表3-3列出了一些操作矩阵图像的函数，其中的大部分对于图像处理非常有效。它们实现了图像处理中的基本操作，例如对角化、矩阵变换以及一些更复杂的诸如计算图像的统计操作。 【47】
表3-3：矩阵和图像基本操作
| 函数名称 | 描述 |
| cvAbs | 计算数组中所有元素的绝对值 |
| cvAbsDiff | 计算两个数组差值的绝对值 |
续表
| 函数名称 | 描述 |
| cvAbsDiffS | 计算数组和标量差值的绝对值 |
| cvAdd | 两个数组的元素级的加运算 |
| cvAddS | 一个数组和一个标量的元素级的相加运算 |
| cvAddWeighted | 两个数组的元素级的加权相加运算(alpha融合) |
| cvAvg | 计算数组中所有元素的平均值 |
| cvAvgSdv | 计算数组中所有元素的绝对值和标准差 |
| cvCalcCovarMatrix | 计算一组n维空间向量的协方差 |
| cvCmp | 对两个数组中的所有元素运用设置的比较操作 |
| cvCmpS | 对数组和标量运用设置的比较操作 |
| cvConvertScale | 用可选的缩放值转换数组元素类型 |
| cvConvertScaleAbs | 计算可选的缩放值的绝对值之后再转换数组元素的类型 |
| cvCopy | 把数组中的值复制到另一个数组中 |
| cvCountNonZero | 计算数组中非0值的个数 |
| cvCrossProduct | 计算两个三维向量的向量积(叉积) |
| cvCvtColor | 将数组的通道从一个颜色空间转换另外一个颜色空间 |
| cvDet | 计算方阵的行列式 |
| cvDiv | 用另外一个数组对一个数组进行元素级的除法运算 |
| cvDotProduct | 计算两个向量的点积 |
| cvEigenVV | 计算方阵的特征值和特征向量 |
| cvFlip | 围绕选定轴翻转 |
| cvGEMM | 矩阵乘法 |
| cvGetCol | 从一个数组的列中复制元素 |
| cvGetCols | 从数据的相邻的多列中复制元素值 |
| cvGetDiag | 复制数组中对角线上的所有元素 |
| cvGetDims | 返回数组的维数 |
| cvGetDimSize | 返回一个数组的所有维的大小 |
| cvGetRow | 从一个数组的行中复制元素值 |
| cvGetRows | 从一个数组的多个相邻的行中复制元素值 |
| cvGetSize | 得到二维的数组的尺寸，以CvSize返回 |
| cvGetSubRect | 从一个数组的子区域复制元素值 |
| cvInRange | 检查一个数组的元素是否在另外两个数组中的值的范围内 |
| cvInRangeS | 检查一个数组的元素的值是否在另外两个标量的范围内 |
续表
| 函数 名称 | 描述 |
| cvInvert | 求矩阵的转置 |
| cvMahalonobis | 计算两个向量间的马氏距离 |
| cvMax | 在两个数组中进行元素级的取最大值操作 |
| cvMaxS | 在一个数组和一个标量中进行元素级的取最大值操作 |
| cvMerge | 把几个单通道图像合并为一个多通道图像 |
| cvMin | 在两个数组中进行元素级的取最小值操作 |
| cvMinS | 在一个数组和一个标量中进行元素级的取最小值操作 |
| cvMinMaxLoc | 寻找数组中的最大最小值 |
| cvMul | 计算两个数组的元素级的乘积 |
| cvNot | 按位对数组中的每一个元素求反 |
| cvNorm | 计算两个数组的正态相关性 |
| cvNormalize | 将数组中元素进行规一化 |
| cvOr | 对两个数组进行按位或操作 |
| cvOrS | 在数组与标量之间进行按位或操作 |
| cvReduce | 通过给定的操作符将二维数组约简为向量 |
| cvRepeat | 以平铺的方式进行数组复制 |
| cvSet | 用给定值初始化数组 |
| cvSetZero | 将数组中所有元素初始化为0 |
| cvSetIdentity | 将数组中对角线上的元素设为1，其他置0 |
| cvSolve | 求出线性方程组的解 |
| cvSplit | 将多通道所组分割成多个单通道数组 |
| cvSub | 两个数组元素级的相减 |
| cvSubS | 元素级的从数组中减去标量 |
| cvSubRS | 元素级的从标量中减去数组 |
| cvSum | 对数组中的所有元素求和 |
| cvSVD | 二维矩阵的奇异值分解 |
| cvSVBkSb | 奇异值回代计算 |
| cvTrace | 计算矩阵迹 |
| cvTranspose | 矩阵的转置运算 |
| cvXor | 对两个数组进行按位异或操作 |
| cvXorS | 在数组和标量之间进行按位异或操作 |
| cvZero | 将所有数组中的元素置为0 |
cvAbs，cvAbsDiff和cvAbsDiffS
void cvAbs(
const CvArr* src,
const dst
);
void cvAbsDiff(
const CvArr* src1,
const CvArr* src2,
const dst
);
void cvAbsDiffS(
const CvArr* src,
CvScalar value,
const dst
);
【50】
这些函数计算一个数组的绝对值或数组和其他对象的差值的绝对值，cvAbs()函数计算src里的值的绝对值，然后把结果写到dst；cvAbsDiff()函数会先从src1减去src2，然后将所得差的绝对值写到dst；除了从所有src元素减掉的数是常标量值外，可以看到cvAbsDiffS()函数同cvAbsDiff()函数基本相同。
cvAdd,cvAddS, cvAddWeighted和alpha融合
void cvAdd(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
const CvArr* mask = NULL
);
void cvAddS(
const CvArr* src,
CvScalar value,
CvArr* dst,
const CvArr* mask = NULL
);
void cvAddWeighted(
const CvArr* src1,
double alpha,
const CvArr* src2,
double beta,
double gamma,
CvArr* dst
);
cvAdd()是一个简单的加法函数，它把src1里的所有元素同src2里的元素对应进行相加，然后把结果放到dst，如果mask没有被设为NULL，那么由mask中非零元素指定的dst元素值在函数执行后不变。cvAddS()与cvAdd()非常相似，惟一不同的是被加的数量标量value。
cvAddWeighted()函数同cvAdd()类似，但是被写入dst的结果是经过下面的公式得出的：
【50】
这个函数可用来实现alpha 融合 [Smith79; Porter84];也就是说，它可以用于一个图像同另一个图像的融合，函数的形式如下：
void cvAddWeighted(
const CvArr* src1,
double alpha,
const CvArr* src2,
double beta,
double gamma,
CvArr* dst
);
在函数cvAddWeighted()中我们有两个源图像，分别是src1和src2。这些图像可以是任何类型的像素，只要它们属于同一类型即可。它们还可以有一个或三个通道(灰度或彩色)，同样也要保持类型一致。结果图像dst，也必须同src1和src2是相同的像素类型。这些图像可能是不同尺寸，但是它们的ROI必须统一尺寸，否则OpenCV就会产生错误，参数alpha是src1的融合强度，beta是src2的融合强度，alpha融合公式如下：
可以通过设置α从0到1区间取值，β = 1 – α，γ为0，将前面公式转换为标准alpha融合方程。这就得出下式：
但是，在加权融合图像，以及目标图像的附加偏移参数γ方面, cvAddWeighted()提供了更大的灵活性。一般而言，你或许想让alpha和beta不小于0，并且两者之和不大于1，gamma的设置取决于像素所要调整到的平均或最大值。例3-14展示了alpha融合的用法。
例3-14：src2中alpha融合ROI以(0,0)开始，src1中ROI以(x,y)开始
//alphablend <imageA> <image B> <x> <y> <width><height>
// <alpha><beta>
#include<cv.h>
#include<highgui.h>
intmain(int argc, char** argv)
{
IplImage *src1, *src2;
if( argc == 9 && ((src1=cvLoadImage(argv[1],1)) != 0
)&&((src2=cvLoadImage(argv[2],1)) != 0 ))
{
int x = atoi(argv[3]);
int y = atoi(argv[4]);
int width = atoi(argv[5]);
int height = atoi(argv[6]);
double alpha = (double)atof(argv[7]);
double beta = (double)atof(argv[8]);
cvSetImage ROI(src1, cvRect(x,y,width,height));
cvSetImageROI(src2, cvRect(0,0,width,height));
cvAddWeighted(src1, alpha, src2, beta,0.0,src1);
cvResetImageROI(src1);
cvNamedWindow( "Alpha_blend", 1 );
cvShowImage( "Alpha_blend", src1 );
cvWaitKey();
}
return 0;
} 【51～52】
例3-14中的代码用两个源图像：初始的(src1)和待融合的(src2)。它从矩形的ROI中读取src1，然后将同样大小的ROI应用到src2中，这一次设在原始位置，它从命令行读入alpha和beta的级别但是把gamma设为0。Alpha融合使用函数cvAddWeighted()，结果被放到src1并显示，例子输出如图3-4所示，一个小孩的脸同一个猫的脸和身体被融合到了一起，值得注意的是，代码采用相同的ROI，像图3-3的例子一样。这次我们使用了ROI作为目标融合区域。
图3-4：一个小孩的脸被alpha融合到一只猫的脸上
cvAnd和cvAndS
void cvAnd(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
const CvArr* mask = NULL
);
void cvAndS(
const CvArr* src1,
CvScalar value,
CvArr* dst,
const CvArr* mask = NULL
);
这两个函数在src1数组上做按位与运算，在cvAnd()中每个dst元素都是由相应的src1和src2两个元素进行位与运算得出的。在cvAndS()中，位与运算由常标量value得出。同一般函数一样，如果mask是非空，就只计算非0 mask元素所对应的dst元素。
尽管支持所有的数据类型，但是对于cvAnd()来说，src1和src2要保持相同的数据类型。如果元素都是浮点型的，则使用该浮点数的按位表示。 【52】
cvAvg
CvScalar cvAvg(
const CvArr* arr,
const CvArr* mask = NULL
);
cvAvg()计算数组arr的平均像素值，如果mask为非空，那么平均值仅由那些mask值为非0的元素相对应的像素算出。
此函数还有别名cvMean()，但不推荐使用。
cvAvgSdv
cvAvgSdv(
const CvArr* arr,
CvScalar* mean,
CvScalar* std_dev,
const CvArr* mask = NULL
); 【53】
此函数同cvAvg()类似，但除了求平均，还可以计算像素的标准差。
函数现在有不再使用的别名cvMean_StdDev()。
cvCalcCovarMatrix
void cvCalcCovarMatrix(
const CvArr** vects,
int count,
CvArr* cov_mat,
CvArr* avg,
int flags
);
给定一些向量，假定这些向量表示的点是高斯分布，cvCalcCovarMatrix()将计算这些点的均值和协方差矩阵。这当然可以运用到很多方面，并且OpenCV有很多附加的flags值，在特定的环境下会起作用(参见表3-4)。这些标志可以用标准的布尔或操作组合到一起。
表3-4：cvCalcCovarMatrix()可能用到的标志参数的值
| 标志参数的具体标志值 | 意义 |
| CV_COVAR_NORMAL | 计算均值和协方差 |
| CV_COVAR_SCRAMBLED | 快速PCA“Scrambled”协方差 |
| CV_COVAR_USE_AVERAGE | 输入均值而不是计算均值 |
| CV_COVAR_SCALE | 重新缩放输出的协方差矩阵 |
在所有情况下，在vects中是OpenCV指针数组(即一个指向指针数组的指针)，并有一个指示多少数组的参数count。在所有情况下，结果将被置于cov_mat，但是avg的确切含义取决于标志的值(参见表3-4)。
标识CV_COVAR_NORMAL和CV_COVAR_SCRAMBLED是相互排斥的；只能使用其中一种，不能两者同时使用。如果为CV_COVAR_NORMAL，函数便只计算该点的均值和协方差。
因此，标准的协方差由长度为n的m个向量计算，其中被定义为平均向量的第n个元素，由此产生的协方差矩阵是一个n ×n矩阵, 比例z是一个可选的缩放比例，除非使用CV_COVAR_SCALE标志，否则它将被设置为1。 【54】
如果是CV_COVAR_SCRAMBLED标志，cvCalcCovarMatrix ()将如下计算：
这种矩阵不是通常的协方差矩阵(注意转置运算符的位置)，这种矩阵的计算来自同样长度为n的m个向量，但由此而来的协方差矩阵是一个m×m矩阵。这种矩阵是用在一些特定的算法中，如针对非常大的向量的快速PCA分析法(人脸识别可能会用到此运算)。
如果已知平均向量，则使用标志CV_COVAR_USE_AVG，在这种情况下，参数avg用来作为输入而不是输出，从而减少计算时间。
最后，标志CV_COVAR_SCALE用于对计算得到的协方差矩阵进行均匀缩放。这是前述方程的比例z，同标志CV_COVAR_NORMAL一起使用时，应用的缩放比例将是1.0 /m(或等效于1.0/count)。如果不使用CV_COVAR_SCRAMBLED，那么z的值将会是1.0/n(向量长度的倒数)，cvCalcCovarMatrix()的输入输出矩阵都应该是浮点型，结果矩阵cov_mat的大小应当是n×n 或者 m×m，这取决于计算的是标准协方差还是scrambled的协方差。应当指出的是，在vects中输入的“向量”并不一定要是一维的；它们也可以是两维对象(例如图像)。
cvCmp和cvCmpS
void cvCmp(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
int cmp_op
);
void cvCmpS(
constCvArr* src,
double value,
CvArr* dst,
int cmp_op
);
这两个函数都是进行比较操作，比较两幅图像相应的像素值或将给定图像的像素值与某常标量值进行比较。cvCmp()和cvCmpS()的最后一个参数的比较操作符可以是表3-5所列出的任意一个。 【55】
表3-5：cvCmp()和cvCmpS()使用的cmp_op值以及由此产生的比较操作
| cmp_op的值 | 比较方法 |
| CV_CMP_EQ | (src1i == src2i) |
| CV_CMP_GT | (src1i > src2i) |
| CV_CMP_GE | (src1i >= src2i) |
| CV_CMP_LT | (src1i < src2i) |
| CV_CMP_LE | (src1i <= src2i) |
| CV_CMP_NE | (src1i != src2i) |
表3-5列出的比较操作都是通过相同的函数实现的，只需传递合适的参数来说明你想怎么做，这些特殊的功能操作只能应用于单通道的图像。
这些比较功能适用于这样的应用程序，当你使用某些版本的背景减法并想对结果进行掩码处理但又只从图像中提取变化区域信息时(如从安全监控摄像机看一段视 频流)。
cvConvertScale
void cvConvertScale(
const CvArr* src,
CvArr* dst,
double scale = 1.0,
double shift = 0.0
);
cvConvertScale()函数实际上融多种功能于一体，它能执行几个功能中的任意之一，如果需要，也可以一起执行多个功能。第一个功能是将源图像的数据类型转变成目标图像的数据类型。例如，如果我们有一个8位的RGB灰度图像并想把它变为16位有符号的图像，就可以调用函数cvConvertScale()来做这个工作。
cvConvertScale()的第二个功能是对图像数据执行线性变换。在转换成新的数据类型之后，每个像素值将乘以scale值，然后将shift值加到每个像素上。
至关重要的是要记住，尽管在函数名称中“Convert”在“Scale”之前，但执行这些操作的顺序实际上是相反的。具体来说，在数据类型转变之前，与scale相乘和shift的相加已经发生了。 【56】
如果只是传递默认值(scale = 1.0和shift = 0.0)，则不必担心性能; OpenCV足够聪明，能意识到这种情况而不会在无用的操作上浪费处理器的时间。澄清一下(如果你想添加一些)，OpenCV还提供了宏指令cvConvert()，该指令同cvConvertScale()一样，但是通常只适用于scale 和 shift 参数设为默认 值时。
对于所有数据类型和任何数量通道cvConvertScale ()都适用，但是源图像和目标图像的通道数量必须相同。(如果你想实现彩色图像与灰度图的相互转换，可以使用cvCvtColor()，之后我们将会提到。) 【56～57】
cvConvertScaleAbs
void cvConvertScaleAbs(
const CvArr* src,
CvArr* dst,
double scale = 1.0,
double shift = 0.0
);
cvConvertScaleAbs()与cvConvertScale()基本相同，区别是dst图像元素是结果数据的绝对值。具体说来，cvConvertScaleAbs()先缩放和平移，然后算出绝对值，最后进行数据类型的转换。
cvCopy
void cvCopy(
const CvArr* src,
CvArr* dst,
const CvArr* mask =NULL
);
用于将一个图像复制到另一个图像。cvCopy()函数要求两个数组具有相同的数据类型、相同的大小和相同的维数。可以使用它来复制稀疏矩阵，但这样做时，不支持mask。对于非稀疏矩阵和图像，mask如果为非空，则只对与mask中与非0值相对应的dst中的像素赋值。
cvCountNonZero
int cvCountNonZero( const CvArr* arr );
cvCountNonZero()返回数组arr中非0像素的个数。
cvCrossProduct
void cvCrossProduct(
const CvArr* src1,
const CvArr* src2,
CvArr* dst
);
这个函数的主要功能是计算两个三维向量的叉积[Lagrange1773]。无论向量是行或者列的形式函数都支持。(实际上对于单通道矩阵，行向量和列向量的数据在内存中的排列方式完全相同)。src1和src2都必须是单道数组，同时dst也必须是单道的，并且长度应精确为3。所有这些阵列的数据类型都要一致。 【57】
cvCvtColor
void cvCvtColor(
const CvArr* src,
CvArr* dst,
int code
);
此前介绍的几个函数用于把一个数据类型转换成另一个数据类型，原始图像和目标图像的通道数目应保持一致。另外一个函数是cvCvtColor()，当数据类型一致时，它将图像从一个颜色空间(通道的数值)转换到另一个[Wharton71]。具体转换操作由参数code来指定，表3-6列出了此参数可能的值。
表3-6：cvCvtColor()的转换
| 转换代码 解释 | |
| CV_BGR2RGB CV_RGB2BGR CV_RGBA2BGRA CV_BGRA2RGBA | 在RGB或BGR色彩空间之间转换(包括或者不包括alpha 通道) |
| CV_RGB2RGBA CV_BGR2BGRA | 在 RGB或BGR图像中加入alpha 通道 |
| CV_RGBA2RGB CV_BGRA2BGR | 从 RGB或BGR图像中删除alpha 通道 |
| CV_RGB2BGRA CV_RGBA2BGR CV_BGRA2RGB CV_BGR2RGBA | 加入或者移除alpha通道时，转换RGB到BGR 色彩空间 |
| CV_RGB2GRAY CV_BGR2GRAY | 转换RGB或者BGR色彩空间为灰度空间 |
| CV_GRAY2RGB CV_GRAY2BGR CV_RGBA2GRAY CV_BGRA2GRAY | 转换灰度为RGB或者BGR色彩空间(在进程中选择移除alpha通道) |
| CV_GRAY2RGBA CV_GRAY2BGRA | 转换灰度为RGB或者BGR色彩空间并且加入alpha通道 |
| CV_RGB2BGR565 CV_BGR2BGR565 CV_BGR5652RGB CV_BGR5652BGR CV_RGBA2BGR565 CV_BGRA2BGR565 CV_BGR5652RGBA CV_BGR5652BGRA | 在从RGB或者BGR色彩空间转换到BGR565彩色图画时，选择加入或者移除 alpha通道 (16位图) |
| CV_GRAY2BGR565 CV_BGR5652GRAY | 转换灰度为BGR565彩色图像或者反变换(16位图) |
续表
| 转换代码 解释 | |
| CV_RGB2BGR555 CV_BGR2BGR555 CV_BGR5552RGB CV_BGR5552BGR CV_RGBA2BGR555 CV_BGRA2BGR555 | 在从RGB或者BGR色彩空间转换到BGR555色彩空间时，选择加入或者移除 alpha通道(16位图) |
| CV_BGR5552RGBA CV_BGR5552BGRA |
|
| CV_GRAY2BGR555 CV_BGR5552GRAY | 转换灰度到BGR555色彩空间或者反变换(16位图) |
| CV_RGB2XYZ CV_BGR2XYZ CV_XYZ2RGB CV_XYZ2BGR | 转换RGB或者BGR色彩空间到CIE XYZ色彩空间或者反变换(Rec 709和D65 白点) |
| CV_RGB2YCrCb CV_BGR2YCrCb CV_YCrCb2RGB CV_YCrCb2BGR | 转换RGB 或者BGR色彩空间到luma-chroma (aka YCC)色彩空间 |
| CV_RGB2HSV CV_BGR2HSV CV_HSV2RGB CV_HSV2BGR | 转换RGB或者BGR色彩空间到HSV(hue，saturation，value)色彩空间或反变换 |
| CV_RGB2HLS CV_BGR2HLS CV_HLS2RGB CV_HLS2BGR | 转换RGB或者BGR色彩空间到HLS(hue，Lightness，saturation)色彩空间或反变换 |
| CV_RGB2Lab CV_BGR2Lab CV_Lab2RGB CV_Lab2BGR | 转换RGB或者BGR色彩空间到CIE LAB色彩空间或反变换 |
续表
| 转换代码 解释 | |
| CV_RGB2Luv CV_BGR2Luv CV_Luv2RGB CV_Luv2BGR | 转换RGB或者BGR色彩空间到CIE Luv色彩空间 |
| CV_BayerBG2RGB CV_BayerGB2RGB | 转换Bayer模式(单通道)到RGB或者BGR色彩空间 |
| CV_BayerRG2RGB CV_BayerGR2RGB CV_BayerBG2BGR CV_BayerGB2BGR CV_BayerRG2BGR CV_BayerGR2BGR |
|
这里不再进一步阐述CIE色彩空间中Bayer模式的细节，但许多这样的转换是很有意义的。我们的目的是，了解OpenCV能够在哪些色彩空间进行转换，这对用户来说很重要。
色彩空间转换都用到以下约定：8位图像范围是0～255，16位图像范围是0～65536，浮点数的范围是0.0～1.0。黑白图像转换为彩色图像时，最终图像的所有通道都是相同的；但是逆变换(例如RGB或BGR到灰度)，灰度值的计算使用加权公式：
Y=(0.299)R+(0.587)G+(0.114)B
就HSV色彩模式或者HLS色彩模式来说，色调通常是在0～360之间。在8位图中，这可能出现问题，因此，转换到HSV色彩模式，并以8位图的形式输出时，色调应该除以2。
cvDet
double cvDet(const CvArr* mat)；
cvDet()用于计算一个方阵的行列式。这个数组可以是任何数据类型，但它必须是单通道的，如果是小的矩阵，则直接用标准公式计算。然而对于大型矩阵，这样就不是很有效，行列式的计算使用高斯消去法。
值得指出的是，如果已知一个矩阵是对称正定的，也可以通过奇异值分解的策略来解决。欲了解更多信息，请参阅“cvSVD”一节。但这个策略是将U和V设置为NULL，然后矩阵W的乘积就是所求正定矩阵。
cvDiv
void cvDiv(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
double scale = 1
);
cvDiv是一个实现除法的简单函数；它用src2除以src1中对应元素，然后把最终的结果存到dst中。如果mask非空，那么dst中的任何与mask中0元素相对应的元素都不改变。如果对数组中所有元素求倒数，则可以设置src1为NULL，函数将假定src1是一个元素全为1的数组。
cvDotProduct
double cvDotProduct(
const CvArr* src1，
const CvArr* src2
)；
【58～60】
这个函数主要计算两个N维向量的点积[Lagrange1773]。与叉积函数相同，点积函数也不太关注向量是行或者是列的形式。src1和src2都应该是单通道的数组，并且数组的数据类型应该一致。
cvEigenVV
double cvEigenVV(
CvArr* mat,
CvArr* evects,
CvArr* evals,
double eps = 0
);
对对称矩阵mat，cvEigenVV()会计算出该矩阵的特征值和相应的特征向量。函数实现的是雅可比方法[Bronshtein97]，对于小的矩阵是非常高效的，雅可比方法需要一个停止参数，它是最终矩阵中偏离对角线元素最大尺寸。可选参数eps用于设置这个值。在计算的过程中，所提供的矩阵mat的数据空间被用于计算，所以，它的值会在调用函数后改变。函数返回时，你会在evects中找到以行顺序保存的特征向量。对应的特征值被存储到evals中。特征向量的次序以对应特征值的重要性按降序排列。该cvEigenVV()函数要求所有三个矩阵具有浮点 类型。
正如cvDet()(前述)，如果被讨论的向量是已知的对称和正定矩阵，那么最好使用SVD计算mat的特征值和特征向量。
cvFlip
void cvFlip(
const CvArr* src，
CvArr* dst = NULL，
int flip_mode = 0
)；
本函数是将图像绕着在X轴或Y轴或者绕着X轴或Y轴上同时旋转。当参数flip_mode被设置为0的时候，图像只会绕X轴旋转。 【61】
flip_mode被设置为正值时(例如，+1)，图像会围绕Y轴旋转，如果被设置成负值(例如，-1)，图像会围绕X轴和Y轴旋转。
在Win32运行视频处理系统时，你会发现自己经常使用此功能来进行图像格式变换，也就是坐标原点在左上角和左下角的变换。
cvGEMM
double cvGEMM(
const CvArr* src1，
const CvArr* src2，
double alpha，
const CvArr* src3，
double beta，
CvArr* dst，
int tABC = 0
)；
广义矩阵乘法(generalized matrixmultiplicatipm，GEMM)在OpenCV中是由cvGEMM()来实现的，可实现矩阵乘法、转置后相乘、比例缩放等。最常见的情况下，cvGEMM()计算如下：
其中A，B和C分别是矩阵src1，src2和src3，α和β是数值系数，op()是附在矩阵上的可选转置。参数src3可以设置为空。在这种情况下，不会参与计算。转置将由可选参数tABC来控制，它的值可以是0或者(通过布尔OR操作)CV_GEMM_A_T、CV_GEMM_B_T和CV_GEMM_C_T的任何组合(每一个标志都有一个矩阵转换相对应)。
过去的OpenCV包含cvMatMul()和cvMatMulAdd()方法，但是，它们很容易和cvMul()混淆，其实它们的功能是完全不一样的(即两个数组的元素与元素相乘)。这个函数以宏的形式继续存在，它们直接调用cvGEMM()。两者对应关系如表3-7所示。
表3-7：cvGEMM()一般用法的宏别名
| cvMatMul(A，B， D) | cvGEMM(A，B，1，NULL，0，D，0) |
| cvMatMulAdd(A，B，C，D) | cvGEMM(A，B，1，C，1，D，0) |
只有大小符合约束的矩阵才能进行乘法运算，并且所有的数据类型都应该是浮点型。cvGEMM()函数支持双通道矩阵，在这种情况下，它将双通道视为一个复数的两个部分。
cvGetCol和cvGetCols
CvMat*cvGetCol(
const CvArr* arr，
CvMat* submat，
int col
)；
CvMat*cvGetCols(
const CvArr* arr，
CvMat* submat，
int start_col，
int end_col
)；
cvGetCol()函数被用作提取矩阵中的某一列，并把它以向量的形式返回(即只有一列的矩阵)。在这种情况下，矩阵指针submat将被修改为指向arr中的特定列，必须指出的是，该指针在修改过程中并未涉及内存的分配或数据的复制；submat的内容仅仅是作了简单修改以使它正确地指出arr中所选择的列。它支持所有数据类型。
cvGetCols()函数的工作原理与cvGetCols完全一致，区别只在于前者将选择从start_col到end_col之间的所有列。这两个函数都返回一个与被调用的特定列或者多列(即，submat)相对应的头指针。
cvGetDiag
CvMat* cvGetDiag(
const CvArr* arr，
CvMat*submat，
int diag= 0
)；
cvGetDiag ()类似于cvGetCol()；它能从一个矩阵选择某一条对角线并将其作为向量返回。submat是一个矩阵类型的头指针。函数cvGetDiag()将填充该向量头指针中的各分量，以使用指向arr中的正确信息。注意，调用cvGetDiag()会修改输入的头指针，将数据指针指向arr对角线上的数据，实际上，并没有复制arr的数据。可选参数diag表明submat指向哪一条对角线的。如果diag被设置为默认值0，主对角线将被选中。如果diag大于0，则始于(diag，0)的对角线将被选中，如果diag小于0，则始于(0，-diag)的对角线将被选中。cvGetDiag()并不要求矩阵arr是方阵，但是数组submat长度必须与输入数组的尺寸相匹配。当该函数被调用时，最终的返回结果与输入的submat相同。
cvGetDims和cvGetDimSize
int cvGetDims(
const CvArr* arr，
int* sizes=NULL
)；
int cvGetDimSize(
const CvArr* arr，
int index
)； 【63】
您一定还记得OpenCV中的矩阵维数可以远远大于2。函数cvGetDims()返回指定数组的维数并可返回每一个维数的大小。如果数组sizes非空，那么大小将被写入sizes。如果使用了参数sizes，它应该是一个指向n个整数的指针，这里的n指维数。如果无法事先获知维数，为了安全起见，可以把sizes大小指定为CV_MAX_DIM。
函数cvGetDimSize()返回一个由index参数指定的某一维大小。如果这个数组是矩阵或者图像，那么cvGetDims()将一直返回为2。对于矩阵和图像，由cvGetDims()返回的sizes的次序将总是先是行数然后是列数。
cvGetRow和cvGetRows
CvMat* cvGetRow(
const CvArr* arr，
CvMat* submat，
int row
)；
CvMat* cvGetRows(
const CvArr* arr，
CvMat*submat，
int start_row，
int end_row
)；
cvGetRow()获取矩阵中的一行让它作为向量(仅有一行的矩阵)返回。跟cvGetCol()类似，矩阵头指针submat将被修改为指向arr中的某个特定行，并且对该头指针的修改不涉及内存的分配和数据的复制；submat的内容仅是作为适当的修改以使它正确地指向arr中所选择的行。该指针所有数据类型。
cvGetRows()函数的工作原理与cvGetRow()完全一致，区别只在于前者将选择从start_row到end_row之间的所有行。这两个函数都返回一个的头指针，指向特定行或者多个行。
cvGetSize
CvSize cvGetSize( const CvArr* arr )；
它与cvGetDims()密切相关，cvGetDims()返回一个数组的大小。主要的不同是cvGetSize()是专为矩阵和图像设计的，这两种对象的维数总是2。其尺寸可以以CvSize结构的形式返回，例如当创建一个新的大小相同的矩阵或图像时，使用此函数就很方便。 【64】
cvGetSubRect
cvGetSubRect
CvSize cvGetSubRect(
const CvArr* arr，
CvArr* submat，
CvRect rect
)；
cvGetSubRect()与cvGetColumns()或cvGetRows()非常类似，区别在于cvGetSubRect()通过参数rect在数组中选择一个任意的子矩阵。与其他选择数组子区域的函数的函数一样，submat仅仅是一个被cvGetSubRect()函数填充的头，它将指向用户期望的子矩阵数据，这里并不涉及内存分配和数据的复制。
cvInRange和cvInRangeS
void cvInRange(const CvArr* src，
const CvArr* lower，
const CvArr* upper，
CvArr* dst
)；
void cvInRangeS(
const CvArr* src，
CvScalar lower，
CvScalar upper，
CvArr* dst
)；
这两个函数可用于检查图像中像素的灰度是否属于某一指定范围。cvInRange()检查，src的每一个像素点是否落在lower和upper范围中。如果src的值大于或者等于lower值，并且小于upper值，那么dst中对应的对应值将被设置为0xff；否则，dst的值将被设置为0。
cvInRangeS()的原理与之完全相同，但src是与lower和upper中的一组常量值(类型CvScala)进行比较。对于这两个函数，图像src可以是任意类型；如果图像有多个通道，那么每一种通道都将被分别处理。注意，dst的尺寸和通道数必须与src一致，且必须为8位的图像。
cvInvert
double cvInvert(
const CvArr* src，
CvArr* dst，
Int method = CV_LU
)；
cvInvert()求取保存在src中的矩阵的逆并把结果保存在dst中。这个函数支持使用多种方法来计算矩阵的逆(见表3-8)，但默认采取的是高斯消去法。该函数的返回值与所选用的方法有关。 【65】
表3-8：cvInvert()函数中指定方法的参数值
| 方法的参数值 | 含义 |
| CV_LU | 高斯消去法 (LU 分解) |
| CV_SVD | 奇异值分解(SVD) |
| CV_SVD_SYM | 对称矩阵的SVD |
就高斯消去法(method=CV_LU)来说，当函数执行完毕，src的行列式将被返回。如果行列式是0，那么事实上不进行求逆操作，并且数组dst将被设置为全0。
就CV_SVD或者CV_SVD_SYM,来说，返回值是矩阵的逆条件数(最小特征值跟最大特征值的比例)。如果src是奇异的，那么cvInvert()在SVD模式中将进行伪逆计算。
cvMahalonobis
CvSize cvMahalonobis(
const CvArr* vec1,
const CvArr* vec2,
CvArr* mat
);
Mahalonobis距离(Mahal)被定义为一点和高斯分布中心之间的向量距离，该距离使用给定分布的协方差矩阵的逆作为归一化标准。参见图3-5。直观上，这是与基础统计学中的标准分数(Z-score)类似，某一点到分布中心的距离是以该分布的方差作为单位。马氏距离则是该思路在高维空间中的推广。
cvMahalonobis()计算的公式如下：
假设向量vec1对应x点，向量vec2是分布的均值。mat是协方差矩阵的逆。
实际上，这个协方差矩阵通常用cvCalcCovarMatrix()(前面所述)来进行计算，然后用cvInvert()来求逆。使用SV_SVD方法求逆是良好的程序设计习惯，因为其中一个特征值为0的分布这种情况在所难免！
图3-5：数据在2D空间分布，3个叠加在一起的椭圆分别对应到分布中心的马氏距离为1.0，2.0和3.0所有点
cvMax和cvMaxS
void cvMax(
const CvArr* src1,
const CvArr* src2,
CvArr* dst
);
void cvMaxS(
const CvArr* src,
double value,
CvArr* dst
); 【66】
cvMax()计算数组src1和src2中相对应的每像素一对中的最大值。而cvMaxS()，将数组src与常量参数value进行比较。通常，如果mask非空，那么只有与非0参数相对应的dst中的元素参与计算。
cvMerge
void cvMerge(
const CvArr* src0,
const CvArr* src1,
const CvArr* src2,
const CvArr* src3,
CvArr* dst
); 【67】
cvMerge()是cvSplit()的逆运算。数组src0，src1，src2，和src3将被合并到数组dst中。当然，dst应该与源数组具有相同的数据类型和尺寸，但它可以有两个，三个或四个道道。未使用的源图像参数可设置为NULL。
cvMin和cvMinS
void cvMin(
const CvArr* src1,
const CvArr* src2,
CvArr* dst
);
void cvMinS(
const CvArr* src,
double value,
CvArr* dst
);
cvMin()计算数组src1和src2中相对应的每一对像素中的最小值。而cvMaxS()，将数组src与常量标量value进行比较。同样的，如果mask非空的话，那么只有与mask的非0参数相对应的dst中的元素进行计算。
cvMinMaxLoc
void cvMinMaxLoc(
const CvArr* arr,
double* min_val,
double* max_val,
CvPoint* min_loc = NULL,
CvPoint* max_loc = NULL,
const CvArr*mask = NULL
);
该例程找出数组arr中的最大值和最小值，并且(有选择性地)返回它们的地址。计算出的最大值和最小值赋值给max_val和min_val。或者，如果极值的位置参数非空，那极值的位置便会写入min_loc和max_loc。
通常，如果参数mask非空，那么只有图像arr中与参数mask中的非零的像素相对应的部分才被考虑。cvMinMaxLoc()例程仅仅处理单通道数组，如果有一个多通道的数组，则应该使用cvSetCOI()来对某个特定通道进行设置。
cvMul
void cvMul(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
double scale=1
); 【68】
cvMul()是一个简单的乘法函数。它将src1中的元素与src2中相对应的元素相乘，然后把结果赋给dst。如果mask是空，那么与其中0元素相对应的dst元素都不会因此操作而改变。OpenCV中没有函数cvMulS()，因为该功能已经由函数cvScale()或cvCvtScale()提供。
除此之外，有一件事情要记住：cvMul()执行的是元素之间的乘法。有时候，在进行矩阵相乘时，可能会错误使用cvMul()，但这无法奏效；记住，cvGEMM()才是处理矩阵乘法的函数，而不是cvMul()。
cvNot
void cvNot(
const CvArr* src,
CvArr* dst
);
函数cvNot()会将src中的每一个元素的每一位取反，然后把结果赋给dst。因此，一个值为0x00的8位图像将被映射到0xff，而值为0x83的图像将被映射到0x7c。
cvNorm
double cvNorm(
const CvArr* arr1,
const CvArr*arr2 = NULL,
int norm_type= CV_L2,
const CvArr*mask = NULL
);
这一函数可于计算一个数组的各种范数，当为该函数提供了两个数组作为参数时，可选用各种不同的公式来计算相对的距离。在前一种情况下，计算的范数如表3-9所示。
表3-9：当arr2=NULL时，对于不同的norm_type由cvNorm()计算范数的公式
| norm_type | 结果 |
| CV_C |
|
| CV_L1 |
|
| CV_L2 |
|
如果第二个数组参数arr2非空，那么范数的计算将使用不同的公式，就像两个数组之间的距离。前三种情况的计算公式如表3-10所示，这些范数是绝对范数；在后三个情况下，将会根据第二个数组arr2的幅度进行重新调整。 【69～70】
表3-10：arr2非空，且norm_type不同值时函数cvNorm()计算范数的计算
公式
| norm_type | 结果 |
| CV_C |
|
| CV_L1 |
|
| CV_L2 |
|
| CV_RELATIVE_C |
|
| CV_ RELATIVE_L1 |
|
| CV_ RELATIVE_L2 |
|
在所有情况下，arr1和arr2必须具有相同的大小和通道数。当通道数大于1时，将会对所有通道一起计算范数(即是说，在表3-9和表3-10中，不仅是针对x和y，也针对通道数求和)。
cvNormalize
cvNormalize(
const CvArr* src,
CvArr* dst,
double a = 1.0,
double b = 0.0,
int norm_type = CV_L2,
const CvArr*mask = NULL
);
与许多OpenCV函数一样，cvNormalize()的功能比表面看更多。根据norm_type的不同值，图像src将被规范化，或者以其他方式映射到dst的一个特定的范围内。表3-11列举了norm_type可能出现的值。
表3-11：函数cvNormalize()的参数norm_type可能的值
| norm_type | 结果 |
| CV_C |
|
| CV_L1 |
|
续表
| norm_type | 结果 |
| CV_L2 |
|
| CV_MINMAX | 映射到[a, b]的范围上 |
【70】
计算C范数时，数组src将被进行比例变标，使其中绝对值最大的值等于a。当计算L1范数成L2范数时，该数组也将被缩放，如使其范数为a。如果norm_type的值设置为CV_MINMAX，那么将会对数组的所有的值进行转化，使它们线性映射到a和b之间(包括a和b)。
与以前一样，如果参数mask非空，那么只有与掩码非0值对应的像素会对范数的计算有贡献，并且只有那些像素会被cvNormalize()改变。
cvOr和cvOrS
void cvOr(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
const CvArr*mask=NULL
);
void cvOrS(
const CvArr* src,
CvScalar value,
CvArr* dst,
const CvArr*mask = NULL
);
这两个函数将对数组src1进行按位或计算。在函数cvOr()中，dst中的每一个元素都是是由src1和src2中相对应的元素按位做或运算的结果。在cvOrS()函数中，将对src和常量value进行或运算。像往常一样，如果mask非空，则只计算dst中与mask中非0元素对应的元素。
该函数支持所有的数据类型，但在cvOr()中，src1和src2必须有相同的数据类型。如果数组元素是浮点类型，则使用浮点按位表示形式。
cvReduce
CvSize cvReduce(
const CvArr* src,
CvArr* dst,
int dim,
int op = CV_REDUCE_SUM
);
约简是指使用一些op所代表的组合规则，对输入的矩阵src的每一行(或列)进行系统的转化，使之成为成向量dst，直到只剩一行(或列)为止(见表3-12)。参数op决定如何进行约简，总结如表3-13所示。 【71】
表3-12：参数op在cvReduce()中所代表的转化操作
| op的值 | 结果 |
| CV_REDUCE_SUM | 计算所有向量的总和 |
| CV_REDUCE_AVG | 计算所有向量的平均值 |
| CV_REDUCE_MAX | 计算所有向量中的最大值 |
| CV_REDUCE_MIN | 计算所有向量中的最小值 |
表3-13：参数dim在cvReduce()中控制转化的方向
| dim的值 | 结果 |
| +1 | 合并成一行 |
| 0 | 合并成一列 |
| -1 | 转化成对应的dst |
cvReduce()支持浮点型的多通道数组。它也允许在dst中使用比src更高精度的数据类型。这关键在于要有正确的CV_REDUCE_SUM和CV_REDUCE_AVG参数，否则那里可能有溢出和累积问题。
cvRepeat
void cvRepeat(
const CvArr* src,
CvArr* dst
);
这一函数是将src的内容复制到dst中，重复多次，直到dst没有多余的空间。具体而言，dst相对于src可以是任何大小。它可能比src大或小，它们在大小和维数之间不需要有任何的数值关系。
cvScale
void cvScale(
const CvArr* src,
CvArr* dst,
double scale
);
从宏观上讲，函数cvScale()实际上是cvConvertScale()的一个宏，它会将shift参数设置为0.0。因此，它可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种。
cvSet和cvSetZero
void cvSet(
CvArr* arr,
CvScalar value,
const CvArr*mask = NULL
); 【72】
这些函数能将数组的所有通道的所有值设置为指定的参数value。该cvSet()函数接受一个可选的参数：如果提供参数，那么只有那些与参数mask中非0值对应的像素将被设置为指定的值。函数cvSetZero()仅仅是cvSet(0.0)别名。
cvSetIdentity
void cvSetIdentity( CvArr* arr );
cvSetIdentity()将会把数组中除了行数与列数相等以外的所有元素的值都设置为0；行数与列数相等的元素的值都设置为1。cvSetIdentity()支持所有数据类型，甚至不要求数组的行数与列数相等。
cvSolve
int cvSolve(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
int method = CV_LU
);
基于cvInvert()函数cvSolve()为求解线性方程组提供了一条捷径。它的计算公式如下：
C=argminx||A·X-B||
其中A是一个由src1指定的方阵，B是向量src2，然后C是由cvSolve()计算的结果，目标是寻找一个最优的向量X。最优结果向量X将返回给dst。cvInvert()支持同样的方法(前述)；不过只支持浮点类型的数据。该函数将会返回一个整型值，当返回的值是一个非0值的话，这表明它能够找到一个解。
应当指出的是，cvSolve()可以用来解决超定的线性方程组。超定系统将使用所谓的伪逆方法进行解决，它是使用SVD方法找到方程组的最小二乘解的。
cvSplit
void cvSplit(
const CvArr* src,
CvArr* dst0,
CvArr* dst1,
CvArr* dst2,
CvArr* dst3
);
有些时候处理多通道图像时不是很方便。在这种情况下，可以利用cvSplit()分别复制每个通道到多个单通道图像。如果需要，cvSplit()函数将复制src的各个通道到图像dst0，dst1，dst2和dst3中。目标图像必须与源图像在大小和数据类型上相匹配，当然也应该是单通道的图像。
如果源图像少于4个通道(这种情况经常出现)，那么传递给cvSplit()的不必要的目标参数可设置为NULL。 【73】
cvSub,cvSubS和cvSubRS
void cvSub(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
const CvArr*mask = NULL
);
void cvSubS(
const CvArr* src,
CvScalar value,
CvArr* dst,
const CvArr*mask = NULL
);
void cvSubRS(
const CvArr* src,
CvScalar value,
CvArr* dst,
const CvArr*mask = NULL
);
cvSub()是一个简单的减法函数，它对数组src2和src1对应的元素进行减法运算，然后把结果赋给dst。如果数组mask非空，那么dst中元素对应位置的mask中的0元素不会因此而改变。相关的函数cvSubS()执行相类似的功能，但它会对src的每一个元素减去一个常量value。函数cvSubRS()的功能和cvSubS()相似，但不是src的每个元素减去一个常量，而是常量减去的src中的每一元素。
cvSum
CvScalar cvSum(
CvArr* arr
); 【75】
cvSum()计算数组arr各个通道的所有的像素的总和。注意，函数的返回类型是CvScalar，这意味着cvSum()提供多通道数组计算。在这种情况下，每个通道的和都会赋给类型为CvScalar的返回值中相应的分量。
cvSVD
void cvSVD(
CvArr* A,
CvArr* W,
CvArr* U = NULL,
CvArr*V = NULL,
int flags = 0
);
奇异值分解(SVD)是将一个m×n的矩阵A按如下公式分解：
A=U·W·VT
其中，W是一个对角矩阵，U和V分别是m×m和n×n的酉矩阵。当然，矩阵W也是一个m×n的矩阵，所以在这里的“对角线”是指任何行数和列数不相等的位置的元素值一定是0。因为W必须是对角矩阵，OpenCV允许它表示为一个m×n阶矩阵或一个n×1向量(在这种情况下，该向量将只包含对角线上的“奇异”值)。
对于函数cvSVD()来说，U和V是可选参数，如果它们的值设置为NULL，则不会返回它们的内容。最后的参数flags可以是表3-14所示三个选项中任何一个或全部(视情况进行布尔型或计算合并)。
表3-14：cvSVD()中flags参数的取值
| 参数 | 结果 |
| CV_SVD_MODIFY_A | 允许改变矩阵A |
| CV_SVD_U_T | 返回UT而不是U |
| CV_SVD_V_T | 返回VT而不是V |
cvSVBkSb
void cvSVBkSb(
const CvArr* W,
const CvArr* U,
const CvArr* V,
const CvArr* B,
CvArr* X,
int flags = 0
);
这个函数一般不会被直接调用。与刚才所描述的cvSVD()一起，本函数构成了基于SVD的方法cvInvert()和cvSolve()的基础。也就是说，如果你想自己实现矩阵求逆，可用这两个函数(这可以为你节省在cvInvert()或cvSolve()中为临时矩阵分配的一大堆内存空间)。 【75】
函数cvSVBkSb()对矩阵A进行反向替代计算，A已分解为矩阵U，W和V(即SVD)的结构中描述出来。矩阵X的结果可由如下公式计算得出：
X=V·W*·UT·B
矩阵B是可选的，如果设置为NULL，它将会被忽略。当时矩阵W*中的对角线元素定义如下：
ε这个值是一个奇异性阈值，一个非常小的数值，通常与W的对角线元素的总和成正比(即)。
cvTrace
CvScalar cvTrace( const CvArr* mat );
矩阵的迹是对角线元素的总和。在OpenCV中，该功能在函数cvGetDiag()基础上实现，因此输入的数组不需要是方阵。同样支持多通道数组，但是数组mat必须是浮点类型。
cvTranspose与cvT
void cvTranspose(
const CvArr* src,
CvArr* dst
);
cvTranspose()将src中每一个元素的值复制到dst中行号与列号相调换的位置上。这个函数不支持多通道数组；然而，如果你用两通道数组表示复数，那么记住一点：cvTranspose()不执行复共轭(依靠函数cvXorS()是实现该功能的一个快速方法，它可以直接翻转数组中虚数部分中的符号位)。宏cvT()是函数cvTranspose()的缩写。
cvXor和cvXorS
void cvXor(
const CvArr* src1,
const CvArr* src2,
CvArr* dst,
const CvArr*mask=NULL
);
void cvXorS(
const CvArr* src,
CvScalar value,
CvArr* dst,
const CvArr*mask=NULL
); 【76】
这两个函数在数组src1上按位进行异或(XOR)运算。在函数cvXor()中，dst的每个元素是由src1和src2中对应的元素按位进行异或运算所得到的。在函数cvXorS()中，是与常量value进行按位异或运算。再次说明，如果参数mask非空，则只计算与mask中非0值相对应的dst元素。
计算支持所有的数据类型，但src1和src2在函数cvXor()中必须是相同的数据类型。如果数组的元素是浮点类型的，那么使用浮点数的二进制表示。
cvZero
void cvZero( CvArr* arr );
这个函数会将数组中的所有通道的所有元素的值都设置为0。
我们经常需要绘制图像或者在已有的图像上方绘制一些图形。为此，OpenCV提供了一系列的函数帮助我们绘制直线、方形和圆形等。
直线
cvLine()是绘图函数中最简单的，只需用Bresenham算法[Bresenham65]画一条线 ：
void cvLine(
CvArr* array,
CvPoint pt1,
CvPoint pt2,
CvScalar color,
int thickness = 1,
int connectivity = 8
);
cvLine()函数中的第一个属性是CvArr*。在这里，它一般为一个图像类型的指针IplImage*。随后两个CvPoint是一种简单的数据结构，它只包括整型变量x和y。我们可以用CvPoint(intx, inty)函数快速地构造一个CvPoint类型的变量，这样可以方便地把两个整型变量值赋给CvPoint数据结构。
下一个属性是CvScalar类型的颜色变量。CvScalar也是一种数据结构，定义如下所示：
typdef struct {
double val[4];
} CvScalar;
可以看出，这种结构只是四个双精度浮点型变量的集合。在这里，前三个分别代表红，绿，蓝通道；没有用到第四个(它只在适当的时候用于alpha通道)。一个常用的便捷宏指令是CV_RGB(r,g,b)，该指令采用三个数字作为参数并将其封装到CvScalar。
接下来的两个属性是可选的。thickness是线的粗细(像素)，connectivity被设为反走样模式，默认值为“8连通”，这种是较为平滑不会走样的线型。也可以设置为“4连通”，这样的话，斜线会产生重叠以致看上去过于粗重，不过画起来速度要快 得多。
cvRectangle()和cvLine()几乎同样便捷。cvRectangle()用于画矩形。除了没有connectivity参数，它和cvLine()的其他参数都是一样的。因为由此产生的矩形总是平行与X和Y轴。利用cvRectangle()，我们只需给出两个对顶点，OpenCV便于画出一个矩形。
void cvRectangle(
CvArr* array,
CvPoint pt1,
CvPoint pt2,
CvScalar color,
int thickness = 1
);
圆形和椭圆
画圆同样简单，其参数与前相同。
void cvCircle (
CvArr* array,
CvPoint center,
int radius,
CvScalar color,
int thickness = 1,
int connectivity = 8
);
对圆形和矩阵等很多封闭图形来说，thickness参数也可以设置为CV_FILL，其值是-1；其结果是使用与边一样的颜色填充圆内部。
椭圆函数比cvCircle()略微复杂一些：
void cvEllipse(
CvArr* img,
CvPoint center,
CvSize axes,
double angle,
double start_angle,
double end_angle,
CvScalar color,
int thickness = 1,
int line_type = 8
); 【79】
这里，主要的新成员是axes属性，其类型为CvSize。CvSize函数与CvPoint和CvScalar非常相似；这是一个仅包含宽度和高度的简单结构。同CvPoint和CvScalar一样，CvSize也有一个简单的构造函数cvSize(int height, intwidth)，在需要的时候返回一个CvSize数据。在这种情况下，height和width参数分别代表椭圆的长短半轴长。
angle是指偏离主轴的角度，从X轴算起，逆时针方向为正。同样，start_angle和end_angle表示弧线开始和结束位置的角度。因此，一个完整的椭圆必须分别将这两个值分别设为0°和360°。
使用外接矩形是描述椭圆绘制的另一种方法：
void cvEllipseBox(
CvArr* img,
CvBox2D box,
CvScalar color,
int thickness = 1,
int line_type = 8,
int shift =0
);
这里用到OpenCV的另一个结构CvBox2D：
typdef struct {
CvPoint2D32f center;
CvSize2D32f size;
float angle;
} CvBox2D;
CvPoint2D32f是CvPoint的浮点形式，同时CvSizet2D32f也是CvSize的浮点形式。这些，连同倾斜角度，可以有效地描述椭圆的外接矩形。
多边形
最后，我们有一系列绘制多边形的函数。
void cvFillPoly(
CvArr* img,
CvPoint** pts,
int* npts,
int contours,
CvScalar color,
int line_type = 8
);
void cvFillConvexPoly(
CvArr* img,
CvPoint* pts,
int npts,
CvScalar color,
int line_type = 8
);
void cvPolyLine(
CvArr* img,
CvPoint** pts,
int* npts,
int contours,
int is_closed,
CvScalar color,
int thickness = 1,
int line_type = 8
); 【79～80】
上述三种方法依据同一思路又略有不同，其主要区别是如何描述点。
在cvFillPoly()中，点是由CvPoint数组提供的。它允许cvFillPoly()在一次调用中绘制多个多边形。同样地，npts是由记数点构成的数组，与多边形对应。如果把变量is_closed设为true，那么下一个多边形的第一个线段就会从上一多边形最后一点开始。cvFillPoly()很稳定，可以处理自相交多边形，有孔的多边形等复杂问题。然而不幸的是，函数运行起来相对缓慢。
cvFillConvexPoly()和cvFillPoly()类似。不同的是，它一次只能画一个多边形，而且只能画凸多边形。好处是，cvFillConvexPoly()运行得更快。
第三个cvPolyLine()，其参数与cvFillPoly()相同，但因为只需画出多边形的边，不需处理相交情况。因此，这种函数运行速度远远超过cvFillPoly()。
字体和文字
最后一种形式的绘图是绘制文字。当然，文字创建了一套自己的复杂格式，但是，在这类事情上，OpenCV一如既往地更关心提供一个简单的“一招解决问题”的方案，这个方案只适用于一些简单应用，而不适用于一个稳定的和完整的应用(这将降低由其他库提供的功能)。
OpenCV有一个主要的函数，叫cvPutText()。这个函数可以在图像上输出一些文本。参数text所指向的文本将打印到图像上，参数origin指定文本框左下角位置，参数color指定文本颜色。
void cvPutText(
CvArr* img,
const char* text,
CvPoint origin,
const CvFont* font,
CvScalar color
); 【80～81】
总有一些琐事使我们的工作比预期复杂，此时是CvFont指针表现的机会了。
概括地说，获取CvFont*指针的方式就是调用函数cvInitFont()。该函数采用一组参数配置一些用于屏幕输出的基本个特定字体。如果熟悉其他环境中的GUI编程，势必会觉得cvInitFont似曾相识，但只需更少的参数。
为了建立一个可以传值给cvPutText()的CvFont，首先必须声明一个CvFont变量，然后把它传递给cvInitFont()。
void cvInitFont(
CvFont* font,
int font_face,
double hscale,
double vscale,
double shear = 0,
int thickness = 1,
int line_type = 8
);
观察本函数与其他相似函数的不同。正如工作在OpenCV环境下的cvCreateImage()。调用cvInitFont()时，初始化一个已经准备好的CvFont结构(这意味着你创建了一个变量，并传给cvInitFont()函数一个指向新建的变量指针)，而不是像cvCreateImage()那样创建一个结构并返回指针。
font_face参数列在表3-15中(效果在图3-6中画出)，它可与CV_FONT_ITALIC组合(通过布尔或操作)。
表3-15：可用字体(全部可选变量)
| 标志名称 描述 | |
| CV_FONT_HERSHEY_SIMPLEX | 正常尺寸sanserif字体 |
| CV_FONT_HERSHEY_PLAIN | 小尺寸sanserif字体 |
| CV_FONT_HERSHEY_DUPLEX | 正常尺寸sanserif, 比 |
| CV_FONT_HERSHEY_COMPLEX | 正常尺寸serif, 比 |
续表
| 标志名称 描述 | |
| CV_FONT_HERSHEY_TRIPLEX | 正常尺寸serif, 比CV_FONT_ |
| CV_FONT_HERSHEY_COMPLEX_SMALL | 小尺寸的 |
| CV_FONT_HERSHEY_SCRIPT_SIMPLEX | 手写风格 |
| CV_FONT_HERSHEY_SCRIPT_COMPLEX | 比CV_FONT_HERSHEY_SCRIPT_ |
【81】
图3-6：表3-15中的8个字体，绘制时设置hscale= vscale = 1.0，且每行的垂直间距为30像素
hscale和vscale只能设为1.0或0.5。字体渲染时选择全高或半高(宽度同比缩放)，绘制效果与指定字体的基本定义有关。
参数shear创建斜体字，如果设置为0.0 ，字体不倾斜。当设置为1.0 时，字符倾斜范围接近45度。
参数thickness与Line_type的定义与其他绘图函数相同。
OpenCV提供了一种机制来序列化(serialize)和去序列化(de-serialize)其各种数据类型，可以从磁盘中按YAML或XML格式读/写。在第4章中，我们将专门介绍存储和调用常见的对象IplImages的函数(cvSaveImage()和cvLoadImage())。此外，第4章将讨论读/写视频的特有函数：可以从文件或者摄影机中读取数据的函数cvGrabFrame()以及写操作函数cvCreateVideoWriter()和cvWriteFrame()。本小节将侧重于一般对象的永久存储：读/写矩阵、OpenCV结构、配置与日志文件。
首先，我们从有效且简便的OpenCV矩阵的保存和读取功能函数开始。函数是cvSave()和cvLoad()。例3-15展示了如何保存和读取一个5×5的单位矩阵(对角线上是1，其余地方都是0)。
例3-15：存储和读取CvMat
CvMatA = cvMat( 5, 5, CV_32F,the_matrix_data );
cvSave("my_matrix.xml", &A );
.. .
//to load it then in some other program use …
CvMat*A1 = (CvMat*) cvLoad( "my_matrix.xml" );
CxCore参考手册中有整节内容都在讨论数据存储。首先要知道，在OpenCV中，一般的数据存储要先创建一个CvFileStorage结构(如例3-16)所示，该结构将内存对象存储在一个树形结构中。然后通过使用CV_STORAGE_READ参数的cvOpenFileStorage()从磁盘读取数据，创建填充该结构，也可以通过使用CV_STORAGE_WRITE的cvOpenFileStorage()创建并打开CvFileStorage写数据，而后使用适当的数据存储函数来填充它。在磁盘上，数据的存储格式为XML或者YAML。
例3-16：CvFileStorage结构，数据通过CxCore数据存储函数访问
typedefstruct CvFileStorage
{
... // hidden fields
}CvFileStorage;
CvFileStorage树内部的数据是一个层次化的数据集合，包括标量、CxCore对象(矩阵、序列和图)以及用户定义的对象。
假如有一个配置文件或日志文件。配置文件告诉我们视频有多少帧(10)，画面大小(320×240)并且将应用一个3×3的色彩转换矩阵。例3-17展示了如何从磁盘中调出cfg.xml文件。
例3-17：往磁盘上写一个配置文件cfg.xml
CvFileStorage*fs = cvOpenFileStorage(
"cfg.xml",
0,
CV_STORAGE_WRITE
);
cvWriteInt(fs, "frame_count", 10 );
cvStartWriteStruct(fs, "frame_size", CV_NODE_SEQ );
cvWriteInt(fs, 0, 320 );
cvWriteInt(fs, 0, 200 );
cvEndWriteStruct(fs);
cvWrite(fs, "color_cvt_matrix", cmatrix );
cvReleaseFileStorage(&fs );
请留意这个例子中的一些关键函数。我们可以定义一个整型变量通过cvWritelnt()向结构中写数据。我们也可以使用cvStartWriteStruct()来创建任意一个可以任选一个名称(如果无名称请输入0或NULL)的结构。这个结构有两个未命名的整型变量，使用cvEndWriteStruct()结束编写结构。如果有更多的结构体，我们用相似的方法来解决；这种结构可以进行任意深度的嵌套。最后，我们使用cvWrite()编写处色彩转换矩阵。将这个相对复杂的矩阵程序与例3-15中简单的cvSave()程序进行对比。便会发现cvSave()是cvWrite()在只保存一个矩阵时的快捷方式。当写完数据后，使用cvReleaseFileStorage()释放CvFileStorage句柄。例3-18显示了XML格式的输出内容。
例3-18：磁盘中的cfg.xml文件
<?xmlversion="1.0"?>
<opencv_storage>
<frame_count>10</frame_count>
<frame_size>320200</frame_size>
<color_cvt_matrixtype_id="opencv-matrix">
<rows>3</rows> <cols>3</cols>
<dt>f</dt>
<data>...</data></color_cvt_matrix>
</opencv_storage>
我们将会在例3-19中将这个配置文件读入。
例3-19：磁盘中的cfg.xml文件
CvFileStorage*fs = cvOpenFileStorage(
"cfg.xml",
0,
CV_STORAGE_READ
);
intframe_count = cvReadIntByName(
fs,
0,
"frame_count",
5 /* default value */
);
CvSeq*s = cvGetFileNodeByName(fs,0,"frame_size")->data.seq;
intframe_width = cvReadInt(
(CvFileNode*)cvGetSeqElem(s,0)
);
intframe_height = cvReadInt(
(CvFileNode*)cvGetSeqElem(s,1)
);
CvMat*color_cvt_matrix = (CvMat*) cvReadByName(
fs,
0,
"color_cvt_matrix"
);
cvReleaseFileStorage(&fs );
在阅读时，我们像例3-19中那样用cvOpenFileStorage()打开XML配置文件。然后用cvReadlntByName()来读取frame_count，如果有没有读到的数，则赋一个默认值。在这个例子中默认的值是5。然后使用cvGetFileNodeByName()得到结构体frame_size。在这里我们用cvReadlnt()读两个无名称的整型数据。随后使用cvReadByName()读出我们已经定义的色彩转换矩阵。将本例与例3-15中的cvLoad()进行对比。如果我们只有一个矩阵要读取，那么可以使用cvLoad()，但是如果矩阵是内嵌在一个较大的结构中，必须使用cvRead()。最后，释放CvFileStorage结构。
数据函数存储与CvFileStorage结构相关的表单列在表3-16中。想了解更多细节，请查看CxCore手册。
表3-16：数据存储函数
| 函数名称 | 描述 |
| 打开并释放 |
|
| cvOpenFileStorage | 为读/写打开存储文件 |
| cvReleaseFileStorage | 释放存储的数据 |
| 写入 |
|
| cvStartWriteStruct | 开始写入新的数据结构 |
| cvEndWriteStruct | 结束写入数据结构 |
| cvWriteInt | 写入整数型 |
| cvWriteReal | 写入浮点型 |
| cvWriteString | 写入字符串 |
| cvWriteComment | 写一个XML或YAML的注释字串 |
| cvWrite | 写一个对象，例如CvMat |
| cvWriteRawData | 写入多个数值 |
| cvWriteFileNode | 将文件节点写入另一个文件存储器 |
| 读取 |
|
| cvGetRootFileNode | 获取存储器最顶层的节点 |
| cvGetFileNodeByName | 在映图或存储器中找到相应节点 |
| cvGetHashedKey | 为名称返回一个惟一的指针 |
| cvGetFileNode | 在映图或文件存储器中找到节点 |
| cvGetFileNodeName | 返回文件的节点名 |
| cvReadInt | 读取一个无名称的整数型 |
| cvReadIntByName | 读取一个有名称的整数型 |
| cvReadReal | 读取一个无名称的浮点型 |
续表
| 函数 | 描述 |
| cvReadRealByName | 读取一个有名称的浮点型 |
| cvReadString | 从文件节点中寻找字符串 |
| cvReadStringByName | 找到一个有名称的文件节点并返回它 |
| cvRead | 将对象解码并返回它的指针 |
| cvReadByName | 找到对象并解码 |
| cvReadRawData | 读取多个数值 |
| cvStartReadRawData | 初始化文件节点序列的读取 |
| cvReadRawDataSlice | 读取文件节点的内容 |
Intel公司有一个产品叫集成性能基元(IntegratedPerformance Primitives，IPP)库。这个库实际上是一个有着高性能内核的工具箱，它主要用于多媒体处理以及其他计算密集型应用，可发掘处理器架构的计算能力。(其他厂商的处理器也有类似的架构，只不过规模较小。)
就像第一章所探讨的，无论从软件层面还是公司内组织层面OpenCV都与IPP有着紧密的联系。最终，OpenCV被设计成能够自动识别IPP库，自动将性能较低的代码切换为IPP同功能的高性能代码。IPP库允许OpenCV依靠它获得性能提升，IPP依靠单指令多数据(SIMD)指令以及多核架构提升性能。
学会这些基础知识，我们就可以执行各种各样的基本任务。在本书随后的内容中，我们会发现OpenCV具有许多高级功能，几乎所有这些功能都可切换到IPP运行。图像处理经常需要对大量数据做同样的重复操作，许多是可并行处理的。因此如果任何利用并行处理方式(MMX，SSE，SSE2等)的代码获得了巨大性能提升，您不必感到惊讶。
验证安装
用来检查IPP库是否已经正常安装并且检验运行是否正常的方法是使用函数cvGetModulelnfo()，如例3-20所示。这个函数将检查当前OpenCV的版本和所有附加模块。
例3-20：使用cvGetModulelnfo()检查IPP
char*libraries;
char*modules;
cvGetModuleInfo(0, &libraries, &modules );
printf("Libraries:%s/nModules: %s/n", libraries, modules );
例3-20中的代码将打印出描述已经安装的库和模块的文本。结果如下所示：
Libraries cxcore: 1.0.0
Modules: ippcv20.dll, ippi20.dll,ipps20.dll, ippvm20.dll
此处输出的模块列表就是OpenCV从IPP库中调用的模块的信息。实际上这些模块是更底层的CPU库函数的封装。它的运行原理将远远超出这本书的范围，但是如果在modules字符串中看到了IPP库，那么你会感到很自信，因为所有的工作都在按您预期的进行。当然你可以运用这个信息来确认IPP在您的系统中能正常运行。你也许会用它来检查IPP是否已经安装，并根据IPP存在与否来自动调整代码。
本章介绍了我们经常遇到的一些基本数据结构。具体说来，我们了解了OpenCV矩阵结构和最重要的OpenCV图像结构IplImage。经过对两者的仔细研究，我们得出一个结论：矩阵结构和图像结构非常相似，如果某函数可使用CvMat，那也可使用IplImage，反之亦然。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
