drgraph的博客

OpenCV作为一个基础的或通用的图像处理，那肯定是需要支持不同的需求，象刚说的这些主体差异，功能也是存在了，只不过采用了相应的所谓专业术语来进行称呼，如梯度、礼帽与黑帽。这些结果可以为主体，但很多地方还想看看边界或轮廓，那就需要在这些主体之间进行差值，或是减法操作，这样，结果就是边缘，就象两个大小不同的同心圆，差值后就得到圆环。从OpenCV图像处理基本知识来看，膨胀腐蚀操作后，还有形态操作，如开运算、闭运算、梯度、礼帽与黑帽，感觉很多，其实，本质上就是批处理操作，如。如，梯度 = 膨胀 - 腐蚀。

这里的核心就是理解borderType，具体就是。今天简单来看一下OpenCV中的边界填充。OpenCV 4 功能 - 边界填充。其实不用记，实验一下就了解。

OpenCV直方图是一种可以对整幅图的灰度分布进行整体了解的图示。它是带有像素值（从0到255，不总是）的图在X轴上，在y轴上的图像对应的像素个数。通过观察图像的直方图，我们可以直观的了解图像的对比度、亮度、亮度分布等。在直方图中，横坐标表示图像中各个像素点的灰度级，纵坐标表示具有该灰度级的像素个数。直方图的左边部分显示了图像中较暗像素的数量，右边区域显示了更明亮的像素。直方图是非常常用的图像处理方法，有时在很多图像预处理中能起到特别好的效果。

这个概念对于没太多理论支持的程序员来说，术语太多，可以简单理解就是，膨胀与腐蚀是相对于白色区域而言的。如果膨胀，白色区域就象面团发酵一样会胀大，但空间就那么大，可能两个面团就会挨上合并成一个面团了。如果腐蚀，就象拉面，原来一根面条，可能就断成两根，当然断的地方肯定是从细处断。原理很简单，代码也很简单，膨胀与腐蚀分别对应两个函数：dilate与erode，这两个函数的参数都一样。这些处理有些是概念上的，有些是原理上的，也有形态上的，那就看用途与目的了。在二值图的结果基础上，可针对性处理。

二值化是逐像素处理，而逐像素处理会有很多效果，这主要是给人眼看的，因为像素值的变化，直观的就是图像变化，比如颜色。

二值化，也就是处理结果为0或1，当然是针对图像的各像素而言的1或0，对应于有无，也就是留下有用的，删除无用的，有用的部分，就是关心的部分在图像处理中，也不仅仅只是1或0，因为这两个值看起来都是黑的，人眼很难分辨清楚，那就放大一些，255或0，黑白就出来了目标识别、图像分割、目标提取等后续应用，很多会基于二值化的结果。所以图像分析的二值化处理是一个重要环节。

参数4：阈值的方式，主要有5种，分别为cv.THRESH_BINARY、cv.THRESH_BINARY_INV、cv.THRESH_TRUNC、cv.THRESH_TOZERO、cv.THRESH_TOZERO_INV。有时间看下源码就可以不用猜测了。二进制阈值化：选择一个特定的阈值量，大于该阈值的像素点的灰度值设定为最大值（如8位灰度值最大为255），小于该阈值的像素点的灰度值设定为0。反阈值化为0：与阈值化为0类似，只是像素点的灰度值大于该阈值的不进行任何改变，而小于该阈值的，其灰度值全部变为0。

在OpenCV中，Mat类的channels实际上和每个元素上存储的数据有关，例如存储的是Point3f，channel就自动为3。具体来说，图像是由一个个像素点堆积而成的，而一个像素点，又是由RGB颜色混合而成的。从数学的角度来看，结果都是 f(R, G, B, A)，单通道是R/G/B/A中的一个，灰度是其余逻辑，如0.299×R+0.587G+0.114B。当然，对编程来说，光知道通道数是多少，并没有什么大用，应该要取得某个通道的图像才是目的，这也是各图像的内在本质。这里的通道就是channels。

前段时间，甲方提出明确需求，让把软件国产化。稍微研究了一下，那就转QT开发，顺便把以前的功能代码重写一遍。至于在Ubuntu下折腾QT、OpenCV安装事宜，网上文章很多，照猫画虎即可。QT 6支持C++ 17，里面很多C++的新功能，用起来更为舒爽。QT Creator中，代码提示更快捷，代码折叠也很准确QT Creator中，文档生成更方便，配合Doxygen之后，自己都感觉更专业了当然，更让我高兴的是，QT直接支持最新版的OpenCV，以前还一直停留在2.3版。