[学习opencv3] 阅读第十一章

常见的图像变换

仿射变换

仿射变换有两种情况。
第一种，有一个想转化的图像（或感兴趣的区域），例如，平移、缩放、旋转、翻转和错切这五种变换的组合；

https://blog.csdn.net/u010159842/article/details/54408739

第二种，有一系列点，想过要计算转换的结果。
这些情况在概念上相似，但在实际执行方面却有很大差异。对于这些情况，opencv有两个不同的函数。

这一篇讲的很好
https://www.zhihu.com/question/20666664

密集仿射变换函数cv::warpAffine

void cv::warpAffine(
	cv::InputArray src, 	// Input image
	cv::OutputArray dst, 	// Result image
	cv::InputArray M, 	// 2-by-3 transform mtx 2*3转换矩阵
	cv::Size dsize, 	// Destination image size 目标图像大小
	int flags = cv::INTER_LINEAR, 	// Interpolation, inverse 设置插值方法 ，附加选项cv::WARP_INVERSE_MAP允许从dst到src而不是从src到dst的反向转换
	int borderMode = cv::BORDER_CONSTANT, 	// Pixel extrapolation 像素外推的方法
	const cv::Scalar& borderValue = cv::Scalar() 		// For constant borders 边界的值
);

计算仿射映射矩阵的cv::getAffineTransform

cv::Mat cv::getAffineTransform( // Return 2-by-3 matrix 返回2*3矩阵
	const cv::Point2f* src,	 // Coordinates *three* of vertices 3个顶点坐标
	const cv::Point2f* dst 	// Target coords, three vertices 目标坐标，3个顶点
);

另一种计算映射矩阵的方法cv::getRotationMatrix2D()

cv::Mat cv::getRotationMatrix2D( // Return 2-by-3 matrix
	cv::Point2f center // Center of rotation 旋转中心
	double angle, // Angle of rotation 旋转角
	double scale // Rescale after rotation 在旋转之后重新调节
);

cv::transform()用于稀疏仿射变换

cv::warpAffine()是处理密集映射的正确方法。对于稀疏映射（即单个点的列表的映射），最好使用cv::transform()

void cv::transform(
	cv::InputArray src, // Input N-by-1 array (Ds channels) Ds 通道的N*1矩阵
	cv::OutputArray dst, // Output N-by-1 array (Dd channels) Dd通道的N*1矩阵
	cv::InputArray mtx // Transform matrix (Ds-by-Dd) 变换矩阵是Ds * Dd矩阵
);

cv::transform()作用于数组中每个点的通道索引。对于当前的问题，我们假设数组本质上是这些多通道对象的大向量(N1或1N)。要记住一个重要事情，变换矩阵相对的是通道索引的索引，而不是大数组的“向量”索引。

cv::invertAffineTransform()用于逆仿射变换

给定2*3矩阵的仿射变换，通常希望能够计算逆变换，它可以用于将所有转换点“放回”它们原来的地方。

void cv::invertAffineTransform(
	cv::InputArray M, // Input 2-by-3 matrix
	cv::OutputArray iM // Output also a 2-by-3 matrix
);

透视变换

透视变换包含所有仿射变换

首先指出，即使透视投影完全由单个矩阵指定，投影实际上也不是线性变换，这是因为变换需要通过最终维度（通常为Z）进行划分，从而在过程中失去一个维度。

cv::warpPerspective()用于密集透视变换

密集透视变换使用类似于为密集仿射变换提供的OpenCV函数。区别在于，小但至关重要的映射矩阵现在必须为3*3。

void cv::warpPerspective(
cv::InputArray src, // Input image
cv::OutputArray dst, // Result image
cv::InputArray M, // 3-by-3 transform mtx 3*3的转换矩阵，映射矩阵
cv::Size dsize, // Destination image size 目标图片大小
int flags = cv::INTER_LINEAR, // Interpolation, inverse 选择插值方式
int borderMode = cv::BORDER_CONSTANT, // Extrapolation method 边界外推的方法
const cv::Scalar& borderValue = cv::Scalar() // For constant borders 边界值，常量
);

cv::getPerspectiveTransform()用于计算透视映射矩阵

cv::Mat cv::getPerspectiveTransform( // Return 3-by-3 matrix 返回一个3*3矩阵
const cv::Point2f* src, // Coordinates of *four* vertices 源图像四个顶点的坐标，四个顶点在数组中
const cv::Point2f* dst // Target coords, four vertices 目标图像，四个顶点的坐标，四个顶点在数组中
);

参数src和参数dst现在是四个点的数组，所以可以独立控制src中的（典型）矩形的一个角如何映射到（通常）dst中的一些菱形。变换完全由四个源点的指定目的地定义。

实现透视变换的例子

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;

int main(int argc, char** argv) {
	if (argc != 2) {
		cout << "Perspective Warp\nUsage: " << argv[0] << " <imagename>\n" << endl;
		return -1;
	}

	cv::Mat src = cv::imread(argv[1], 1);
	if (src.empty()) { cout << "Can not load " << argv[1] << endl; return -1; }

	cv::Point2f srcQuad[] = {
		cv::Point2f(0,0),
		cv::Point2f(src.cols - 1,0),
		cv::Point2f(src.cols - 1,src.rows - 1),
		cv::Point2f(0,src.rows - 1)
	};

	cv::Point2f dstQuad[] = {
		cv::Point2f(src.cols*0.05f,src.rows*0.33f),
		cv::Point2f(src.cols*0.9f,src.rows*0.25f),
		cv::Point2f(src.cols*0.8f,src.rows*0.9f),
		cv::Point2f(src.cols*0.2f,src.rows*0.7f)
	};

	cv::Mat warp_mat = cv::getPerspectiveTransform(srcQuad, dstQuad);
	cv::Mat dst;
	cv::warpPerspective(src, dst, warp_mat, src.size(), cv::INTER_LINEAR,
		cv::BORDER_CONSTANT, cv::Scalar());

	for (int i = 0; i < 4; i++) {
		cv::circle(dst, dstQuad[i], 5, cv::Scalar(255, 0, 255), -1, cv::LINE_AA);
	}

	double scale = 0.5;
	cv::Size resize = cv::Size(dst.rows*scale, dst.cols*scale);
	cv::Mat input_img = cv::Mat(resize,dst.type());
	cv::resize(dst, input_img,resize);
	cv::imshow("Perspective Transform Test", input_img);
	cv::waitKey();
	return 0;
}

cv::perspectiveTransform()用于稀疏透视变换

cv::perspectiveTransform()是一个特殊的函数，可以对点列表执行透视变换。因为cv::transform()被限定于线性运算，所以不能正确的处理透视变换。这是因为这种变换需要由同质表示的第三个坐标（ x = f * x / Z , y = f * y / Z ）来划分。特殊函数cv::perspectiveTransform()为我们考虑了这个：

void cv::perspectiveTransform(
	cv::InputArray src, // Input N-by-1 array (2 or 3 channels) N*1 数组（2或3通道）
	cv::OutputArray dst, // Output N-by-1 array (2 or 3 channels) N*1 数组（2或3通道）
	cv::InputArray mtx // Transform matrix (3-by-3 or 4-by-4) 转换（映射）矩阵，3*3或4*4。如果矩阵为3*3则投影从二维到二维；如果矩阵是4*4，则投影从三维到三维。
);

src和dst参数分别是要变换的源点数组和由变换产生的目标点数组。这些数组应该是两通道或是三通道数组。矩阵mat可以是33或44矩阵。如果矩阵为33则投影从二维到二维；如果矩阵是44，则投影从三维到三维。

透视变换本质上是将嵌入在三维空间中的二维平面上的点映射回到（不同的）二维子空间。可以认为这类似于相机成像的原理。相机采取三维点并将其映射到相机成像器的两个维度。这本质上意味着当源点被认为是“齐次坐标”时的意思。我们通过引入Z维并将所有Z值设置为1，向这些点添加一个维度。然后投影变换从这个空间回到我们输出的二维空间。这是相当繁琐的，你需要一个3*3矩阵来解释如何将一个图像中的点映射到另一个图像中的点。

通用变换

仿射变换和透射变换是一些更为一般的处理过程中特殊的例子。本质上，这两种变换有着相似的特性：它们把源图像的像素从一个地方映射到目标图像的另一个地方。

让opencv实现自己的映射变换。

极坐标映射

cart直角坐标；polar极坐标。
函数cv::cartToPolar()和cv::polarToCart()实现了点阵的直角坐标和极坐标之间的相互转换。

极坐标映射函数、透视变换函数以及仿射变换函数之间，细微的差别：
极坐标映射函数在表示二维向量的时候，只能用一系列一维矩阵，不能用多维矩阵。这个不同源于两个函数的传统用法，而非两者功能上的本质区别。

cv::cartToPolar()用于将直角坐标转换为极坐标

使用函数cv::cartToPolar()将直角坐标转换为极坐标：

void cv::cartToPolar(
	cv::InputArray x, // Input single channel x-array 输入单通道X数组
	cv::InputArray y, // Input single channel y-array
	cv::OutputArray magnitude, // Output single channel mag-array 
	cv::OutputArray angle, // Output single channel angle-array
	bool angleInDegrees = false // Set true for degrees, else radians
);

cv::logPolar()函数

void cv::logPolar(
	cv::InputArray src, // Input image
	cv::OutputArray dst, // Output image
	cv::Point2f center, // Center of transform 对数——极坐标 转换/变换 的中心点（x,y）
	double m, // Scale factor 比例因子
	int flags = cv::INTER_LINEAR // interpolation and fill modes 标志位，设置插值和填充的方式
				| cv::WARP_FILL_OUTLIERS
);

cv::INTER_LINEAR（计算从对数-极坐标系转换为直角坐标系的反向映射）

cv::WARP_FILL_OUTLIERS（填充未定的点）

实现对数极坐标转换的例子：

#include<opencv2/opencv.hpp>
#include<iostream>

using namespace std;

int main(int argc, char** argv) {
	if (argc != 3) {
		cout << "LogPolar\nUsage: " << argv[0] << "<inagename> <M value>\n"
			<< "<M value>~30 is usually good enough\n";
		return -1;
	}

	cv::Mat src = cv::imread(argv[1], 1);

	if (src.empty()) { cout << "Can not load " << argv[1] << endl; return -1; }

	double M = atof(argv[2]);
	cv::Mat dst(src.size(), src.type()), src2(src.size(), src.type());

	cv::logPolar(
		src,
		dst,
		cv::Point2f(src.cols*0.5f, src.rows*0.5f),
		M,
		cv::INTER_LINEAR | cv::WARP_FILL_OUTLIERS
	);

	cv::logPolar(
		dst,
		src2,
		cv::Point2f(src.cols*0.5f, src.rows*0.5f),
		M,
		cv::INTER_LINEAR | cv::WARP_INVERSE_MAP
	);



	double scale = 0.5;
	cv::Size resize = cv::Size(dst.rows*scale, dst.cols*scale);
	cv::Mat input_img = cv::Mat(resize, dst.type());

	cv::resize(src, input_img, resize);
	cv::imshow("src img", input_img);

	cv::resize(dst, input_img, resize);
	cv::imshow("log-polar", input_img);

	cv::resize(src2, input_img, resize);
	cv::imshow("imshow log-polar", input_img);
	
	cv::waitKey();

	return 0;
}

任意映射

我们有时想要实现以编程方式插值。这意味着我们要使用一些已知的能够实现映射的算法。另一方面，我们有想要自己实现这种映射。在研究这些能为我们计算（并应用）这些映射方法前，我们先看看其它方法依赖的能够实现这种映射的函数。

函数cv::remap()通常用来纠正校准的立体图像。

cv::remap()用于常规图像重绘

void cv::remap(
	cv::InputArray src, // Input image 
	cv::OutputArray dst, // Output image
	cv::InputArray map1, // target x for src pix 源图像上需要重新定位的任意一点的x和y的位置。这样就可以自己制定一般映射。
	cv::InputArray map2, // target y for src pix
	int interpolation = cv::INTER_LINEAR, // Interpolation, inverse 插值方式
	int borderMode = cv::BORDER_CONSTANT, // Extrapolation method 边界外推方式
	const cv::Scalar& borderValue = cv::Scalar() // For constant borders 边界常量
);

这些图应与源图像和目标图像保持相同尺寸，并且必须使用一下数据类型之一：CV::S16C2, CV::F32C1, 或 CV::F32C2 （允许使用非整数型数据映射），函数cv::remap（）将自动进行插值计算

图像修复

图像经常因噪声造成破损。镜头上可能有灰尘或水渍，旧图象可能有划痕，或者图像的一部分损坏。图像修复是消除这种损坏的一种方式，通过摄取被损坏区域边缘的色彩和纹理，然后传播混合至损坏区域的内部。

图像修复

函数cv::inpaint()源码

void cv::inpaint(
	cv::InputArray src, // Input image: 8-bit, 1 or 3 channels 8位，1或3通道图像
	cv::InputArray inpaintMask, // 8-bit, 1 channel. Inpaint nonzeros 
	cv::OutputArray dst, // Result image
	double inpaintRadius, // Range to consider around pixel
	int flags // Select NS or TELEA 选择修复方式
);

inpaintMask是一个8位，与src大小相同的一维图像，且损坏区域被非零元素标记，inpaintMask的其他像素均被设置为0。

inpaintRadius是每个已渲染像素周围的区域，这一区域将被分解成该像素的结果输出颜色。

去噪

在许多应用中，噪声的主要来源于低光条件的影响。在低光下，数字成像器的增益必须增加，结果，噪声也被放大。这种噪声的特征是随机孤立的像素，看起来太亮或太暗，但在彩色图像中也可能发生变色。

opencv中实现的去噪算法称为“快速非局部均值去噪”（FNLMD）。虽然简单的去噪算法基本上依赖于对其周边的各个像素及逆行平均，但是FNLMD的中心概念是在图像中的其它地方寻找类似的像素，再对其取平均值。在这种情况下，像素被认为是相似的像素，不是因为它的像素或强度相似，而是因为它在环境中是相似的。这里的关键是，许多图像包含重复的结构，因此即使像素被噪声破坏，也会有许多其他类似的像素。

FNLMD基础算法cv::fastNlMeansDenoising()

void cv::fastNlMeansDenoising(
cv::InputArray src, // Input image
cv::OutputArray dst, // Output image
float h = 3, // Weight decay parameter  权重衰减参数
int templateWindowSize = 7, // Size of patches used for comparison 用于比较的补丁大小
int searchWindowSize = 21 // Maximum patch distance to consider 允许范围内补丁的最大值
);

使用templateWindowSize的补丁区域和衰减参数h从输入数组src计算出结果数组dst，并考虑searchWindowSize的距离内的补丁。图像可以是一维、二维或三维，但必须是cv::U8类型。

FNLMD彩色图像算法cv::fastNIMeansDenoisingColor()

void cv::fastNlMeansDenoisingColored(
	cv::InputArray src, // Input image
	cv::OutputArray dst, // Output image
	float h = 3, // Luminosity weight decay parameter 亮度权重衰减参数
	float hColor = 3, // Color weight decay parameter 颜色权重衰减参数
	int templateWindowSize = 7, // Size of patches used for comparison
	int searchWindowSize = 21 // Maximum patch distance to consider
);

FNIMD算法的第二个变体用于彩色图像。它只接受cv::U8C3类型的图像。虽然原则上可能直接将算法或多或少地应用于RGB图像，但实际上，最好将图像转换为不同地颜色空间进行计算。函数cv::fastNIMeansDenoisingColorred()首先将图像转换为LAB颜色空间，然后应用FNLMD算法，然后将结果转换为RGB。其主要优点是在颜色方面实际上有三个衰减参数。然而，在RGB表示中，不太可能将其中任何一个设置为不同地值。但是在LAB空间中，为颜色分量指定不同的衰减参数对于亮度分量是很自然的。函数cv::fastNIMeansDenoisingColorred()可以让你做到这一点。参数h用于亮度衰减参数，而新参数hColor用于颜色通道。一般来说，hColor的值会比h小很多。在大多数情况下，10是一个合适的值。

FNLMD视频图像算法cv::fastNlMeansDenoisingMulti() 和cv::fastNlMeansDenoisingColorMulti()

void cv::fastNlMeansDenoisingMulti(
	cv::InputArrayOfArrays srcImgs, // Sequence of several images 多副图像的图像数组
	cv::OutputArray dst, // Output image
	int imgToDenoiseIndex, // Index of image to denoise 索引指定要被去噪的图像
	int temporalWindowSize, // Num images to use (odd)  去噪中使用的序列中的图像数量（奇数）
	float h = 3, // Weight decay parameter
	int templateWindowSize = 7, // Size of comparison patches 
	int searchWindowSize = 21 // Maximum patch distance 最大补丁距离
);

void cv::fastNlMeansDenoisingColoredMulti(
	cv::InputArrayOfArrays srcImgs, // Sequence of several images
	cv::OutputArray dst, // Output image
	int imgToDenoiseIndex, // Index of image to denoise
	int temporalWindowSize, // Num images to use (odd)
	float h = 3, // Weight decay param
	float hColor = 3, // Weight decay param for color
	int templateWindowSize = 7, // Size of comparison patches
	int searchWindowSize = 21 // Maximum patch distance
);

第三、第四变体用于顺序图像，例如可能从视频捕获的图像。在顺序图像的情况下，很自然的想象除了当前帧以外的帧可能包含去噪像素的有用信息。在大多数应用中，图像之间的噪声是不会恒定的，而信号可能会相似甚至相同。函数cv::fastNlMeansDenoisingMulti() 和cv::fastNlMeansDenoisingColorMulti()期望一个图像数组srcImage，而不是单个图像。另外，通过参数imgToDenoiseIndex告知函数序列中哪个图像是要被去噪的。最后，必须提供一个时间窗口，指示在去噪中使用的序列中的图像数量。该参数必须为奇数，隐含窗口始终以imgToDenoiseIndex为中心（因此，如果要将imgToDenoiseIndex设置为4并将temporalWindowSize设置为5，那么在去噪中使用的图像将为2，3，4，5和6）

直方图均衡化

采取一些措施尝试扩大图像的动态范围以增加对比度。最常用的技术是直方图均衡。

直方图均衡数学背景是将一个分布（强度值的给定直方图）映射到另一个分布（强度值的更宽和理想的均匀分布）。也就是说，我们希望在新分配中尽可能均匀分布原始分布的y值。事实证明，解决扩展分布值的问题的一个好方法是：重映射函数应该是累积分布函数。

可以使用累积分布函数将原始分布重新映射到均匀分布，只需查看原始分布中的每个y值，并查看在均匀分布中应该进行的位置。对于连续分布 结果将是一个精确的均衡，但是对于数字/离散分布，结果可能很不一致。

cv::equalizeHist()用于对比均衡

opencv将整个过程整合在一个函数中。

void cv::equalizeHist(
	const cv::InputArray src, // Input image
	cv::OutputArray dst // Result image
);

源图像必须是8位一维图像。目标图像也是8位一维图像。对于彩色图像，必须分通道逐一处理。