viewcode的专栏

opencv的图像及子图像复制1.x版本与2.x版本的使用方式有很大不同。1.x版本采用cvCopy或cvSetImageROI, cvCopy, cvResetImageROI的方式实现。而2.x版本以后，图像用Mat来表示。图像的复制方法比较多，例如src.clone()src.copyTo(dst)src.copyTo(dst, mask)dst与src类

分割、识别、跟踪是图像处理中的重要应用。 一般算法步骤是检测点、线、面（区域），分割，然后根据人的先验知识进行识别。而meanshift算法是利用颜色直方图（颜色空间），形成的目标特征，去搜索和跟踪。backproject和meanshift算法在opencv中都有实现，而且网上的论述一抓一大把，这里就不在赘述。在理解其理论意义后，重点关注一下其作用和应用场景。1. backproje

1. 什么是backproject？2. backproject 有什么用？3. 例证1. 什么是backproject？反向投影：opencv docs给出的概念是“一种记录给定图像中的像素点如何适应直方图模型像素分布的方式。简单的讲， 所谓反向投影就是首先计算某一特征的直方图模型，然后使用模型去寻找图像中存在的该特征。”第一句讲的是backproject

技术方案有哪些？全景可视系统，也又称全景泊车等等，市面已经有产品出现，各家的方案看起来又不一样。对全景，飞思卡尔freescale、富士通fujitsu拥有比较完整的解决方案，但也有其他公司推出自己的产品，但芯片都基本选用飞思卡尔或富士通的。从用户角度来说，全景有以下几个分类：图像是否有拼接？ 支持哪些视角功能（广角或俯视）？是否有3D模型？0. 几个摄像头？目

常见问题：1. 选取那种分辨率来计算？2. 如何选取特征点？3. 如何跟踪？4. 如何计算距离？5. 如何计算前车速度？6. 如何区分多个车辆？

介绍SIFT算法的文章David G. Lowe, "Distinctive image features from scale-invariant keypoints,"International Journal of Computer Vision, 60, 2 (2004), pp. 91-110文章一开始就给出了sift特征的关键步骤：1. 利用尺度空间，检

一般的针孔相机模型如下：三维坐标点经过透视投影变换，转换到一个图像平面坐标点。而相机透镜还存在一定的畸变，包括横向畸变和切向畸变。 因此，针孔相机模型又被扩展为以下模型：首先，世界坐标被转换为相机坐标，由X,Y,Z到x，y，z；然后，归一化，z=1处，x，y的投影坐标x`,y`；接下来，对投影坐标，进行畸变处理；最后，由相机坐标转换到图像坐标。

导读：1. houghlines的算法思想2. houghlines实现需要考虑的要素3. houghlines的opencv实现，代码分析4. houghlines的效率分析，改进1. houghlines的算法思想检测直线，houghlines标准算法，不考虑线段，不检测线段端点。在直角坐标系和极坐标系的对应关系，点、直线在两个坐标系中是对偶关系。即直角

1. RGB模型2. HSV模型3. 如何理解RGB与HSV的联系4. HSV在图像处理中的应用5. opencv中RGB-->HSV实现在图像处理中，最常用的颜色空间是RGB模型，常用于颜色显示和图像处理，三维坐标的模型形式，非常容易被理解。而HSV模型，是针对用户观感的一种颜色模型，侧重于色彩表示，什么颜色、深浅如何、明暗如何。第一次接触HSV，书本里首先抛出的

车道检测的目标：1. 车道形状，包括宽度、曲率等几何参数2. 车辆在车道中的位置，包括横向偏移量，车辆与道路的夹角（偏航角）车道检测与跟踪一般分为以下几个部分：1. 车辆、道路、相机模型2. 道路特征提取3. 道路参数计算，如曲率，4. 车道跟踪车辆、道路、相机模型在现代道路设计中，道路有比较固定的设计模型，因此，对于高速公路等道路类型，车道的几

运动目标跟踪的目的是确定各运动目标的运动轨迹。所以，要确定当前检测的目标与以往检测到的目标（受跟踪的动态目标）的关系。1. 目标检测、分割2. 目标特征匹配3. 目标的特征估计与校正运动目标的匹配特征信息一般包括：1. 位置2. 大小，size3. 形状，如高宽比4. 颜色，（已知的试验中，不太可靠）5. 边缘特征目标是动态的，所以，以上

最近接触OCR，先收集一些资料，包括成熟软件、SDK、流行算法。1. 一个对现有OCR软件及SDK的总结，比较全面，包括支持平台、编程语言、支持字体语言、输出格式、相关链接等http://en.wikipedia.org/wiki/List_of_optical_character_recognition_software以此为索引，比较、选择你想要的OCR SDK。

tophat在图像分割中对检测暗处明亮的细节是效果比较好的，特别是有均匀宽度或大小的目标，反过来，对于明亮处的暗细节应用black_hat就可以了。tophat结构元素的大小及形态是检测的关键，太大一般会引入干扰或噪声，太小无法全部突出细节。对于更细小的背景干扰（小于目标），可采用灰度形态open或close消除，使背景更均匀，利用tophat的运用。我平时喜欢采用的二值化

图像处理经常要用到形态学操作，其中首先要获取 结构元素。包括结构元素的大小及形状。自定义一个结构元素kernel，要声明一个Mat，然后对Mat的元素赋值；这种方法灵活但略显复杂。OpenCV提供了一个函数getStructuringElement，可以获取常用的结构元素的形状：矩形（包括线形）、椭圆（包括圆形）及十字形。MORPH_RECT， MORPH_ELLIPS

为什么要卡曼滤波？简单来说，因为噪声影响，测量不准确，应用卡曼滤波来尽量去除噪声影响。应用场景：当预估的模型可知，如恒定、线性或多项式等。       有固定的模型后，才会有状态转移方程，kalmanfilter应用才方便。opencv中kalmanfilter保留的接口很简单，只有三个：init， predict及correct。init仅仅是初始化卡

opencv canny的应用详解参见：http://docs.opencv.org/doc/tutorials/imgproc/imgtrans/canny_detector/canny_detector.htmlcanny算法的基本步骤：1. 获取x，y的梯度2. 非最大值抑制3. 边缘跟踪第一个步骤很好理解，获取x方向、y方向的梯度。ope