opencv中文手册

1、目录?1梯度、边缘和角点01.1Sobelo1.2Laplaceo1.3Cannyo1.4PreCornerDetecto1.5CornerEigenValsAndVecso1.6CornerMinEigenValo1.7CornerHarriso1.8FindCornerSubPixo1.9GoodFeaturesToTrack?2采样、插值和几何变换o2.1InitLineIteratoro2.2SampleLineo2.3GetRectSubPixo2.4GetQuadrangleSubPixo2.5Resizeo2.6WarpAffineo2.7GetAffineTransformo2

2、.82DRotationMatrixo2.9WarpPerspectiveo2.10WarpPerspectiveQMatrixo2.11GetPerspectiveTransformo2.12Remapo2.13LogPolar?3形态学操作o3.1CreateStructuringElementExo3.2ReleaseStructuringElemento3.3Erodeo3.4Dilateo3.5MorphologyEx?4滤波器与色彩空间变换o4.1Smootho4.2Filter2Do4.3CopyMakeBordero4.4Integralo4.5CvtColoro4.6Thre

3、sholdo4.7AdaptiveThreshold?5金字塔及其应用o5.1PyrDowno5.2PyrUp?6连接部件o6.1CvConnectedCompo6.2FloodFillo6.3FindContourso6.4StartFindContourso6.5FindNextContouro6.6SubstituteContouro6.7EndFindContourso6.8PyrSegmentationo6.9PyrMeanShiftFilteringo6.10Watershed?7图像与轮廓矩o7.1Momentso7.2GetSpatialMomento7.3GetCentral

4、Momento7.4GetNormalizedCentralMomento7.5GetHuMoments?8特殊图像变换o8.1HoughLineso8.2HoughCircleso8.3DistTransformo8.4Inpaint?9直方图o9.1CvHistogramo9.2CreateHisto9.3SetHistBinRangeso9.4ReleaseHisto9.5ClearHisto9.6MakeHistHeaderForArrayo9.7QueryHistValue1Do9.8GetHistValue1Do9.9GetMinMaxHistValueo9.10Normalize

5、Histo9.11ThreshHisto9.12CompareHisto9.13CopyHisto9.14CalcHisto9.15CalcBackProjecto9.16CalcBackProjectPatcho9.17CalcProbDensityo9.18EqualizeHist?10匹配o10.1MatchTemplateo10.2MatchShapeso10.3CalcEMD2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,intaper

6、ture_size=3);src输入图像.dst输出图像.xorderx方向上的差分阶数yordery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_sizexaperture_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_SCHAR传-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：-303-10010-303对x-方向或矩阵转置后对y-方向。函数cvSo

7、bel通过对图像用相应的内核进行卷积操作来计算图像差分:产世典丁土炉荷的品而s£的即力住士由于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：-1011-202-1。U核第二种对应：-1-2-T000121一或者-121-000-1-2-1V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

8、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.apertur

9、e_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：drffrcd?src心而1而对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:10101-41010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,doublethresholdl,doublethreshold2,i

10、ntaperture_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_sizeSobel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的实现见狂OpenCW自适应确定canny算法的分割门限PreCorn

11、erDetect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_sizeSobel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

12、(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);CornerEigenValsA

13、ndVecs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一邻域大小(见讨论).aperture_sizeSobel算子的核尺寸(见cvSobel).对每个象素，函数cvCornerEigenValsAndVecs考虑block_sizexblock_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：一一rv

14、,V阳.更p乙/S乙也r（/，V。好.红、2vf好F.乙员p）di碗r，乙*5p）l（fgJ.然后它计算矩阵的特征值和特征向量，并且按如下方式（入1,入2,x1,y1,x2,y2）存储这些值到输出图像中，其中入1,入2-M的特征值，没有排序（x1,y1）-特征向量，对入1（x2,y2）-特征向量，对入2CornerMinEigenVal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

15、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_sizeSobel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（入1,入2）CornerHarris哈里斯（Harris）角点检测voidcvCornerHarris（constCvArr*image,CvArr*harris

16、_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。kharris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

17、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)Ml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,CvTermCriteriacri

18、teria);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乂5*2+1=11乂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。或如图函数cvFindCornerSub

19、Pix通过迭代来发现具有子象素精度的角点位置,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：£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ei得到。通过将ei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

20、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一临时浮点32-位图像，尺寸与输入图像一致temp_imag

21、e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一输出参数，检测到的角点数目quality_level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maskROI: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cvCornerMinEi

22、genVal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

23、*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一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cvInitLinelterator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_POIN来得至IJ。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_p

24、ixels(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<count;i+)blue_sum+=iterator.ptr0;green_sum+=iterator.ptr1;red_sum+=iterator.ptr2;CV_NEXT_LINE_POINT(iterator);/*printthepix

25、elcoordinates: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"

26、;,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):8一连通情况下，或者|pt2.x-pt1.x|+|pt2.y-pt1.y|+1

27、: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.

28、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);sr

29、c输入图像.dst提取的四边形.map_matrix3x2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(AiX+Ai2y+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：map-matrix=!*-其中在非整数坐标.(4岁)十$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(replicationbordermode

30、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"intmain(intargc,char*argv)IplImage*src;/*thefirstcommandlineparametermustbeimagefilename*/if(argc=2&&(src=cvLoadImage(argv1,-1)!=0)IplImage*dst=cvCloneImage

31、(src);intdelta=1;intangle=0;cvNamedWindow("src",1);cvShowImage("src",src);for(；)floatm6;doublefactor=(cos(angle*CV_PI/180.)+1.1)*3;CvMatM=cvMat(2,3,CV_32F,m);intw=src->width;inth=src->height;m0=(float)(factor*cos(-angle*2*CV_PI/180.);m1=(float)(factor*sin(-angle*2*CV_PI/180

32、.);m2=w*0.5f;m3=-m1;m4=m0;m5=h*0.5f;cvGetQuadrangleSubPix(src,dst,&M,1,cvScalarAll(0);cvNamedWindow("dst",1);cvShowImage("dst",dst);if(cvWaitKey(5)=27)break;angle=(angle+delta)%360;)return0;)Resize图像大小变换voidcvResize(constCvArr*src,CvArr*dst,intinterpolation=CV_INTER_LINEAR);s

33、rc输入图像.dst输出图像.interpolation插值方法：?CV_INTER_NN-最近令口插值,?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，该方法而以避免双纹出现。当图像放大时，类似于CV_INTER_NNJ法.?CV_INTER_CUBIC-立方寸S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.WarpAffine对图像做仿射变换voidcvWarpAffine(constCvArr*src,CvArr*dst,constCvMat*map_matr

34、ix,intflags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS,CvScalarfillval=cvScalarAll(0);src输入图像.dst输出图像.map_matrix2X3变换矩阵flags插值方法和以下开关选项的组合：?cv_warp_fill_outliersM充所有输出图像的象素。如果部分象点落在输入图丽勺边界外，那么它们的值设定为fillval.?CV_WARP_INVERSE_MAP定map_matrix是输出图像到输入图像白歹反变换，因此可以百接用来做象素插值。否则，函数从map_matrix得到反变换。fillval用来填充边界外面

35、的值函数cvWarpAffine利用下面指定的矩阵变换输入图像:鼐£任二矿)jsrc(电力?如果没有指定CV_WARP_INVERSE_MAP(xy)!=mapjmatrix-(骂m1)T?否则，(y)f=mapmatrixI)1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

36、疏矩阵，使用cxcore中的函数cvTransform。GetAffineTransform由三对点计算仿射变换CvMat*cvGetAffineTransform(constCvPoint2D32f*src,constCvPoint2D32f*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2X3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:（以或，1）'=mapjnatrix（书如这里,dst(i)=(x'i,y'i),src(i)

37、=(xi,y)i=0.2.2DRotationMatrix计算二维旋转的仿射变换矩阵CvMat*cv2DRotationMatrix（CvPoint2D32fcenter,doubleangle,doublescale,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2X3矩阵的指针函数cv2DRotationMatrix计算矩阵:aB|(1-a)*center.x-0*center.y-Ba|B*center.x+(1-a)*center.ywher

38、ea=scale*cos(angle),B=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).WarpPerspective对图像进行透视变换voidcvWarpPerspective(constCvArr*src,CvArr*dst,constCvMat*map_matrix,intflags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS,CvScalarfillval=cvScalarAll(0);src输入图像.dst输出图像.map_matrix3X3变换矩阵flags插值方法和以下开关选项的组合：?cv_warp_fill_outliersM充所有缩小图像的象素。如果部分象点落在输入图丽勺边界外，那么它们的值设定为fillval.?CV_WARP_INVERSE_MAP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