opencv中文手册范本.docx

opencv中文手册范本.docx

《opencv中文手册范本.docx》由会员分享，可在线阅读，更多相关《opencv中文手册范本.docx（90页珍藏版）》请在冰豆网上搜索。

opencv中文手册范本

∙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;i

blue_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,