文章目錄

• 第1章 邂逅OpenCV
• • 1.1 OpenCV周邊概念認(rèn)知
  • • 1.1.1 圖像處理、計(jì)算機(jī)視覺(jué)與OpenCV
  • 1.2 OpenCV基本架構(gòu)分析
• 第3章 HighGUI圖形用戶界面初步
• 第4章 OpenCV數(shù)據(jù)結(jié)構(gòu)與基本繪圖
• • 4.2 常用數(shù)據(jù)結(jié)構(gòu)：
  • 4.3 基本圖形的繪制
• 第5章 core組件進(jìn)階
• • 5.1 訪問(wèn)圖像中的像素
  • • 5.1.2 顏色空間縮減
    • 5.1.4 計(jì)時(shí)函數(shù)
    • 5.1.5 訪問(wèn)圖像中像素的三類方法
  • 5.2 ROI區(qū)域圖像疊加&圖像混合
  • • 5.2.1 感興趣區(qū)域ROI
    • 5.2.2 線性混合操作
    • 5.2.3 計(jì)算數(shù)組加權(quán)和：addWeighted()函數(shù)
  • 5.3 分離顏色通道、多通道圖像混合
  • 5.4 圖像對(duì)比度、亮度值調(diào)整
  • 5.5 離散傅里葉變換
  • 5.6 XML文件YAML文件的操作
• 第6章 圖像處理
• • 6.1 線性濾波：方框?yàn)V波、均值濾波、高斯濾波
  • • 6.1.2 圖像濾波與濾波器
    • 6.1.3 線性濾波器
    • 6.1.4 濾波和模糊
    • 6.1.5 鄰域算子和線性鄰域?yàn)V波
  • 6.2 非線性濾波： 中值濾波、雙邊濾波
  • 6.3 形態(tài)學(xué)濾波（1）：腐蝕與膨脹
  • 6.4 形態(tài)學(xué)濾波（2）：開(kāi)運(yùn)算、閉運(yùn)算、形態(tài)學(xué)梯度、頂帽、黑帽
• 第7章 圖像變換
• • 7.1 基于OpenCV的邊緣檢測(cè)
  • • 7.1.1 邊緣檢測(cè)的一般步驟
    • 7.1.2 canny算子
  • 7.2 霍夫變換

第1章 邂逅OpenCV

1.1 OpenCV周邊概念認(rèn)知

1.1.1 圖像處理、計(jì)算機(jī)視覺(jué)與OpenCV

• 數(shù)字圖像處理是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)

1.2 OpenCV基本架構(gòu)分析

一些核心模塊：

• core: 核心功能模塊包含如下內(nèi)容：
  • OpenCV基本數(shù)據(jù)結(jié)構(gòu)
  • 動(dòng)態(tài)數(shù)據(jù)結(jié)構(gòu)
  • 繪圖函數(shù)
  • 數(shù)組操作和相關(guān)函數(shù)
  • 輔助功能與系統(tǒng)函數(shù)和宏
  • 與OpenGL的互操作
• imgproc: Image和Process這兩個(gè)單詞的縮寫組合，圖像處理模塊
• gpu: 運(yùn)用GPU加速的計(jì)算機(jī)視覺(jué)模塊
• highgui: 高層GUI圖形用戶界面
• ml: Machine Learning,機(jī)器學(xué)習(xí)模塊，包括如下內(nèi)容：
  • 統(tǒng)計(jì)模型（Statistical Models)
  • 一般貝葉斯分類器（Normal Bayes Classifier)
  • K-近鄰（K-Nearest Neighbors)
  • 支持向量機(jī)（Support Vector Machines)
  • 決策樹(shù)（Decision Trees)
  • 提升（Boosting)
  • 梯度提高數(shù)（Gradiect Boosted Trees)
  • 隨機(jī)數(shù)（Random Trees)
  • 超隨機(jī)數(shù)（Extremely randomized trees)
  • 期望最大化（Expectation Maximization)
  • 神經(jīng)網(wǎng)絡(luò)（Neural Networks)
  • ML Data

OpenCV各版本的差異：
OpenCV2 帶來(lái)全新的c++接口；通過(guò)CUDA和OpenCL實(shí)現(xiàn)GPU加速
OpenCV3 進(jìn)行項(xiàng)目架構(gòu)改變，使用內(nèi)核+插件的架構(gòu)方式；大部分方法都使用了OpenCL加速
OpenCV4 c++11編譯器才能編譯
OpenCL：
OpenCL是一個(gè)為異構(gòu)平臺(tái)編寫程序的框架。編寫語(yǔ)言基于c99。用于并行計(jì)算，加速計(jì)算。
openCV中集成了OpenCL
OpenCL和CUDA比較：
不同點(diǎn)：
OpenCL是通用的異構(gòu)平臺(tái)編程語(yǔ)言，為了兼顧不同設(shè)備，使用繁瑣。
CUDA是nvidia公司發(fā)明的專門在其GPGPU上的編程的框架，使用簡(jiǎn)單，好入門
相同點(diǎn)：
都是基于任務(wù)并行與數(shù)據(jù)并行。
OpenGL是什么，為什么存在與OpenCV中
一個(gè)跨編程語(yǔ)言、跨平臺(tái)的應(yīng)用程序接口（API）的規(guī)格，它用于生成二維、三維圖像。
在 2.3 之前 OpenCV 的渲染部分都是由 CPU 來(lái)實(shí)現(xiàn)的，不論是畫線還是把圖片顯示到屏幕上。這有兩個(gè)問(wèn)題，速度慢，同時(shí)沒(méi)法畫> 三維物體。引入 OpenGL 是為了借助 顯卡的力量，顯卡比 CPU 更擅長(zhǎng)渲染，同時(shí)顯卡和 CPU 可以同時(shí)干活

第3章 HighGUI圖形用戶界面初步

函數(shù)名稱用途

imread	讀取文件
imshow	顯示圖片
namedWindow	用于創(chuàng)建一個(gè)窗口
imwrite	輸出文件
createTrackbar	創(chuàng)建一個(gè)可以調(diào)整數(shù)值的軌跡條
getTrackbarPos	獲取軌跡條的當(dāng)前位置
SetMouseCallback	為指定的窗口設(shè)置鼠標(biāo)回調(diào)

第4章 OpenCV數(shù)據(jù)結(jié)構(gòu)與基本繪圖

Mat不但是一個(gè)非常有用的圖像容器類，同時(shí)也是一個(gè)通用的矩陣類，可以用來(lái)創(chuàng)建和操作多維矩陣。

• OpenCV函數(shù)中輸出圖像的內(nèi)存分配是自動(dòng)完成的
• 使用OpenCV的c++接口時(shí)不需要考慮內(nèi)存的釋放問(wèn)題
• 賦值運(yùn)算符和拷貝構(gòu)造函數(shù)（構(gòu)造函數(shù)）只復(fù)制信息頭
• 使用函數(shù)clone() 或者copyTo()來(lái)復(fù)制一幅圖像的矩陣

4.2 常用數(shù)據(jù)結(jié)構(gòu)：

定義釋義

Point	2維點(diǎn)， 支持int ， Point_ Point2i Point 等價(jià)
Point2f	2維點(diǎn) ， 支持float
Point3f	3維點(diǎn)
Scalar	顏色RGB
Size	顏色RGB， typedef Size_ Size2i;typedef Size2i Size
Rect	矩形
cvtColor	顏色空間轉(zhuǎn)換
Matx	輕量級(jí)Mat,使用前規(guī)定好大小
Vec	Matx的派生類，是一個(gè)以為的Matx,和vector很相似

OpenCV圖片通道的存儲(chǔ)順序時(shí)BGR,而不是RGB.

4.3 基本圖形的繪制

• 繪制直線 line函數(shù)
• 繪制橢圓 ellipse 函數(shù)
• 繪制舉行 rectangle 函數(shù)
• 繪制圓形 circle函數(shù)
• 多邊形 fillPoly 函數(shù)

第5章 core組件進(jìn)階

5.1 訪問(wèn)圖像中的像素

5.1.2 顏色空間縮減

單通道的像素值只有256個(gè)，但是三通道有256*256*256種，處理起來(lái)比較麻煩，進(jìn)行縮減后圖像會(huì)有一樣的效果。
像素縮減的辦法是：
$$I_{new}=(i_{old}/10)?10$$

乘除法運(yùn)算代價(jià)高，加減法及賦值運(yùn)算代價(jià)低。
可以把所有的像素對(duì)應(yīng)關(guān)系存表，利用查表后復(fù)制的方式替代上述計(jì)算公式，以減小運(yùn)算代價(jià)

5.1.4 計(jì)時(shí)函數(shù)

double time0=static_cast<double>(getTickCount());//記錄起始時(shí)間 //進(jìn)行圖像處理操作 time0=((double)getTickCount() - time0) / getTickFrequency(); cout<<"此方法的運(yùn)行時(shí)間為：“<<time0<<"秒”<<endl;

5.1.5 訪問(wèn)圖像中像素的三類方法

• 方法一 指針訪問(wèn)
  

• 方法二 迭代器
  

• 方法三 動(dòng)態(tài)地址計(jì)算
  

5.2 ROI區(qū)域圖像疊加&圖像混合

5.2.1 感興趣區(qū)域ROI

定義ROI有兩種方法：

• 方法一 指定矩形的左上角坐標(biāo)和矩形長(zhǎng)寬
• 方法二 指定感興趣行或列的范圍

5.2.2 線性混合操作

進(jìn)行畫面疊加理論公式：
$$g(x)=(1?\alpha )f_0(x)+\alpha f_1(x)$$

5.2.3 計(jì)算數(shù)組加權(quán)和：addWeighted()函數(shù)

5.3 分離顏色通道、多通道圖像混合

有時(shí)需要對(duì)BGR三個(gè)通道分別顯示和調(diào)整。通過(guò)OpenCV的split和merge方法可以達(dá)到目的。

5.4 圖像對(duì)比度、亮度值調(diào)整

理論依據(jù)公式：
$$g(x)=a?f(x)+b$$

• a用來(lái)控制圖像的對(duì)比度
• b用來(lái)控制圖像的亮度

5.5 離散傅里葉變換

《傅里葉分析》

對(duì)一張圖像使用傅里葉變換就是將它分解成正弦和余弦兩部分，也就是將圖像從空間域轉(zhuǎn)換到頻域。

一些關(guān)鍵函數(shù)：

函數(shù)名稱作用

dft	進(jìn)行傅里葉變換
getOptimalDFTSize	返回DFT最有尺寸
copyMakeBorder	擴(kuò)充圖像邊界
magnitude	計(jì)算二維矢量的幅值
log	計(jì)算自然對(duì)數(shù)
normalize	矩陣歸一化

此部分理解需要一些理論基礎(chǔ)，待學(xué)習(xí)《數(shù)字信號(hào)處理》中相關(guān)內(nèi)容再來(lái)細(xì)致學(xué)習(xí)吧~

5.6 XML文件YAML文件的操作

使用FileStorage類進(jìn)行文件xml和yaml文件操作

第6章 圖像處理

6.1 線性濾波：方框?yàn)V波、均值濾波、高斯濾波

6.1.2 圖像濾波與濾波器

• 圖像濾波的目的： 抽出圖像的特征作為圖像識(shí)別的特征模式；適應(yīng)圖像處理要求，消除圖像數(shù)字化時(shí)所混入的噪聲
• 平滑濾波的目的： 模糊；消除噪音
• 濾波器，可以想象為一個(gè)包含加權(quán)系數(shù)的窗口，透過(guò)這個(gè)窗口去看圖像
  五種常用的圖像平滑處理操作：

濾波方式函數(shù)

方框?yàn)V波	BoxBlur函數(shù)
均值濾波	Blur函數(shù)
高斯濾波	GaussianBlur函數(shù)
中值濾波	medisnBlur函數(shù)
雙邊濾波	bilateralFilter函數(shù)

6.1.3 線性濾波器

名稱作用

低通濾波器	允許低頻率通過(guò)
高通濾波器	允許高頻率通過(guò)
帶通濾波器	允許一定范圍頻率通過(guò)
帶阻濾波器	允許一定范圍頻率通過(guò)并且允許其他頻率通過(guò)
全通濾波器	允許所有頻率通過(guò)，僅僅改變相位關(guān)系
陷波濾波器	阻止一個(gè)狹窄頻率范圍通過(guò)

6.1.4 濾波和模糊

兩者的區(qū)別： 濾波可以分為低通濾波和高通濾波，低通就是模糊，高通就是銳化。

6.1.5 鄰域算子和線性鄰域?yàn)V波

6.2 非線性濾波： 中值濾波、雙邊濾波

濾波方式函數(shù)

中值濾波	medianBlur
雙邊濾波	bilateralFilter

6.3 形態(tài)學(xué)濾波（1）：腐蝕與膨脹

主要功能：

• 消除噪聲
• 分割出獨(dú)立的圖像元素，在圖像中連接相鄰的元素
• 尋找圖像中的明顯的極大值區(qū)域或極小值區(qū)域
• 求出圖像的梯度

膨脹（dilate) 就是求局部最大值的操作。
腐蝕（erode) 就是求局部最小值的操作。
API函數(shù)：

操作類型函數(shù)

膨脹	dilate
腐蝕	erade

6.4 形態(tài)學(xué)濾波（2）：開(kāi)運(yùn)算、閉運(yùn)算、形態(tài)學(xué)梯度、頂帽、黑帽

• 開(kāi)運(yùn)算： 先腐蝕后膨脹
• 閉運(yùn)算： 先膨脹后腐蝕
• 形態(tài)學(xué)梯度： 膨脹圖與腐蝕圖之差（可以保留物體的邊緣輪廓）
• 頂帽：原圖像與開(kāi)運(yùn)算只差
• 黑帽：閉運(yùn)算與原圖像之差

第7章 圖像變換

變換常見(jiàn)的例子就是傅里葉變換。這類操作的結(jié)果仍然保存為OpenCV圖像結(jié)構(gòu)的形式，但是新圖像的每個(gè)單獨(dú)像素表示原始圖像的頻譜分量，而不是通常考慮的空間分量。

7.1 基于OpenCV的邊緣檢測(cè)

7.1.1 邊緣檢測(cè)的一般步驟

濾波: 邊緣檢測(cè)主要基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但是導(dǎo)數(shù)通常對(duì)噪聲敏感，因此必須采用濾波器來(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。

增強(qiáng): 增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。

檢測(cè): 閾值化方法

7.1.2 canny算子

• Canny 邊緣檢測(cè)的步驟

消除噪聲

計(jì)算梯度幅值和方向

非極大值抑制

滯后閾值

邊緣檢測(cè)對(duì)應(yīng)API

檢測(cè)方法API

Canny邊緣檢測(cè)	Canny
Soble算子	Sobel
scharr濾波器	Scharr

7.2 霍夫變換

OpenCV中的霍夫線變換有如下三種：

標(biāo)準(zhǔn)霍夫變換，由HoughLines函數(shù)調(diào)用

多尺度霍夫變換，由HoughLines函數(shù)調(diào)用

累計(jì)概率霍夫變換，有HoughLinesP函數(shù)調(diào)用

總結(jié)

以上是生活随笔為你收集整理的opencv3编程入门-毛星云的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。