OPENCV图像处理的函数说明

\o"关于本站"\o"编辑帮助"\o"Download"OpenSourceComputerVisionLibrary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1.1Sobel1.2Laplace1.3Canny1.4PreCornerDetect1.5CornerEigenValsAndVecs1.6CornerMinEigenVal1.7CornerHarris1.8FindCornerSubPix1.9GoodFeaturesToTrack2采样、插值和几何变换2.1InitLineIterator2.2SampleLine2.3GetRectSubPix2.4GetQuadrangleSubPix2.5Resize2.6WarpAffine2.7GetAffineTransform2.82DRotationMatrix2.9WarpPerspective2.10WarpPerspectiveQMatrix2.11GetPerspectiveTransform2.12Remap2.13LogPolar3形态学操作3.1CreateStructuringElementEx3.2ReleaseStructuringElement3.3Erode3.4Dilate3.5MorphologyEx4滤波器与色彩空间变换4.1Smooth4.2Filter2D4.3CopyMakeBorder4.4Integral4.5CvtColor4.6Threshold4.7AdaptiveThreshold5金字塔及其应用5.1PyrDown5.2PyrUp6连接部件6.1CvConnectedComp6.2FloodFill6.3FindContours6.4StartFindContours6.5FindNextContour6.6SubstituteContour6.7EndFindContours6.8PyrSegmentation6.9PyrMeanShiftFiltering6.10Watershed7图像与轮廓矩7.1Moments7.2GetSpatialMoment7.3GetCentralMoment7.4GetNormalizedCentralMoment7.5GetHuMoments8特殊图像变换8.1HoughLines8.2HoughCircles8.3DistTransform8.4Inpaint9直方图9.1CvHistogram9.2CreateHist9.3SetHistBinRanges9.4ReleaseHist9.5ClearHist9.6MakeHistHeaderForArray9.7QueryHistValue_1D9.8GetHistValue_1D9.9GetMinMaxHistValue9.10NormalizeHist9.11ThreshHist9.12CompareHist9.13CopyHist9.14CalcHist9.15CalcBackProject9.16CalcBackProjectPatch9.17CalcProbDensity9.18EqualizeHist10匹配10.1MatchTemplate10.2MatchShapes10.3CalcEMD2[\o"Cv图像处理"编辑]梯度、边缘和角点[\o"Cv图像处理"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voidcvSobel(constCvArr*src,CvArr*dst,intxorder,intyorder,intaperture_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_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。[\o"Cv图像处理"编辑]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。[\o"Cv图像处理"编辑]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_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\o"/u/30231/showart233944.html"在OpenCV中自适应确定canny算法的分割门限[\o"Cv图像处理"编辑]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_sizeSobel算子的核大小(见cvSobel).函数cvPreCornerDetect计算函数其中表示一阶图像差分，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);cvSub(corners,dilated_corners,corners);cvCmpS(corners,0,corner_mask,CV_CMP_GE);cvReleaseImage(&corners);cvReleaseImage(&dilated_corners);[\o"Cv图像处理"编辑]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_sizeSobel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[\o"Cv图像处理"编辑]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_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(λ1,λ2)[\o"Cv图像处理"编辑]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。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。[\o"Cv图像处理"编辑]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。[\o"Cv图像处理"编辑]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）。[\o"Cv图像处理"编辑]采样、插值和几何变换[\o"Cv图像处理"编辑]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<count;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);}[\o"Cv图像处理"编辑]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。[\o"Cv图像处理"编辑]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）。[\o"Cv图像处理"编辑]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_matrix3×2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（replicationbordermode）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(argv[1],-1))!=0){IplImage*dst=cvCloneImage(src);intdelta=1;intangle=0;cvNamedWindow("src",1);cvShowImage("src",src);for(;;){floatm[6];doublefactor=(cos(angle*CV_PI/180.)+1.1)*3;CvMatM=cvMat(2,3,CV_32F,m);intw=src->width;inth=src->height;m[0]=(float)(factor*cos(-angle*2*CV_PI/180.));m[1]=(float)(factor*sin(-angle*2*CV_PI/180.));m[2]=w*0.5f;m[3]=-m[1];m[4]=m[0];m[5]=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;}[\o"Cv图像处理"编辑]Resize图像大小变换voidcvResize(constCvArr*src,CvArr*dst,intinterpolation=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.[\o"Cv图像处理"编辑]WarpAffine对图像做仿射变换voidcvWarpAffine(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_matrix2×3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。[\o"Cv图像处理"编辑]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.[\o"Cv图像处理"编辑]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2×3矩阵的指针函数cv2DRotationMatrix计算矩阵:[αβ|(1-α)*center.x-β*center.y][-βα|β*center.x+(1-α)*center.y]whereα=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).[\o"Cv图像处理"编辑]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_matrix3×3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。[\o"Cv图像处理"编辑]WarpPerspectiveQMatrix用4个对应点计算透视变换矩阵CvMat*cvWarpPerspectiveQMatrix(constCvPoint2D32f*src,constCvPoint2D32f*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.[\o"Cv图像处理"编辑]GetPerspectiveTransform由四对点计算透射变换CvMat*cvGetPerspectiveTransform(constCvPoint2D32f*src,constCvPoint2D32f*dst,CvMat*map_matrix);#definecvWarpPerspectiveQMatrixcvGetPerspectiveTransformsrc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.[\o"Cv图像处理"编辑]Remap对图像进行普通几何变换voidcvRemap(constCvArr*src,CvArr*dst,constCvArr*mapx,constCvArr*mapy,intflags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS,CvScalarfillval=cvScalarAll(0));src输入图像.dst输出图像.mapxx坐标的映射(32fC1image).mapyy坐标的映射(32fC1image).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。[\o"Cv图像处理"编辑]LogPol