间的距 离，θ 线段与 x-轴之间的夹角。因此，矩阵类型必须是 CV_32FC2 type. ? CV_HOUGH_PROBABILISTIC - 概率 Hough 变换(如果图像包含一些长 的线性分割，则效率更高). 它返回线段分割而不是整个线段。每 个分割用起点和终点来表示，所以矩阵（或创建的序列）类型是 CV_32SC4. ? CV_HOUGH_MULTI_SCALE - 传统 Hough 变换的多尺度变种。线段的 编码方式与 CV_HOUGH_STANDARD 的一致。?rho 与象素相关单位的距离精度 theta 弧度测量的角度精度 threshold 阈值参数。如果相应的累计值大于 threshold， 则函数返回的这个线段. param1 第一个方法相关的参数: 对传统 Hough 变换，不使用(0). ? 对概率 Hough 变换，它是最小线段长度. ? 对多尺度 Hough 变换，它是距离精度 rho 的分母 (大致的距离精 度是 rho 而精确的应该是 rho / param1 ).?param2 第二个方法相关参数: 对传统 Hough 变换，不使用 (0). ? 对概率 Hough 变换，这个参数表示在同一条直线上进行碎线段连接 的最大间隔值(gap), 即当同一条直线上的两条碎线段之间的间隔 小于 param2 时，将其合二为一。 ? 对多尺度 Hough 变换，它是角度精度 theta 的分母 (大致的角度 精度是 theta 而精确的角度应该是 theta / param2).?函数 cvHoughLines2 实现了用于线段检测的不同 Hough 变换方法. Example. 用 Hough transform 检测线段 /* This is a standalone program. Pass an image name as a first parameter of the program.Switch between standard and probabilistic Hough transform by changing &#if 1& to &#if 0& and back */ #include &cv.h& #include &highgui.h& #include &math.h&int main(int argc, char** argv) { IplImage* //if( argc == 2 && (src=cvLoadImage(argv[1], 0))!= 0) // if use 0, it will convert src to gray image,then call cvCvtColor function will throw an exception at opencv2.3 if( argc == 2 && (src=cvLoadImge(argv[1])) != 0 ) { IplImage* dst = cvCreateImage( cvGetSize(src), 8, 1 ); IplImage* color_dst = cvCreateImage( cvGetSize(src), 8, 3 ); CvMemStorage* storage = cvCreateMemStorage(0); CvSeq* lines = 0; IplImage* src1=cvCreateImage(cvSize(src-&width,src-&height),IPL_DEPTH_8U,1); cvCvtColor(src, src1, CV_BGR2GRAY); cvCanny( src1, dst, 50, 200, 3 ); cvCvtColor( dst, color_dst, CV_GRAY2BGR ); #if 1 lines = cvHoughLines2( dst, storage, CV_HOUGH_STANDARD, 1, CV_PI/180, 150, 0, 0 ); for( i = 0; i & lines-& i++ ) { float* line = (float*)cvGetSeqElem(lines,i); float rho = line[0]; float theta = line[1]; CvPoint pt1, pt2; double a = cos(theta), b = sin(theta); if( fabs(a) & 0.001 ) { pt1.x = pt2.x = cvRound(rho); pt1.y = 0; pt2.y = color_dst-& } else if( fabs(b) & 0.001 ) { pt1.y = pt2.y = cvRound(rho); pt1.x = 0; pt2.x = color_dst-& }else { pt1.x pt1.y pt2.x pt2.y = = = = 0; cvRound(rho/b); cvRound(rho/a); 0;} cvLine( color_dst, pt1, pt2, CV_RGB(255,0,0), 3, 8 ); } #else lines = cvHoughLines2( dst, storage, CV_HOUGH_PROBABILISTIC, 1, CV_PI/180, 80, 30, 10 ); for( i = 0; i & lines-& i++ ) { CvPoint* line = (CvPoint*)cvGetSeqElem(lines,i); cvLine( color_dst, line[0], line[1], CV_RGB(255,0,0), 3, 8 ); } #endif cvNamedWindow( &Source&, 1 ); cvShowImage( &Source&, src ); cvNamedWindow( &Hough&, 1 ); cvShowImage( &Hough&, color_dst ); cvWaitKey(0); } } 这是函数所用的样本图像：下面是程序的输出，采用概率 Hough transform (&#if 0& 的部分):[编辑]HoughCircles利用 Hough 变换在灰度图像中找圆 CvSeq* cvHoughCircles( CvArr* image, void* circle_storage, int method, double dp, double min_dist, double param1=100, double param2=100, int min_radius=0, int max_radius=0 ); image 输入 8-比特、单通道灰度图像. circle_storage检测到的圆存储仓. 可以是内存存储仓 (此种情况下，一个线段序列在存 储仓中被创建，并且由函数返回）或者是包含圆参数的特殊类型的具有单 行/单列的 CV_32FC3 型矩阵(CvMat*). 矩阵头为函数所修改，使得它的 cols/rows 将包含一组检测到的圆。如果 circle_storage 是矩阵，而实 际圆的数目超过矩阵尺寸，那么最大可能数目的圆被返回 . 每个圆由三个浮点数表示：圆心坐标(x,y)和半径. method Hough 变换方式，目前只支持 CV_HOUGH_GRADIENT, which is basically 21HT, described in [Yuen03]. dp 累加器图像的分辨率 。这个参数允许创建一个比输入图像分辨率低的累加 器。 （这样做是因为有理由认为图像中存在的圆会自然降低到与图像宽高 相同数量的范畴）。如果 dp 设置为 1，则分辨率是相同的；如果设置为 更大的值 （比如 2） ，累加器的分辨率受此影响会变小 （此情况下为一半） 。 dp 的值不能比 1 小。 Resolution of the accumulator used to detect centers of the circles. For example, if it is 1, the accumulator will have the same resolution as the input image, if it is 2 - accumulator will have twice smaller width and height, etc. min_dist 该参数是让算法能明显区分的两个不同圆之间的最小距离。 Minimum distance between centers of the detected circles. If the parameter is too small, multiple neighbor circles may be falsely detected in addition to a true one. If it is too large, some circles may be missed. param1 用于 Canny 的边缘阀值上限，下限被置为上限的一半。 The first method-specific parameter. In case of CV_HOUGH_GRADIENT it is the higher threshold of the two passed to Canny edge detector (the lower one will be twice smaller). param2 累加器的阀值。 The second method-specific parameter. In case of CV_HOUGH_GRADIENT it is accumulator threshold at the center detection stage. The smaller it is, the more false circles may be detected. Circles, corresponding to the larger accumulator values, will be returned first.min_radius 最小圆半径。 Minimal radius of the circles to search for. max_radius 最大圆半径。 Maximal radius of the circles to search for. By default the maximal radius is set to max(image_width, image_height). The function cvHoughCircles finds circles in grayscale image using some modification of Hough transform. Example. Detecting circles with Hough transform. #include &cv.h& #include &highgui.h& #include &math.h& int main(int argc, char** argv) { IplImage* if( argc == 2 && (img=cvLoadImage(argv[1], 1))!= 0) { IplImage* gray = cvCreateImage( cvGetSize(img), 8, 1 ); CvMemStorage* storage = cvCreateMemStorage(0); cvCvtColor( img, gray, CV_BGR2GRAY ); cvSmooth( gray, gray, CV_GAUSSIAN, 9, 9 ); // smooth it, otherwise a lot of false circles may be detected CvSeq* circles = cvHoughCircles( gray, storage, CV_HOUGH_GRADIENT, 2, gray-&height/4, 200, 100 ); for( i = 0; i & circles-& i++ ) { float* p = (float*)cvGetSeqElem( circles, i ); cvCircle( img, cvPoint(cvRound(p[0]),cvRound(p[1])), 3, CV_RGB(0,255,0), -1, 8, 0 ); cvCircle( img, cvPoint(cvRound(p[0]),cvRound(p[1])), cvRound(p[2]), CV_RGB(255,0,0), 3, 8, 0 ); } cvNamedWindow( &circles&, 1 ); cvShowImage( &circles&, img ); } return 0;} [编辑]DistTransform计算输入图像的所有非零元素对其最近零元素的距离 void cvDistTransform( const CvArr* src, CvArr* dst, int distance_type=CV_DIST_L2, int mask_size=3, const float* mask=NULL ); src 输入 8-比特、单通道 (二值) 图像. dst 含计算出的距离的输出图像(32-比特、浮点数、单通道). distance_type 距离类型; 可以是 CV_DIST_L1, CV_DIST_L2, CV_DIST_C 或 CV_DIST_USER. mask_size 距离变换掩模的大小 ，可以是 3 或 5. 对 CV_DIST_L1 或 CV_DIST_C 的 情况，参数值被强制设定为 3, 因为 3×3 mask 给出 5×5 mask 一样的 结果，而且速度还更快。 mask 用户自定义距离情况下的 mask。 在 3×3 mask 下它由两个数(水平/垂 直位量，对角线位移量）组成， 5×5 mask 下由三个数组成(水平/垂直 位移量，对角位移和 国际象棋里的马步(马走日)) 函数 cvDistTransform 二值图像每一个象素点到它最邻近零象素点的距离。对 零象素，函数设置 0 距离，对其它象素，它寻找由基本位移（水平、垂直、对 角线或 knight's move，最后一项对 5×5 mask 有用）构成的最短路径。 全部 的距离被认为是基本距离的和。由于距离函数是对称的，所有水平和垂直位移具 有同样的代价 (表示为 a ), 所有的对角位移具有同样的代价 (表示为 b), 所 有的 knight's 移动具有同样的代价 (表示为 c). 对类型 CV_DIST_C 和 CV_DIST_L1，距离的计算是精确的，而类型 CV_DIST_L2 (欧式距离) 距离的计 算有某些相对误差 (5×5 mask 给出更精确的结果), OpenCV 使用 [Borgefors86] 推荐的值： CV_DIST_C (3×3): a=1, b=1 CV_DIST_L1 (3×3): a=1, b=2 CV_DIST_L2 (3×3): a=0.955, b=1.3693 CV_DIST_L2 (5×5): a=1, b=1.4, c=2.1969下面用户自定义距离的的距离域示例 (黑点 (0) 在白色方块中间）: 用户自定 义 3×3 mask (a=1, b=1.5) 4.5 4 4 3 4 3 2 3 3.5 3 3.5 4 2.5 2 2.5 3 1 01 2 4.5 4 3 4 4.53.5 2.5 1.5 1 1.5 2.5 3.5 3.5 2.5 1.5 1 1.5 2.5 3.5 2.5 2 2.5 3 3.5 3 3.5 4 4.5 4用户自定义 5×5 mask (a=1, b=1.5, c=2) 4.5 3.5 3 3.5 3 3 3 3 4 2 2 2 2 1 2 33 22 01 22 33 3.5 4.5 3 2 3 3.5 3 3 3 3.51.5 1 1.5 2 1.5 1 1.5 23.5 33.5 33.5 4典型的使用快速粗略距离估计 CV_DIST_L2, 3×3 mask , 如果要更精确的距离 估计，使用 CV_DIST_L2, 5×5 mask。 When the output parameter labels is not NULL, for every non-zero pixel the function also finds the nearest connected component consisting of zero pixels. The connected components themselves are found as contours in the beginning of the function. In this mode the processing time is still O(N), where N is the number of pixels. Thus, the function provides a very fast way to compute approximate Voronoi diagram for the binary image. [编辑]Inpaint修复图像中选择区域。 void cvInpaint( const CvArr* src, const CvArr* mask, CvArr* dst,int flags, double inpaintRadius ); src 输入 8 比特单通道或者三通道图像。 mask 修复图像的掩饰，8 比特单通道图像。非零像素表示该区域需要修复。 dst 输出图像，和输入图像相同格式相同大小。 flags 修复方法,以下之一: CV_INPAINT_NS - 基于 Navier-Stokes 的方法。 CV_INPAINT_TELEA - Alexandru Telea[Telea04]的方法。 inpaintRadius 算法考虑的每个修复点的圆形领域的半径。 函数 cvInpaint 从选择图像区域边界的像素重建该区域。函数可以用来去除扫描 相片的灰尘或者刮伤，或者从静态图像或者视频中去除不需要的物体。 [编辑]直方图[编辑]CvHistogram多维直方图 typedef struct CvHistogram { CvArr* float thresh[CV_MAX_DIM][2]; /* for uniform histograms */ float** thresh2; /* for non-uniform histograms */ CvMatND /* embedded matrix header for array histograms */ } CvH bins : 用于存放直方图每个灰度级数目的数组指针，数组在 cvCreateHist 的 时候创建，其维数由 cvCreateHist 确定（一般以一维比较常见） [编辑]CreateHist创建直方图 CvHistogram* cvCreateHist( int dims, int* sizes, int type, float** ranges=NULL, int uniform=1 ); dims 直方图维数的数目 sizes 直方图维数尺寸的数组 type 直方图的表示格式: CV_HIST_ARRAY 意味着直方图数据表示为多维密集 数组 CvMatND; CV_HIST_TREE 意味着直方图数据表示为多维稀疏数组 CvSparseMat. ranges 图中方块范围的数组. 它的内容取决于参数 uniform 的值。这个范围的 用处是确定何时计算直方图或决定反向映射（backprojected ），每个方 块对应于输入图像的哪个/哪组值。 uniform 归一化标识。 如果不为 0，则 ranges[i]（0&=i&cDims，译者注：cDims 为直方图的维数，对于灰度图为 1，彩色图为 3）是包含两个元素的范围 数组，包括直方图第 i 维的上界和下界。在第 i 维上的整个区域 [lower,upper]被分割成 dims[i] 个相等的块（译者注：dims[i]表示直 方图第 i 维的块数），这些块用来确定输入象素的第 i 个值（译者注： 对于彩色图像，i 确定 R, G,或者 B） 的对应的块；如果为 0，则 ranges[i] 是包含 dims[i]+1 个元素的范围数组，包括 lower0, upper0, lower1, upper1 == lower2, ..., upperdims[i]-1, 其中 lowerj 和 upperj 分别 是直方图第 i 维上第 j 个方块的上下界（针对输入象素的第 i 个值）。 任何情况下，输入值如果超出了一个直方块所指定的范围外，都不会被 cvCalcHist 计数，而且会被函数 cvCalcBackProject 置零。 函数 cvCreateHist 创建一个指定尺寸的直方图，并且返回创建的直方图的指 针。 如果数组的 ranges 是 0, 则直方块的范围必须由函数 cvSetHistBinRanges 稍后指定 。虽然 cvCalcHist 和 cvCalcBackProject 可以 处理 8-比特图像而无需设置任何直方块的范围，但它们都被假设等分 0..255 之间的空间。 [编辑]SetHistBinRanges设置直方块的区间 void cvSetHistBinRanges( CvHistogram* hist, float** ranges, int uniform=1 );hist 直方图. ranges 直方块范围数组的数组，见 cvCreateHist. uniform 归一化标识，见 cvCreateHist. 函数 cvSetHistBinRanges 是一个独立的函数，完成直方块的区间设置。更多详 细的关于参数 ranges 和 uniform 的描述，请参考函数 cvCalcHist , 该函数 也可以初始化区间。直方块的区间的设置必须在计算直方图之前，或 在计算直 方图的反射图之前。 [编辑]ReleaseHist释放直方图结构 void cvReleaseHist( CvHistogram** hist ); hist 被释放的直方图结构的双指针. 函数 cvReleaseHist 释放直方图 (头和数据). 指向直方图的指针被函数所清 空。如果 *hist 指针已经为 NULL, 则函数不做任何事情。 [编辑]ClearHist清除直方图 void cvClearHist( CvHistogram* hist ); hist 直方图. 函数 cvClearHist 当直方图是稠密数组时将所有直方块设置为 0，当直方图是 稀疏数组时，除去所有的直方块。 [编辑]MakeHistHeaderForArray从数组中创建直方图 CvHistogram* cvMakeHistHeaderForArray( int dims, int* sizes, CvHistogram* hist, float* data, float** ranges=NULL, int uniform=1 ); dims 直方图维数. sizes 直方图维数尺寸的数组 hist 为函数所初始化的直方图头 data 用来存储直方块的数组 ranges 直方块范围，见 cvCreateHist. uniform 归一化标识，见 cvCreateHist. 函数 cvMakeHistHeaderForArray 初始化直方图，其中头和直方块为用户所分 配。以后不需要调用 cvReleaseHist 只有稠密直方图可以采用这种方法，函数 返回 hist. [编辑]QueryHistValue_1D查询直方块的值 #define cvQueryHistValue_1D( hist, idx0 ) \ cvGetReal1D( (hist)-&bins, (idx0) ) #define cvQueryHistValue_2D( hist, idx0, idx1 ) \ cvGetReal2D( (hist)-&bins, (idx0), (idx1) ) #define cvQueryHistValue_3D( hist, idx0, idx1, idx2 ) \ cvGetReal3D( (hist)-&bins, (idx0), (idx1), (idx2) ) #define cvQueryHistValue_nD( hist, idx ) \ cvGetRealND( (hist)-&bins, (idx) ) hist 直方图 idx0, idx1, idx2, idx3 直方块的下标索引idx 下标数组 宏 cvQueryHistValue_*D 返回 1D, 2D, 3D 或 N-D 直方图的指定直方块的值。 对稀疏直方图，如果方块在直方图中不存在，函数返回 0, 而且不创建新的直方 块。 [编辑]GetHistValue_1D返回直方块的指针 #define cvGetHistValue_1D( hist, idx0 ) \ ((float*)(cvPtr1D( (hist)-&bins, (idx0), 0 )) #define cvGetHistValue_2D( hist, idx0, idx1 ) \ ((float*)(cvPtr2D( (hist)-&bins, (idx0), (idx1), 0 )) #define cvGetHistValue_3D( hist, idx0, idx1, idx2 ) \ ((float*)(cvPtr3D( (hist)-&bins, (idx0), (idx1), (idx2), 0 )) #define cvGetHistValue_nD( hist, idx ) \ ((float*)(cvPtrND( (hist)-&bins, (idx), 0 )) hist 直方图. idx0, idx1, idx2, idx3 直方块的下标索引. idx 下标数组 宏 cvGetHistValue_*D 返回 1D, 2D, 3D 或 N-D 直方图的指定直方块的指针。 对稀疏直方图，函数创建一个新的直方块，且设置其为 0，除非它已经存在。 [编辑]GetMinMaxHistValue发现最大和最小直方块 void cvGetMinMaxHistValue( const CvHistogram* hist, float* min_value, float* max_value, int* min_idx=NULL, int* max_idx=NULL ); hist 直方图 min_value直方图最小值的指针 max_value 直方图最大值的指针 min_idx 数组中最小坐标的指针 max_idx 数组中最}